rozdzia£ ii : istota inwestycji i projektów inwestycyjnych
Transkrypt
rozdzia£ ii : istota inwestycji i projektów inwestycyjnych
WYDZIAŁ ZARZĄDZANIA I EKONOMII BŁAŻEJ PRUSAK Katedra Ekonomii i Zarządzania Przedsiębiorstwem JAK ROZPOZNAĆ POTENCJALNEGO BANKRUTA? Ocena zagrożenia upadłością przedsiębiorstw na podstawie wielowymiarowej analizy dyskryminacyjnej Celem artykułu jest przedstawienie syntetycznych metod oceny zagrożenia upadłością przedsiębiorstw, ze szczególnym uwzględnieniem wielowymiarowej analizy dyskryminacyjnej. Ponadto w pracy przedstawiono sposób konstruowania funkcji dyskryminacyjnej oraz ocenę modeli zarówno zagranicznych, jak i tych opracowanych w Polsce. 1. WPROWADZENIE W krajach rozwiniętych, a w szczególności anglosaskich prognozowanie zagrożenia upadłością przedsiębiorstw sięga kilkudziesięciu lat wstecz. Prym w tym kierunku wiodą Stany Zjednoczone, w których metody prognozowania zagrożenia upadłością znalazły szerokie zastosowanie w praktyce. W Europie wzrost zainteresowania tego rodzaju technikami przypadł na lata osiemdziesiąte. Wydaje się, że metody te powinny niedługo znaleźć także szerokie zastosowanie w warunkach polskich. Większość z nich umożliwia bowiem obiektywnie, w szybki sposób i bez ponoszenia wysokich kosztów zbadanie ogólnej kondycji przedsiębiorstwa. Mogą one posłużyć np., jako system wczesnego ostrzegania przed wystąpieniem stanu zagrożenia upadkiem. Nie należy jednak przeceniać możliwości wykorzystania tych metod. Na podstawie przedstawionych w tej pracy modeli możemy jedynie stwierdzić, czy sytuacja uległa pogorszeniu, czy polepszeniu. Nie można jednak stwierdzić, co jest przyczyną wystąpienia określonego stanu. Aby to określić niezbędne jest przeprowadzenie kompleksowej analizy ekonomicznej przedsiębiorstwa, której należy jednak poświęcić dużo więcej czasu. 2. DEFINICJA UPADŁOŚCI PRZEDSIĘBIORSTWA Wydawałoby się, że zdefiniowanie pojęcia bankructwo jest stosunkowo proste. Jednak rzeczywistość jest bardziej skomplikowana. Często można spotkać z następującymi problemami: jaki podmiot można uznać za upadły (upadłość w tej pracy jest terminem analogicznym do pojęcia bankructwo)? czy należy kierować się uwarunkowaniami ekonomicznymi, czy prawnymi? Najrozsądniejszym rozwiązaniem jest rozgraniczenie i zdefiniowanie bankructwa, z punktu widzenia przepisów prawa oraz z punktu widzenia kondycji ekonomicznej podmiotu. Oczywiście obydwa podejścia są ze sobą mocno powiązane. Występują jednak pewne różnice, które zostaną przedstawione poniżej. Aby w lepszy sposób uzmysłowić czytelnikowi powyższy problem posłużę się kilkoma prostymi przykładami. PRZYKŁAD 1 Spółka akcyjna Elektrim, jedna z największych spółek akcyjnych notowanych na giełdzie po okresie prosperity, zaczęła przeżywać w 2001 roku ostry kryzys. Brak płynności, który ujawniał się głównie tym, że nie była ona w stanie spłacić odsetek z tytułu wyemitowanych obligacji doprowadził do tego, że w 2002 roku podjęto decyzję o dalszym funkcjonowaniu spółki. Dzięki odpowiednim porozumieniom i włączeniu się jednego z banków otworzono w spółce postępowanie układowe. 2 Błażej Prusak PRZYKŁAD 2 W związku z trudną sytuacją ekonomiczną przedsiębiorstwa X, wierzyciele składają wniosek o ogłoszenie upadłości. Wniosek zostaje oddalony. Argument przemawiający za oddaleniem wniosku jest następujący: wartość majątku przedsiębiorstwa X nie wystarczy na pokrycie kosztów postępowania upadłościowego. Zgodnie z prawem upadłościowym, aby postępowanie upadłościowe mogło zostać przeprowadzone wartość majątku musi wystarczyć na pokrycie kosztów postępowania. PRZYKŁAD 3 Stocznia SZ nie jest w stanie dłużej samodzielnie funkcjonować. Banki odmawiają jej udzielenia kolejnych kredytów, które są jej niezbędne do kontynuowania działalności. Jednak z pomocą stoczni przychodzi państwo, które pod pewnymi warunkami zgadza się gwarantować kredyty. PRZYKŁAD 4 Spółka jawna Y jest w trudnej sytuacji finansowej. Majątek spółki nie wystarcza na spłatę wszystkich zobowiązań. Jednak majątek prywatny wspólników jest na tyle duży, że wystarczy on na pokrycie tych zobowiązań (w spółce jawnej za zobowiązania spółki wspólnicy odpowiadają całym majątkiem spółki, a następnie również całym majątkiem prywatnym). Wierzyciele spółki wiedząc o powyższej sytuacji nie składają wniosku o ogłoszenie upadłości. PRZYKŁAD 5 Przedsiębiorstwo Z ma problemy z płynnością. Nie jest w stanie na bieżąco regulować własnych zobowiązań. Jednak majątek lub inne czynniki, np. marka przedsiębiorstwa są na tyle interesujące, że zostaje ono przejęte przez inne przedsiębiorstwo. Alternatywą dla przedsiębiorstwa Z było ogłoszenie upadłości. PRZYKŁAD 6 Państwo A nie jest w stanie wykupić wyemitowanych przez siebie obligacji. W żadnym ze wspomnianych przeze mnie przykładów nie została, z punktu widzenia prawa ogłoszona upadłość. W przykładzie 1, 3 i 5 przedsiębiorstwa zostały uratowane, dzięki otrzymanej pomocy z zewnątrz. Przykład 2 to typowa sytuacja niespełnienia jednej z przesłanek ogłoszenia upadłości, wymaganej przez prawo upadłościowe. Celem postępowania upadłościowego jest bowiem możliwość chociaż częściowego zaspokojenia wierzycieli. Brak takiej możliwości powoduje, że przeprowadzenie postępowania nie ma sensu. Przykład 4 dotyczy spółki, w której udziałowcy odpowiadają za zobowiązania, nie tylko jej majątkiem, ale również majątkiem prywatnym. Jeżeli wierzyciele mają pewność, że zostaną spłaceni to nie opłaca im się składać wniosku o ogłoszenie upadłości takiej spółki. Ostatni przykład dotyczy braku możliwości spłaty zobowiązań przez państwo. Przepisy międzynarodowe nie przewidują jednak prawnej możliwości ogłoszenia upadłości przez państwo, choć toczą się dyskusje na ten temat. Mimo, że w żadnym z powyższych przykładów nie została ogłoszona upadłość z punktu widzenia prawa to jednak wydaje się, że z ekonomicznego punktu widzenia należałoby poszczególne podmioty uznać za bankrutów. Problem bankructwa państwa oraz osób fizycznych nie jest tematem tego opracowania i zostanie w związku z tym pominięty. W dalszej części rozdziału skupię się na zdefiniowaniu kilku pojęć z zakresu upadłości. Upadłość w sensie prawnym ustalana jest sądownie. Definiuje się ją, jako specjalny rodzaj przymusu zaspokojenia wierzytelności, dopuszczalnego w razie niewypłacalności lub (wyjątkowo) w razie nadmiernego zadłużenia dłużnika i skierowanego do całego jego majątku1. Tak więc pojęcie upadłości z punktu widzenia prawa należy kojarzyć z postępowaniem prawnym obejmującym określone procedury, np. ogłoszenie upadłości podmiotu gospodarczego, przeprowadzenie procesu upadłościowego itd. Według polskiego prawa upadłościowego zdolność upadłościową posiada tylko przedsiębiorca (art. 1 p.u.)2. Prawo to przewiduje następujące przesłanki ogłoszenia upadłości: 1. trwałe zaprzestanie płacenia długów przez przedsiębiorcę, przy czym należy pamiętać, że zgodnie z art. 2 prawa upadłościowego, krótkotrwałe zaprzestanie płacenia długów wskutek przejściowych trudności nie jest przesłanką do ogłoszenia upadłości. Zdaniem Zedlera3 trwałe zaprzestanie płacenia długów to obiektywna, trwała niemożność wywiązywania się dłużnika ze swoich zobowiązań wobec wszystkich wierzycieli, bez względu na rodzaj zobowiązań – także tych nie związanych z prowadzoną 1 S. Gurgul (wprowadzenie), Prawo upadłościowe i układowe, wyd. C.H. BECK, Warszawa 2000 , s. XV. Rozporządzenie Prezydenta Rzeczpospolitej z dnia 24 października 1934 r. – Prawo upadłościowe, Dz. U. Z 1991r. , nr 18, poz. 80 ze zm. 3 F. Zedler, Prawo upadłościowe i układowe, wyd. TNOiK „Dom Organizatora”, Toruń 1999 , s. 64. 2 Jak rozpoznać potencjalnego bankruta ? 3 działalnością gospodarczą. Zaprzestanie płacenia długów wynikać powinno z trudnej sytuacji dłużnika, nie zaś z takiego powodu, że dłużnik posiada wystarczające środki lecz nie chce zapłacić wierzytelności. W takich przypadkach należałoby zastosować egzekucję, 2. majątek spółki nie wystarcza na zaspokojenie długów. Warunek ten dotyczy tylko następujących jednostek: przedsiębiorców będących osobami prawnymi, w tym także spółki z o.o. i spółki akcyjnej oraz będących w stanie likwidacji spółki jawnej, komandytowej, partnerskiej, komandytowo – akcyjnej. W celu ustalenia, czy zachodzi spełnienie powyższej przesłanki bada się rzeczywistą wartość majątku dłużnika i porównuje się ją z wartością długów. Jeżeli wartość majątku jest niższa od wartości zobowiązań to istnieje przesłanka do ogłoszenia upadłości. Należy przy tym pamiętać, że przy obliczaniu wartości zobowiązań nie należy do nich zaliczać kapitału zakładowego, zapasowego, rezerwowego, gdyż kapitały te mają zostać spłacone dopiero po zaspokojeniu zobowiązań obcych4. Podstawy do ogłoszenia upadłości nie stanowią także wszelkiego rodzaju wskaźniki finansowe określające poziom kondycji przedsiębiorstwa, w tym m.in. wskaźniki płynności, wskaźniki struktury, wskaźnik Altmana itp. Tego rodzaju obliczenia mogą być sygnałem wskazującym na pogarszający się stan podmiotu i na podstawie nich można jedynie prognozować upadłość oraz prawdopodobieństwo jej wystąpienia5. 3. dłużnik posiada majątek, którego wartość jest wystarczająca aby pokryć koszty postępowania upadłościowego (art. 13 p.u.). Z ekonomicznego punktu widzenia za bankruta możemy uznać przedsiębiorcę, który nie jest w stanie samodzielnie kontynuować działalności bez udzielenia jemu pomocy z zewnątrz. Pomoc ta może przybrać następującą postać: umorzenie części długów i (lub) przesunięcie w terminie spłaty długów, zawarcie ugody z bankiem w zakresie restrukturyzacji długu, dokapitalizowanie lub przejęcie przedsiębiorstwa przez inne przedsiębiorstwa, pomoc państwa w formie, np. udzielenia gwarancji, przejęcia zarządu i dokapitalizowania przedsiębiorstwa. Z tego wynika, że każda upadłość w sensie prawnym oznacza bankructwo ekonomiczne, lecz nie każde bankructwo ekonomiczne musi oznaczać upadłość w rozumieniu prawa. Bezpośrednio z terminem bankructwo związane są pojęcia likwidacji, niewypłacalności, braku płynności oraz kryzysu przedsiębiorstwa. Likwidacja przedsiębiorstwa może być skutkiem wystąpienia bankructwa, ale nie musi. Likwidacja może zostać przeprowadzona w stosunku do przedsiębiorstwa, które nie wykazuje przesłanek bankructwa i głównym jej celem będzie spieniężenie majątku przedsiębiorstwa, spłata zobowiązań, uzyskanie środków pieniężnych przez właścicieli, które pozostaną po zaspokojeniu wszystkich zobowiązań itd. Końcowych etapem likwidacji jest wykreślenie przedsiębiorstwa, np. z rejestru spółek prawa handlowego. Niewypłacalność przedsiębiorstwa oznacza, że wartość rynkowa jego majątku nie wystarczy na spłatę wszystkich zobowiązań, natomiast brak płynności oznacza, że przedsiębiorstwo nie jest w stanie regulować swoich zobowiązań na bieżąco. Przeważnie bankructwo poprzedzone jest kryzysem przedsiębiorstwa. Kryzys przedsiębiorstwa można zdefiniować jako nieplanowany proces, czyli ciąg zdarzeń przebiegających w określonym czasie, będących zagrożeniem dla egzystencji przedsiębiorstwa6. Kryzys jest więc wynikiem nieplanowanych lub błędnych zdarzeń, które mogą w przyszłości zagrozić funkcjonowaniu przedsiębiorstwa7. Kryzys może lecz nie musi prowadzić do bankructwa. 3. KTO STOSUJE METODY OCENY ZAGROŻENIA UPADŁOŚCIĄ? Metody oceny zagrożenia upadłością przedsiębiorstw mogą być wykorzystane przez liczną grupę podmiotów. Do grupy tej można zaliczyć8: 1. banki i instytucje finansowe, które wykorzystują te modele w procedurach scoringowych (metody scoringowe polegają na podziale potencjalnych kredytobiorców na podstawie obiektywnych i mierzalnych cech na dwie rozłączne grupy: o dużym oraz o niewielkim ryzyku9), celem zbadania zdolności kredytowej potencjalnego kredytobiorcy (w tym celu najczęściej stosuje się te metody), 4 M. Allerhand (komentarz), Prawo upadłościowe, wyd. Studio Stu, Bielsko-Biała 1999, s. 30. B. Jasinkiewicz, R. Kowalkowski, Z. Koźma, A. Lewandowski, M. Oźóg, Prawo upadłościowe i układowe, ODDK, Gdańsk 2001, s.26. 6 K. Zimniewicz, Nauka o organizacji i zarządzaniu, PWN, Warszawa 1990, s.223. 7 Por. R. Oldcorn , Management, MacMillan, Londyn 1989, s. 237 podano za A. Zelek, Wczesna identyfikacja kryzysu finansowego ucieczką od bankructwa, Przegląd organizacji nr 2/2002, s.33. 8 Por. D. Zarzecki, O metodach oceny zagrożenia bankructwem i możliwościach ich wykorzystania w Polsce, Rynek kapitałowy cz. I., wyd. Uniwersytet Szczeciński, Szczecin 2000, s. 371-372 oraz por. D. Hadasik, dz. cyt., s.51-56. 9 W. Kuryłek, Credit scoring – podejście statystyczne, Bank i Kredyt nr 6/2000, s.73 5 4 Błażej Prusak 2. instytucje ratingowe, które na podstawie wyników prognoz nadają poszczególnym przedsiębiorstwom oceny, świadczące o ich wiarygodności (m.in. metody te zostały wykorzystane w Stanach Zjednoczonych w celu ustalenia ratingu obligacji – oczywiście im lepsza wiarygodność obligatoriusza, tym mniejsze ryzyko i niższa stopa zwrotu dla nabywców obligacji), 3. inwestorzy – dotyczy to w szczególności inwestorów lokujących środki pieniężne w obligacje lub akcje. Rozróżniamy przy tym dwojakiego rodzaju strategie: po pierwsze, rezygnacja i sprzedaż papierów wartościowych, w przypadku wygenerowania niekorzystnego sygnału przez model oraz po drugie, poszukiwanie okazji nabycia walorów przedsiębiorstw zagrożonych upadkiem po niskiej cenie, w celu odsprzedania ich, po okresie przeprowadzenia restrukturyzacji, kiedy przyniosą one znaczne korzyści, 4. osoby odpowiedzialne za zarządzanie przedsiębiorstwem, których zadaniem jest prowadzenie stałego monitoringu i badanie sytuacji ekonomicznej. Metody te umożliwiają postawienie ogólnej oceny, a ewentualne wystąpienie zagrożenia upadłością lub pogorszenia stanu finansowego powinno skłonić kierownictwo do przeprowadzenia szczegółowej analizy poszczególnych obszarów działalności, 5. w krajach zachodnich techniki te wykorzystywane są przez audytorów, których zadaniem jest przeprowadzenie badania sprawozdań finansowych, a także określenie potencjalnych zagrożeń funkcjonowania jednostki. Wydaje się, że w warunkach polskich modele te mogłyby znaleźć zastosowanie przy ocenie sprawozdań finansowych przez biegłych rewidentów, 6. odbiorcy i dostawcy – ich standing uzależniony jest od klientów, z którymi współpracują. Dostawcy wybierają takich klientów, którzy będą w stanie na czas regulować względem nich rachunki, natomiast odbiorcy wybierają takich klientów, którzy są w stanie dostarczyć im materiały lub produkty na czas oraz o określonej jakości. Zagrożenie funkcjonowania lub trudności finansowe jednego z tych podmiotów wpływają negatywnie na działalność współpracującej z nimi jednostki. Dlatego jednostka ta powinna stale przeprowadzać badania, szczególnie swoich priorytetowych dostawców i odbiorców, 7. władze lokalne – przy ocenie standingu lokalnych przedsiębiorstw, celem udzielenia im wsparcia w postaci dotacji, subsydiów, ulg lub poprzez obniżenie podatków, 8. inne, w tym: firmy handlujące długami, organizacje ubezpieczeniowe, pracownicy przedsiębiorstw, rząd itp.. Grupa potencjalnych podmiotów jest więc znaczna. W warunkach polskich, w obecnym stanie wydaje się, iż metody te mogłyby znaleźć w szczególności zastosowanie, przy badaniu wiarygodności potencjalnych kredytobiorców. Metody te mogą być z czasem pomocne przy ocenie stopnia zagrożenia upadłością spółek akcyjnych notowanych na giełdzie oraz przy tworzeniu ratingów przedsiębiorstw, które określałyby ich wiarygodność. W związku z tym niezbędne jest poświęcenie większej uwagi temu problemowi w celu opracowania metod, które w sposób wiarygodny i prawidłowy odpowiadałyby warunkom polskim. 4. METODY PROGNOZOWANIA ZAGROŻENIA UPADŁOŚCIĄ PRZEDSIĘBIORSTW 4.1 Wprowadzenie Problem prognozowania zagrożenia upadłością przedsiębiorstwa w warunkach polskich pojawił się stosunkowo niedawno, tzn. w połowie lat dziewięćdziesiątych. Pierwsze badania na świecie zostały przeprowadzone dużo wcześniej. Już w 1908 r. W. Rosendale, w swojej publikacji „Credit Department Methods” stwierdził, że płynne i bieżące aktywa stanowią najlepszą informację o wypłacalności przedsiębiorstwa10. Kolejne badania pojawiły się, m.in. w roku 1932 (Fritz Patrick), 1957 (R. A Foulke), 1967 (W. H. Beaver). W badaniach nad tym problemem wykorzystano dotychczas wiele technik, które zaowocowały powstaniem dużej ilości modeli. Poniżej zasygnalizowano najbardziej znane. Dalsza część pracy zostanie poświęcona opisowi wybranych metod i zastosowaniu ich do oceny zagrożenia bankructwem. Do technik, które dotychczas zastosowano w ocenie zagrożenia upadłością należy zaliczyć (trzeba nadmienić, że coraz to nowsze techniki są wykorzystywane do prognozowania zagrożenia upadłością)11: 1. tradycyjną analizę finansową przedsiębiorstwa opartą na analizie wskaźnikowej, 2. metody ekonometryczne, w ramach których można wyróżnić m.in. liniową i kwadratową wielowymiarową analizę dyskryminacyjną, analizy logitowe, 10 William M. Rosendale, Credit Department Methods. Bankers Magazine, February 1908, p. 187 podano za W. H. Beaver, Alternative Accounting Measures As Predictors of Failure, Accounting Review, Jan68, Vol. 43 Issue 1, p. 114. 11 Więcej informacji na temat różnych metod oceny zagrożenia upadłością można uzyskać w pracy: D. Hadasik, Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, AE w Poznaniu, Poznań 1998, s.80-91. Jak rozpoznać potencjalnego bankruta ? 5 3. metodę rekurencyjnego podziału, 4. model Wilcoxa oparty na teorii katastrof12, 5. sztuczne sieci neuronowe i algorytmy genetyczne, 6. metody analizy skupień, 7. wielokryterialne systemy wspierania decyzji, 8. analizę przetrwania, 9. modele optymalizacyjne, m.in. matematyczne modele programowania liniowego, 10. systemy eksperckie. Większość metod prognozowania bankructwa polega na zastosowaniu wielkości, bądź wskaźników finansowych; ponadto w niektórych metodach wykorzystuje się wielkości niemierzalne. Porównanie poszczególnych modeli odbywa się na podstawie sprawności modelu. Sprawność (zdolność) modelu do prognozowania zagrożenia bankructwem można określić na podstawie prawidłowo zakwalifikowanych przypadków. Należy jednak podkreślić, że o sprawności nie decyduje w głównej mierze liczba prawidłowo sklasyfikowanych przypadków, wykorzystanych do oszacowania modelu. Decydujące znaczenie ma liczba prawidłowo sklasyfikowanych przypadków spoza modelu, czyli tych nie wykorzystanych przy szacowaniu modelu. Z tego wynika, że przy konstruowaniu modelu oceny zagrożenia upadłością, niezależnie od techniki należy wyróżnić dwie grupy: pierwszą niezbędną do oszacowania modelu oraz drugą na której będzie można empirycznie zweryfikować dany model. Dotychczas w badaniach nad zagrożeniem upadłością największe zastosowanie znalazły metody ekonometryczne, w ramach których można wyróżnić liniową analizę dyskryminacyjną oraz analizę logitową. W ostatnich latach, dzięki zastosowaniu skomplikowanych rozwiązań informatycznych, wzrosło ponadto zainteresowanie wykorzystaniem sztucznych sieci neuronowych oraz algorytmów genetycznych w ocenie zagrożenia bankructwem. Metody te powstały w wyniku obserwacji oraz próby naśladowania naturalnych procesów zachodzących w organizmach żywych; sztuczne sieci neuronowe odwołują się do funkcjonowania mózgu, natomiast algorytmy genetyczne są wzorowane na teorii ewolucji13. Sprawność modeli prognozowania zagrożenia upadłością opracowanych na podstawie liniowej analizy dyskryminacyjnej oraz analizy logitowej, jest porównywalna. Różni autorzy wskazują na wyższość techniki przez nich zastosowanej. Sprawności te są najczęściej większe od 80% (ponad 80% przypadków zostaje sklasyfikowana prawidłowo) przy prognozowaniu rok przed upadkiem. W rozdziale tym zostaną opisane następujące metody: liniowa analiza dyskryminacyjna oraz w węższym zakresie analiza logitowa. 4.2 Liniowa wielowymiarowa analiza dyskryminacyjna w ocenie zagrożenia upadłością przedsiębiorstw Istota analizy dyskryminacyjnej polega na zakwalifikowaniu odpowiedniego obiektu do jednej z kilku grup, np. przy badaniu zagrożenia upadłością przedsiębiorstwa mamy najczęściej tylko dwie grupy, tzn. przedsiębiorstwa zdrowe, czyli niezagrożone upadkiem i przedsiębiorstwa zagrożone bankructwem. W niektórych modelach rozróżnia się jeszcze strefę (grupę) pośrednią. Grupa ta oznacza, że danego obiektu nie można sklasyfikować jako przedsiębiorstwa zdrowego, ani jako potencjalnego bankruta. Ze względu na liczbę zmiennych, jaką wykorzystuje się w analizie możemy rozróżnić: jednowymiarową (bierze się pod uwagę tylko wpływ jednej zmiennej – przykładem mogą być tutaj badania Beavera14) lub wielowymiarową analizę dyskryminacyjną (bada się wpływ wielu zmiennych). Zakwalifikowania obiektu do jednej z grup dokonuje się na podstawie funkcji dyskryminacyjnej. Funkcje te mogą przyjmować różną postać; tzn. mogą być kwadratowe, liniowe, logarytmiczno – liniowe i inne. Dotychczasowe badania w zakresie prognozowania zagrożenia upadłością wskazują, że najlepsze zastosowanie w tym obszarze badań znalazły funkcje liniowe i logarytmiczno – liniowe. Dlatego w pracy tej ograniczono się do krótkiego przedstawienia tego rodzaju funkcji. Przy budowie liniowej funkcji dyskryminacyjnej przyjmuje się następujące założenia15: 1. zmienne dyskryminacyjne posiadają wielowymiarowy rozkład normalny 12 Por. J.G. Siegel, J.K. Shim, S.W. Hartman, Przewodnik po finansach, PWN, Warszawa 1995, s. 470-471. Więcej na ten temat zobacz: D. Witkowska, Sztuczne sieci neuronowe i metody statystyczne. C. H. BECK, Warszawa 2002. 14 Por. W. Beaver, Alternative Accounting Measures As Predictors of Failure, The Accounting Review, January 1968, s.113-122. 15 D. Witkowska, dz. cyt., s.86-87. 13 6 Błażej Prusak 2. występuje podzielność zmiennych, która przejawia się w systematycznej różnicy wartości średnich między grupami 3. macierze kowariancji zmiennych diagnostycznych są równe w grupach. Dotychczasowe badania potwierdzają jednak, że funkcja liniowa może dawać dobre rezultaty, w przypadku gdy założenia 1 i 3 nie zostaną spełnione. Oznacza to, ze funkcja ta jest odporna na te założenia16. Funkcja liniowa ma następującą postać17: Z = a0 + a1X1 + a2X2 + ……+anXn gdzie: Z – zmienna zależna (objaśniana) ai , i=1,2,……,n - wagi dyskryminacyjne, tzw. współczynniki dyskryminacyjne a0 – stała X1, X2, ……,Xn – zmienne niezależne (objaśniające); w przypadku prognozowania upadłości są to najczęściej wskaźniki finansowe Po wyznaczeniu funkcji dyskryminacyjnej, kolejny etap stanowi wyznaczenie wartości granicznej (pośredniej tzw. cut off) pozwalającej na zakwalifikowanie określonej jednostki do danej grupy. W tym celu należy wyznaczyć wartości średnie funkcji dyskryminacyjnej dla poszczególnych grup. Przy wyznaczaniu wartości granicznej najczęściej zakłada się, że znajduje się ona w połowie między wartościami średnimi funkcji z poszczególnych grup18. Można także szukać takiej wartości granicznej, która zminimalizuje liczbę błędnie sklasyfikowanych przypadków. W dalszej części analizy porównuje się wartości Z obliczone dla poszczególnych obiektów z wartościami granicznymi . W przypadku, gdy wartość Z dla danego obiektu jest mniejsza od wartości granicznej Zgraniczne to obiekt ten zalicza się do przedsiębiorstw zagrożonych upadłością, gdy wartość Z jest większa od Zgraniczne to takie przedsiębiorstwo zalicza się do zdrowych (w niektórych modelach można spotkać się z klasyfikacją odwrotną – wartość Z większa od Zgraniczne oznacza zagrożenie upadłością, a Z mniejsze od Zgraniczne brak zagrożenia). Jeżeli w modelu występuje strefa pośrednia (strefa ta występuje pomiędzy strefą przedsiębiorstw zagrożonych bankructwem, a strefą przedsiębiorstw zdrowych), to w przypadku gdy wartość Z tego obiektu znajdzie się w tej strefie, to na podstawie tego modelu nie można zaliczyć badanego obiektu ani do przedsiębiorstw upadłych, ani do zdrowych. W celu zbadania efektywności modelu, tzn. sprawdzenia prawidłowości poprawnych zakwalifikowań posługuje się często pojęciem błędu I rodzaju oraz błędu II rodzaju. Błąd I rodzaju przedstawia, jaki procent przedsiębiorstw upadłych został zakwalifikowany do przedsiębiorstw zdrowych. Błąd II rodzaju przedstawia, jaki procent przedsiębiorstw zdrowych został zakwalifikowany do przedsiębiorstw upadłych. Sprawność I rodzaju określa się zaś, jako procent poprawnych zakwalifikowań przedsiębiorstw upadłych, a sprawność II rodzaju jako procent poprawnych zakwalifikowań przedsiębiorstw zdrowych. Można także mierzyć ogólną sprawność modelu oraz ogólną wartość błędu. Ogólna wartość błędu oznaczać będzie procent błędnie zakwalifikowanych przypadków, zaś ogólna sprawność procent prawidłowo zakwalifikowanych przypadków. Pomiędzy wartościami poszczególnych błędów i sprawności występują następujące zależności: Błąd I rodzaju = 100% - sprawność I rodzaju [%] Błąd II rodzaju = 100% - sprawność II rodzaju [%] Ogólna wartość błędu = 100% - ogólna sprawność modelu [%] Sprawność modelu powinna zostać zweryfikowana dla próby wykorzystanej do oszacowania funkcji dyskryminacyjnej (dla tej próby sprawność najczęściej jest wysoka) oraz dla obiektów spoza modelu. Liczba prawidłowo zakwalifikowanych przypadków spoza modelu może dopiero świadczyć o jakości modelu. Modele zbudowane na podstawie wielowymiarowej analizy dyskryminacyjnej charakteryzują się wysoką sprawnością i mają znaczną przewagę nad modelami jednowymiarowymi. Uwzględniają one bowiem wpływ wielu zmiennych oraz dodatkowo pozwalają wyznaczyć wagi, które przypisuje się tym zmiennym. Choć przeważnie poziom wagi stanowi o sile, a znak o kierunku dyskryminacji określonego wskaźnika, to nie zawsze takie rozumowanie jest poprawne. Zdarza się, że zmienne dobrze klasyfikujące przy wykorzystaniu analizy jednowymiarowej, niekoniecznie nadają się w klasyfikacjach wielowymiarowych. Spowodowane to może być tym, że kilka zmiennych dobrze klasyfikujących w przypadku analizy jednowymiarowej osłabia się wzajemnie i 16 C. Domański, M. Misztal, Zastosowanie wybranych metod dyskryminacji do wspomagania diagnozy i określenia ryzyka operacyjnego u pacjentów z chorobą wieńcową, pod red. T. Trzaskalika: Modelowanie preferencji a ryzyko’98, Katowice 1998, s.96. podano za D. Witkowska, dz. cyt.; s.87. 17 A.D. Aczel, Statystyka w zarządzaniu, PWN, Warszawa 2000, s.883. 18 Por. D. Witkowska, dz. cyt., s.88. Jak rozpoznać potencjalnego bankruta ? 7 wspólnie nie mogą dobrze klasyfikować (tzw. efekt osłabienia). Jest też możliwe, że kilka cech źle klasyfikujących w analizie jednowymiarowej może się wzajemnie wzmacniać i dobrze klasyfikować (tzw. efekt wzmocnienia)19. Obecny rozwój techniki umożliwia w prosty sposób przeprowadzenie analizy dyskryminacyjnej, pod warunkiem wcześniejszego zgromadzenia odpowiednich informacji. Jednym z pakietów komputerowych zawierających moduł, pozwalający przeprowadzić analizę dyskryminacyjną jest pakiet STATISTICA. Program ten, oprócz możliwości wyznaczenia funkcji dyskryminacyjnej (najczęściej liczba funkcji dyskryminacyjnych jest mniejsza o 1 od liczby grup klasyfikacyjnych) zakłada możliwość wyznaczenia funkcji klasyfikacyjnych (liczba funkcji klasyfikacyjnych jest równa liczbie grup). Funkcje klasyfikacyjne wyznacza się dla poszczególnych grup. Następnie oblicza się wartości wszystkich funkcji klasyfikacyjnych dla badanego obiektu i ustala wartość największą. Obiekt kwalifikuje się do tej grupy, której odpowiada największa wartość funkcji klasyfikacyjnej20. Prekursorem w zastosowaniu wielowymiarowej liniowej analizy dyskryminacyjnej (MDA) w badaniach dotyczących prognozowania bankructwa był Altman. Jego pierwszy model pojawił się w 1968 r. Altman do oszacowania tego modelu użył próby składającej się z 66 firm, z czego połowa charakteryzowała się dobrą kondycją ekonomiczną, a połowa stanowiła przedsiębiorstwa upadłe. W skład próby weszły tylko przedsiębiorstwa produkcyjne, przy czym należy nadmienić, że wartość aktywów zawierała się w przedziale między 1 a 25 mln dolarów. Próba ta została zbadana przy wykorzystaniu 22 wskaźników, z których do modelu wybrano 521. Model Altmana (1968) Z = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 1X5 gdzie: X1 = kapitał pracujący (aktywa obrotowe – zobowiązania krótkoterminowe) / aktywa X2 = zyski zatrzymane / aktywa X3 = zyski przed zapłatą odsetek i podatków (EBIT) / aktywa X4 = wartość rynkowa kapitału akcyjnego / zobowiązania ogółem X5 = przychody ze sprzedaży / aktywa Wszystkie wskaźniki w tej formule są wyrażone jako liczby bezwzględne (a nie w procentach). Licznik wskaźnika X2 dotyczy wszystkich zysków zatrzymanych z lat poprzednich wraz z uwzględnieniem strat. Można zauważyć, że przedsiębiorstwa młodsze z reguły charakteryzują się niższą wartością tego wskaźnika, gdyż miały one mniej czasu na osiągnięcie zysków. Nie przeszkadza to jednak w zastosowaniu tego wskaźnika w powyższym modelu, gdyż jak wynika z badań firmy młodsze są bardziej narażone na upadek niż firmy starsze. Punkt pośredni dla tego wskaźnika wynosi 2,675; z czego wynika, że dla Z<2,675 firmy są zagrożone upadłością. W celu dokładniejszego wyznaczenia obszarów zagrożenia upadłością Altman po przeprowadzeniu badań przyjął jednak poniższe założenia: Z-score < 1,81 oznacza duże zagrożenie upadłością Z-score <1,81;2,99> strefa pośrednia ( nie można określić i jednoznacznie zakwalifikować przedsiębiorstw do upadłych lub nieupadłych) Z-score > 2,99 brak zagrożenia upadłością Badania wskazały na wysoką sprawność modelu. Ich wyniki zawarte są w poniższych tabelach. 19 D. Witkowska, dz. cyt., s.86. Więcej na temat wykorzystania pakietu STATISTICA w analizach dyskryminacyjnych zobacz: STATISTICA.PL, wyd StatSoft, Kraków 1997, s. 3061-3101. 21 E. I. Altman, Predicting financial distress of companies: revisiting the Z-score and ZETA® models, http://www.stern.nyu.edu/~ealtman/Zscores.pdf, July 2000, s. 6-8. 20 8 Błażej Prusak Tabela 1: Klasyfikacja przypadków na podstawie modelu Altmana dla próby użytej do oszacowania modelu (rok przed bankructwem) Grupa badana Liczba przypadków Przedsiębiorstwa upadłe (grupa 1) Przedsiębiorstwa, które nie upadły (grupa 2) Błąd I rodzaju Błąd II rodzaju Ogólna sprawność modelu (procent prawidłowych prognoz) 33 33 Zakwalifikowanie do Zakwalifikowanie do przedsiębiorstw, które przedsiębiorstw nie upadły upadłych 31 2 94% 6% 1 32 3% 97% 6% 3% 95% źródło: B. Caouette, E.I. Altman, P. Narayanan, Managing Credit Risk. John Wiley & Sons, 1998, s.118. Tabela 2: Klasyfikacja przypadków na podstawie modelu Altmana dla próby użytej do oszacowania modelu (dwa lata przed bankructwem) Grupa badana Liczba przypadków Przedsiębiorstwa Upadłe (grupa 1) Przedsiębiorstwa, które nie upadły (grupa 2) Błąd I rodzaju Błąd II rodzaju 32 Ogólna sprawność modelu (procent prawidłowych prognoz) źródło: B. Caouette, dz. cyt., s.118. 33 Zakwalifikowanie do Zakwalifikowanie do przedsiębiorstw, które przedsiębiorstw nie upadły upadłych 23 9 72% 28% 2 31 6% 94% 28% 6% 82% Informacje zawarte w tabelach dotyczą próby na podstawie, której wyznaczono model. Jak wynika z tych badań, im bliżej upadku tym sprawność tego modelu daje lepsze rezultaty. Sprawność ustalona na poziomie niższym od 50% nie byłaby do zaakceptowania, gdyż dawałaby rezultaty gorsze od losowych (prawdopodobieństwo zakwalifikowania przedsiębiorstwa do odpowiedniej grupy, bez dokonywania jakichkolwiek analiz wynosi ok. 50% dla dużej próby). Tak więc model ten, w warunkach amerykańskich dawał dobre wyniki, przy ocenie zagrożenia bankructwem, dwa lata i rok przed upadkiem przedsiębiorstw. Model ten generował jednak, zarówno błędy I, jak i II rodzaju. Szczególnie dwa lata przed bankructwem błąd II rodzaju miał wysoką wartość, bo aż 28%. Wydaje się, iż z punktu widzenia kredytodawców błąd I rodzaju odgrywa ważniejszą rolę, od błędu II rodzaju. Błędne zakwalifikowanie przedsiębiorstw upadłych do nieupadłych naraża ich szczególnie, na poniesienie wysokich kosztów, dotyczących niemożliwości spłaty zobowiązań przez upadłego. W przypadku zaś błędu II rodzaju mogą wystąpić koszty alternatywne, które odzwierciedlają poziom zysków jakie osiągnąłby kredytodawca, gdyby zakwalifikował prawidłowo przedsiębiorstwa nieupadłe (tzn. gdyby ich nie zakwalifikował do upadłych). Zakładamy, że kredytodawca kierując się powyższym modelem, po zakwalifikowaniu przedsiębiorstwa do grupy przedsiębiorstw zagrożonych upadłością, nie udziela jemu kredytu. Wysoka sprawność modelu wyznaczona na podstawie badanej próby nie musi wcale oznaczać, że badania przeprowadzone na innych jednostkach dadzą tak dobre rezultaty. Model Altmana stał się jednak do tego stopnia popularny, że w kolejnych latach przeprowadzono, z jego wykorzystaniem, badania na różnych próbach przedsiębiorstw. Rezultaty tych badań zostały zawarte w tabeli 3. Jak rozpoznać potencjalnego bankruta ? 9 Tabela 3: Sprawność typu I modelu Altmana (A) dla różnych prób upadłych przedsiębiorstw Liczba lat Oryginalna próba Badania Badania w latach Badania w latach Badania w latach przed 1976-1995 1997-1999 wykorzystana przy przeprowadzone 1969-1975 upadkiem szacowaniu modelu przez Altmana na (próba 110 (próba 120 (próba 86 (33 innej próbie przedsiębiorstw) przedsiębiorstw) przedsiębiorstw) przedsiębiorstwa) przedsiębiorstw 1 2 3 4 5 94% (88%) 72% 48% 29% 36% 96% (92%) 80% - 82% (75%) 68% - 85% (78%) 75% - 94% (84%) 74% - źródło: E. I. Altman, dz. cyt., s. 22. Powyższe badania zostały przeprowadzone przy założeniu punktu granicznego na poziomie 2,67. Informacje zawarte w nawiasach dotyczą punktu granicznego 1,81. Zestawienie zawiera tylko informacje o sprawności zakwalifikowania upadłych przedsiębiorstw do prawidłowej grupy (sprawność typu I). Nie zawiera ono jednak oszacowania sprawności tego modelu, odnośnie zakwalifikowania przedsiębiorstw nieupadłych do odpowiedniej grupy (sprawność typu II). Sprawność typu I modelu wraz z upływem czasu charakteryzuje się wysokim stopniem przewidywalności. Z tego wynika, że wraz z upływem czasu model Altmana nie stracił swojej mocy i nadal daje dobre rezultaty w warunkach amerykańskich. Na podstawie badań przeprowadzonych w latach 19971999 okazało się, że sprawność wyniosła 94% i była taka sama, jak dla oryginalnej próby, wykorzystanej przy szacowaniu modelu. Ponadto należy zauważyć, że sprawność modelu nie pogorszyła się wraz z zastosowaniem jego do oceny stopnia zagrożenia upadłością próby innych przedsiębiorstw, niż te które zostały wykorzystane do jego oszacowania. Jedną z największych wad tego modelu jest jego niska sprawność przy szacowaniu zagrożenia bankructwem 3 i więcej lat przed upadkiem. Wartość sprawności na poziomie niższym od 50% dla 3 i więcej lat przed upadkiem praktycznie dyskwalifikuje ten model dla tego przedziału czasowego. Model ten daje więc tylko dobre wyniki przy badaniu zagrożenia upadłością przedsiębiorstw 2 lata i rok przed bankructwem. Ta sama technika liniowej analizy dyskryminacyjnej posłużyła później wielu autorom do zbudowania własnych funkcji dyskryminacyjnych. Przykładem mogą tutaj być takie modele, jak: ZETA22, Springate, Fulmera, CA – score23, , Tafflera24, Keasy McGuinessa, Bilderbeeka, Ooghe-Verbaerea, Gloubos-Grammatikosa25, Koha i Killough, Colonguesa, Conana i Holdera26 i inne. 4.3 Zastosowanie analizy logitowej w ocenie zagrożenia upadłością przedsiębiorstw Alternatywą przy badaniu zagrożenia upadłością przedsiębiorstw w stosunku do liniowej analizy dyskryminacyjnej jest analiza logitowa (w przypadku klasyfikacji przypadków do dwóch grup analiza logitowa jest równoważna analizie regresji logistycznej). Korzystną cechą tego rodzaju modeli jest 27: 1. brak założenia o normalności rozkładu poszczególnych zmiennych 2. brak założenia o równości macierzy kowariancji poszczególnych grup Funkcja logitowa przyjmuje następującą postać28: Y= 22 exp z 1 = 1 + exp − z 1 + exp z Por. E.I.Altman, dz. cyt., s. 28. Por. Sands & Associates, Insolvency prediction, http://www.sands-trustee.com/insolart.htm, s. 2-3. 24 Por. R.J.Taffler, Rational asset pricing and bankruptcy risk: a z-score perspective, http://www.hkkk.fi/efa99/papers/65.pdf, s.31. 25 Por. H.Ooghe, H.Claus, N.Sierens, J. Camerlynck, International Comparison of Failure Prediction Models From Diffrent Countries: An empirical Analysis, Department of Corporate Finance, September 1999, nr 99/79 http://fetew.rug.ac.be/WP/Papers/wp_99_79.pdf, s. 23-25. 26 Por. A. Janc, M. Kraska, Credit – scoring, Biblioteka Menedżera i Bankowca, Warszawa 2001, s. 145-146. 27 B.Back, T.Laitinen, K.Sere, M. van Wezel: Choosing bankruptcy predictors using discriminant analysis, logit analysis and genetic algorithms. http://www.ec.com/cache/papers2/cs/5981/http:zSzzSzwww.cwi.nlzSz~michielzSzpaperszSztrtucs96.40.pdf/cho osing-bankruptcy-predictors-using.pdf, s.3. 28 J. Hekanaho, B. Back, K. Sere, T. Laitinen, Analysing Bankruptcy Data with Multiple Methods. http://citeseer.nj.nec.com/cache/papers2/cs/10191/http:zSzzSzwww.abo.fizSz~hekanahozSzmsl98bankr.pdf/hekanaho98analysing.pdf, s.2. 23 10 Błażej Prusak Y – prawdopodobieństwo bankructwa Z – wartość funkcji Z, gdzie: Z = a0 + a1X1 + a2X2 + ……+anXn gdzie: Z – zmienna zależna (objaśniana) ai , i=1,2,……,n - wagi a0 – stała X1, X2, ……,Xn – zmienne niezależne (objaśniające) – w przypadku prognozowania zagrożenia upadłością są to najczęściej wskaźniki finansowe Należy zauważyć, iż wraz ze wzrostem zmiennej objaśnianej Z wskaźnik Y, czyli prawdopodobieństwo bankructwa rośnie i na odwrót. Z tego wynika, że wzrost poszczególnych wag działa stymulująco na wzrost zagrożenia bankructwem a spadek destymulująco. Wartość wskaźnika Y zawarta jest w przedziale od 0 do 1. Nie oznacza to jednak, że punkt graniczny dla modelu logitowego wynosi 0,5. Punkt graniczny może być nawet mniejszy od 0,1 (np. w modelu Ohlsona wynosi 0,038) i zależy od rodzaju modelu. Jako pierwszy wykorzystał model logitowy do prognozowania bankructwa Ohlson. Zbudował on model na podstawie badań próby 105 upadłych i 2085 niezagrożonych upadłością przedsiębiorstw 29. Punkt graniczny dla tego modelu, przy założeniu minimalizacji obydwu błędów, czyli błędu I i II rodzaju wynosi 0,038 30. Tabela 4: Model Ohlsona (1980 USA) Zmienne S X1 X2 X3 X4 X5 X6 X7 X8 X9 PG Oznaczenia stała ln (aktywa / PNB) zobowiązania ogółem / aktywa kapitał pracujący / aktywa zobowiązania krótkoterminowe / aktywa obrotowe zysk netto / aktywa operacyjne przepływy pieniężne / zobowiązania ogółem 1, jeżeli mamy do czynienia ze stratą w dwóch ostatnich latach oraz 0 w przeciwnym przypadku 1, jeżeli wartość zobowiązań przewyższa wartość aktywów (w ujęciu rynkowym nie księgowym) oraz 0 w przeciwnym przypadku X9 = (Zysk nettot - Zysk nettot-1)/ ( |Zysk nettot ||Zysk nettot-1 | ) t – okres, z którego informacje finansowe wykorzystywane są w powyższych wskaźnikach Punkt graniczny Wagi -1,320 -0,407 +6,030 -1,430 +0,075 -2,370 -1,830 +0,285 -1,720 -0,521 +0,038 źródło: J.S. Grice: dz. cyt., s.5 Wśród modeli, które zostały opracowane na podstawie analizy logitowej można także wyróżnić m.in. modele: Żmijewskiego31, Zavgren32, Gloubosa i Grammatikosa, Keasy i McGuinessa33, H. Platta i M. Platta34 i inne. 29 J.S. Grice: Bankruptcy prediction models and going concern audit opinions before and after. SAS, No.59 http://www.westga.edu/~bquest/2000/bankrupt.html, s. 5. 30 A. J. Irani: Why do firms in financial distress issue optimistic earnings forecast? Some evidence from insider trading. http://www.unh.edu/acfi/paper-afshad.PDF, s. 7. 31 Por. J. S. Grice, dz. cyt., s.4-5. 32 Por. M.T. Dugan, C. V. Zavgren, Bankruptcy Prediction Research: A Valuable Instructional Tool, Issues in Accounting Education, Spring88, Vol. 3 Issue 1, p54, 17p. 33 Por. H.Ooghe, H.Claus, N.Sierens, J. Camerlynck, dz. cyt., s.25-26. 34 Por. H. Platt, Principles of Corporate Renewal.,The University of Michigan Press, Ann Arbor , 1998, s. 91. podano za A. Rutkowski: Prognozowanie zagrożenia upadłością na podstawie sprawozdań finansowych, Nasz Rynek Kapitałowy nr 4/99, s.46. Jak rozpoznać potencjalnego bankruta ? 4.4 Charakterystyka przedsiębiorstw zagranicznych modeli oceny 11 zagrożenia upadłością Większość modeli zagranicznych zostało zbudowanych na podstawie próby składającej się z mniej niż 100 przedsiębiorstw. W modelach, jako zmienne wykorzystano mierniki ilościowe, tzn. wskaźniki finansowe. Autorzy większości modeli przyporządkowują poszczególnym bankrutom przedsiębiorstwa niezagrożone upadkiem. Tak więc próba przedsiębiorstw niezagrożonych upadkiem jest równa próbie przedsiębiorstw uznanych za bankrutów. Żmijewski zasugerował jednak, że taki dobór parami może prowadzić do zniekształconych wyników, ponieważ w rzeczywistości proporcja miedzy bankrutami, a przedsiębiorstwami niezagrożonymi bankructwem jest inna, tzn. liczba przedsiębiorstw niezagrożonych bankructwem znacznie przekracza liczbę bankrutów35. Większość modeli przyporządkowuje określone jednostki, w tym przypadku przedsiębiorstwa do odpowiedniej grupy, tzn. potencjalnych bankrutów, przedsiębiorstw nie zagrożonych upadłością i ewentualnie do grupy przedsiębiorstw, o których nie można jasno powiedzieć, czy są zagrożone upadkiem, czy nie. Zakwalifikowanie jednostki do odpowiedniej grupy następuje w wyniku porównania wartości funkcji z punktem granicznym lub punktami granicznymi. Punkty graniczne mogą przybierać różne wartości; najczęściej jednak tym punktem jest wartość 0. W przypadku modeli logitowych punkt graniczny musi mieścić się w przedziale <0,1>, gdyż wartości tej funkcji mieszczą się właśnie tylko w takim przedziale. Większość modeli jest tak zbudowanych, aby rosnącym wartościom funkcji odpowiadała lepsza sytuacja przedsiębiorstwa, tzn. im wyższa wartość funkcji, tym zagrożenie upadkiem jest mniejsze. Występują jednak wyjątki, np. model Colonguesa, gdzie sytuacja przedstawia się całkiem odwrotnie, tzn. im niższa wartość funkcji tym sytuacja przedsiębiorstwa jest lepsza. W niektórych modelach została przyjęta zasada, iż poszczególnym wartościom funkcji przypisuje się odpowiednią wartość prawdopodobieństwa upadku (zobacz np. model Conana i Holdera). W modelu Robertsona36 o zagrożeniu upadkiem mówi się wówczas, gdy wartość wskaźnika w ciągu roku maleje o 40 lub więcej procent. Są ponadto takie modele, w których zakwalifikowanie do odpowiedniej grupy przedsiębiorstw następuje w wyniku przeprowadzenia kilku etapów obliczeniowych, przy wykorzystaniu kilku funkcji. Takim przykładem jest model wykorzystywany przez Bank Francji37. Ponadto należy zauważyć, że nie ma modeli uniwersalnych, tzn. takich które pozwoliłyby ocenić zagrożenie upadłością zarówno przedsiębiorstw małych, jak i dużych lub przedsiębiorstw prowadzących różną działalność, np. produkcyjną, usługową, handlową. Wynika to z prostej zasady, że modele opracowane na podstawie określonej próby przedsiębiorstw wykorzystywane są do prognozowania bankructwa przedsiębiorstw zbliżonych do tej próby. Im przedsiębiorstwa te będą bardziej podobne do próby wykorzystanej przy konstruowaniu modelu, tym rezultaty predykcji powinny być bardziej trafne. Większość modeli służy do oceny zagrożenia upadłością przedsiębiorstw produkcyjnych. Zostało także opracowanych kilka modeli pozwalających ocenić zagrożenie przedsiębiorstw handlowych i usługowych. Powyższe modele nie nadają się jednak do oceny przedsiębiorstw rynku nowych technologii, banków, ubezpieczycieli, przedsiębiorstw świadczących usługi finansowe, konsultingowe itp. Przedsiębiorstwa te charakteryzują się bowiem inną specyfiką działania, np. w przedsiębiorstwach nowych technologii coraz częściej mniejszą wagę przypisuje się majątkowi produkcyjnemu, natomiast bardziej zwraca się uwagę na wartości niematerialne i prawne. W przedsiębiorstwach świadczących usługi finansowe i konsultingowe majątek trwały ma również niewielkie znaczenie. Banki i przedsiębiorstwa ubezpieczeniowa ocenia się natomiast na podstawie innych rodzajów wskaźników. Istnieje możliwość oszacowania modeli dla wyżej wspomnianych rodzajów przedsiębiorstw. Wymaga to jednak zebrania informacji i odpowiedniego przetworzenia ich wraz z uwzględnieniem specyfiki działalności tych przedsiębiorstw. Wielu autorów zwraca uwagę na zdolność modelu do jak najlepszej predykcji w długim okresie czasu. Większość modeli wykazuje wysoką zdolność do prawidłowej prognozy w okresie jednego i dwóch lat przed upadkiem, np. model Altmana. Im okres ten jest dłuższy, tym sprawność modelu jest niższa. W prognozach długookresowych jest ona tak niska, że model staje się narzędziem bezużytecznym. Kolejne ulepszenia w zakresie długookresowego prognozowania bankructwa postępowały w dwóch kierunkach: konstruowano różne modele, dotyczące prognozy bankructwa w zależności od liczby lat, po upływie których przedsiębiorstwo upadnie, np. Zavgren, Beergman, Ooghe-Verbaere, Keasy i McGuiness skonstruowali różne modele dla prognozowania bankructwa przedsiębiorstwa rok, dwa, trzy, cztery, pięć lat przed jego upadkiem; 35 Por. K. M. Fanning, K. O. Cogger, A Comparative Analysis of Artificial Neural Networks Using Financial Distress Prediction, http://peakconsulting.com/ijis1.pdf, s.3 (artykuł ten został opublikowany w International Journal of Intelligent Systems in Accounting. Finance, and Management, vol. 3, 241-252, 1994. 36 Por. J. Robertson, Company failure - measuring changes in Financial health through ratio analysis. Managment Accounting nr 11/1983. podano za L. Bednarski: Symptomy i ocena zagrożeń sytuacji finansowej przedsiębiorstwa, Pieniądze i Więź nr 1 (2) 1999, s. 47. 37 Więcej na temat tego modelu zobacz: A. Janc, M. Kraska, dz. cyt., s.147-150. 12 Błażej Prusak w modelach wykorzystywano różnego rodzaju wskaźniki, które lepiej odzwierciedlają ich zdolność do prawidłowej prognozy w dłuższym okresie czasu. Wśród grup wskaźników finansowych wykorzystywanych do oceny zagrożenia upadłością, dominującą pozycję zajmują trzy obszary, a mianowicie: wskaźniki rentowności, płynności i wspomagania finansowego, ze szczególnym uwzględnieniem w tej grupie wskaźników struktury kapitałowo-majątkowej. Duże znaczenie przypisuje się również wskaźnikom uwzględniającym przepływy pieniężne. Mniejszą rolę odgrywają zaś wskaźniki rotacji i obrotowości, aczkolwiek należałoby tutaj zwrócić uwagę, na częste zastosowanie wskaźnika obrotowości majątku oraz obrotowości zapasów. W niewielu modelach znalazły zastosowanie wskaźniki rynku (sytuację taką można tłumaczyć tym, że wiele modeli została zaprognozowana z myślą o przedsiębiorstwach nie notowanych na giełdzie). W przypadku nowszych modeli coraz częściej można spotkać się z występowaniem wskaźników opartych na wartości dodanej (np. w modelach Conana i Holdera, Colonguesa, Bilderbeeka, Banku Francji, Francuskiego Związku Dyrektorów i Naczelników Kredytowych). W większości modeli zostały zastosowane wskaźniki o charakterze uniwersalnym, tzn. powszechnie używane przy analizie ekonomicznej przedsiębiorstwa. W kilku modelach występują jednak wskaźniki o charakterze specyficznym, których zastosowanie ma w szczególności poprawić ich sprawność w zakresie długookresowego prognozowania. Przykładem może być tutaj wskaźnik X2 (średni błąd standardowy wokół oszacowanego, na podstawie pięcio do dziesięcioletniego trendu, wskaźnika EBIT/aktywa) w modelu ZETA. Nie zawsze jednak wskaźniki, które wykazują samodzielnie bardzo dużą zdolność do predykcji bankructwa znajdują zastosowanie w modelach. Modele należy rozpatrywać jako całość i badać sprawność modelu, a nie poszczególnych wskaźników wchodzących w jego skład. Zdarza się, że zmiana wartości określonego wskaźnika wchodzącego w skład modelu daje całkiem odwrotny sygnał, niż w przypadku badania go samodzielnie. 4.5 Metody badania zagrożenia upadłością przedsiębiorstw w warunkach polskich Zainteresowanie problemem prognozowania zagrożenia upadłością polskich przedsiębiorstw pojawiło się stosunkowo niedawno (połowa lat dziewięćdziesiątych). Pierwsze próby prognozowania polegały na zastosowaniu modelu Altmana w warunkach polskich. Wielu autorów w swoich artykułach, m.in. Gasza38, Bławat39, Zdyb40 próbowało sprawdzić skuteczność tego modelu, wykorzystując go w badaniach stanu zagrożenia polskich przedsiębiorstw, szczególnie tych notowanych na giełdzie. W większości przypadków dochodzili oni do jednakowego wniosku, że nie można w sposób bezpośredni zastosować tego modelu w polskich realiach. Zdaniem Zdyba wskaźnik Altmana w warunkach polskich może służyć jako element uzupełniający pełnej analizy wskaźnikowej, bądź też jako czynnik wczesnego ostrzegania, w przypadku pogarszającej się sytuacji przedsiębiorstwa, w żadnym zaś przypadku nie powinien być wykorzystywany do prognozowania upadłości. Należy się z tym poglądem zgodzić. Wynika to z kilku przyczyn: 1. Model Altmana został zaprognozowany na podstawie sprawozdań finansowych przedsiębiorstw amerykańskich. Zgodnie z podstawową zasadą statystyczną modele zaprognozowane na podstawie informacji pochodzących z określonej pierwotnej próby badawczej sprawdzają się, przy badaniu jednostek zbliżonych, czyli względnie homogenicznych w stosunku do tej grupy, na podstawie której zbudowano model. Przedsiębiorstw polskich nie można zaś uznać za grupę względnie homogeniczną w stosunku do przedsiębiorstw amerykańskich, m.in. ze względu na funkcjonowanie gospodarki amerykańskiej, której system gospodarczy daleko odbiega od systemu gospodarki polskiej. 2. Występują różnice w standardach rachunkowości oraz w liczeniu poszczególnych wskaźników 3. Model altmanowski jest modelem stosunkowo starym. Chociaż, jak wskazują ostatnie badania charakteryzuje się on nadal wysoką sprawnością w stosunku do przedsiębiorstw amerykańskich, sam autor zwrócił jednak uwagę na istotną zmianę jaka zaszła w czasie i wywarła wpływ na model. Sytuacja ta została opisana we wcześniejszych podrozdziałach i dotyczy zmiany wartości cen akcji, co miało wpływ na wartość rynkową kapitału akcyjnego. W innych krajach, które charakteryzują się systemem gospodarczym bardziej zbliżonym do Stanów Zjednoczonych niż Polska, przeprowadzono analizę porównawczą wartości średnich wskaźnika Altmana dla przedsiębiorstw upadłych i nieupadłych. Informacje te zawiera tabela 5. 38 Por. R. Gasza, Związek między wynikami analizy typu Altmana, a kształtowaniem się kursów akcji wybranych spółek giełdowych w Polsce, Bank i Kredyt nr 3/1997, s.59-63. 39 Por. F. Bławat, Zagrożenie upadłością spółek akcyjnych w Polsce. Gospodarka Polski w okresie transformacji, Politechnika Gdańska, Gdańsk 1999, s.11-17. 40 Por. M.Zdyb, Ocena zagrożenia przedsiębiorstwa upadłością przy zastosowaniu finansowych wskaźników syntetycznych, Controlling i rachunkowość zarządcza nr 5/2001, s.36-40. Jak rozpoznać potencjalnego bankruta ? 13 Tabela 5: Międzynarodowe porównanie wartości średnich wskaźników Z-score dla próby upadłych i nieupadłych przedsiębiorstw l.p. Indeks z-score Firmy upadłe Indeks z-score Firmy nieupadłe USA USA Altman 1968 Altman 1977 Australia Castagna & Matolcsy 1981 Brazylia Altman 1979 Japonia Ko 1981 -0,258 1,271 1,707 1,124 0,667 4,885 3,878 4,003 3,053 2,070 źródło: Skuteczność wątpliwa: Rzeczpospolita nr 110 z 13 maja 1996, s.19. Okazuje się, iż wartości te są mocno zróżnicowane, nawet w przypadku badań przeprowadzonych przez Altmana w Stanach Zjednoczonych w latach 1968 i 1977. Pozostałe wyniki przeprowadzone w innych krajach, także mocno odbiegają od pierwotnych wyników z 1968 roku, co wskazuje na wątpliwą skuteczność tego modelu w przypadku pozostałych krajów. Pewnym rozwiązaniem tego problemu mogło by być przeliczenie punktu granicznego modelu Altmana dla warunków obowiązujących w określonym kraju. Takie rozwiązanie proponuje m.in. w przypadku polskich przedsiębiorstw M. Zdyb41. Tego typu przeliczenia punktów granicznych wraz z porównaniem skuteczności różnych modeli, przy badaniu przedsiębiorstw belgijskich zostały przedstawione w pracy: „International Comparison of Failure Prediction Models From Different Countries: An Empirical Analysis”42. Jak pokazują te badania model Altmana po przeliczeniu punktu granicznego, aby w najlepszy sposób dyskryminował przedsiębiorstwa, wykazywał sprawność nieznacznie powyżej 50%, co uplasowało go na ostatnim miejscu spośród 7 modeli. Najlepszą sprawnością charakteryzował się model belgijski (model ten został zaprognozowany na podstawie danych dotyczących przedsiębiorstw belgijskich, czyli najbardziej homogenicznych względem badanej próby), potem grecki. O wiele gorsze wyniki wykazywały modele anglosaskie, niż modele europejskie. Jak z tego wynika potwierdza się główny warunek skuteczności tego typu modeli, dotyczący względnie homogenicznej grupy badanych jednostek, w stosunku do grupy jednostek wykorzystanych przy projektowaniu modelu. Modele europejskie charakteryzowały się w tym przypadku lepszą skutecznością, gdyż standardy i zasady funkcjonowania przedsiębiorstw, obowiązujące w krajach europejskich są bardziej do siebie zbliżone. Wyżej opisane przesłanki wydają się być aktualne w stosunku do większości modeli zaprognozowanych w innych krajach. W Polsce nie przeprowadzano dotychczas badań przy pomocy innych modeli zagranicznych. Wynika to głównie z tego, że model Altmana jest najstarszym tego typu modelem oraz najczęściej cytowanym w literaturze. Być może inne modele charakteryzowałyby się lepszą skutecznością prognozowania od modelu altmanowskiego. Najlepszym jednak rozwiązaniem jest przeprowadzenie badań opierając się na próbie przedsiębiorstw krajowych, i na podstawie tych badań zaprojektowanie metody prognostycznej. Należy jednak pamiętać, że modele powinny być wykorzystywane do prognozowania upadłości określonej grupy przedsiębiorstw, dla której zostały przeznaczone, np. tylko dla małych przedsiębiorstw, dla przedsiębiorstw produkcyjnych, bądź handlowych itp. Poniżej zostanie przedstawiony dorobek polskich naukowców w zakresie prognozowania upadłości polskich przedsiębiorstw. Jednymi z pierwszych modeli, które zostały oszacowane dla warunków polskich są modele opracowane przez Gajdka i Stosa43. Modele te zostały wyznaczone w wyniku przeprowadzenia badań nad 40 przedsiębiorstwami, z których 20 zaliczono do grupy bankrutów, a 20 do grupy przedsiębiorstw niezagrożonych upadłością. Próbę przedsiębiorstw niezagrożonych bankructwem stanowiły przedsiębiorstwa z branży przemysłowej, budowlanej i handlowej, które były notowane na giełdzie (brak informacji z jakich branż pochodziły przedsiębiorstwa uznane za bankrutów). Analiza polegała na wyznaczeniu 20 wskaźników finansowych, obliczonych na podstawie sprawozdań finansowych z lat 1994-1995 (sprawozdania finansowe bankrutów dotyczyły roku poprzedniego w stosunku do roku, w którym uznano je za bankrutów). Spośród tych 20 wskaźników do modelu zakwalifikowano 5. Model wyznaczono, przy wykorzystaniu techniki liniowej analizy dyskryminacyjnej. Wyniki badań przedstawiono poniżej. 41 Por. M.Zdyb, Ocena zagrożenia przedsiębiorstwa upadłością przy zastosowaniu finansowych wskaźników syntetycznych, dz.cyt., s.40. Zdyb proponuje, iż wartość punktu granicznego tego modelu w warunkach polskich należy przyjąć na poziomie jedności. Poniżej tej wartości wzrasta wyraźne zagrożenie upadłością. 42 Por. H.Ooghe, H.Claus, N.Sierens, J. Camerlynck, dz. cyt. , s.13-15. 43 Por. J. Gajdka, D. Stos, Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, pod red. R. Borowieckiego, Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, AE , Kraków 1996, s.59-63. 14 Błażej Prusak Tabela 6: Model J.Gajdki i D.Stosa 1 (1996 Polska) Zmienne Oznaczenia przychody netto ze sprzedaży / aktywa (wartość X1 średnia w roku) zobowiązania krótkoterminowe (wartość średnia X2 w roku) • 365 / koszt wytworzenia produkcji sprzedanej X3 zysk netto / aktywa (wartość średnia w roku) X4 zysk brutto / przychody netto ze sprzedaży X5 zobowiązania ogółem / aktywa PG Punkt graniczny Wagi +0,20098985 +0,0013027 +0,7609754 +0,9659628 -0,341096 +0,44 źródło: J. Gajdka, D. Stos: dz. cyt., s. 61. Tabela 7: Model J.Gajdki i D.Stosa 2 (1996 Polska) Zmienne Oznaczenia stała S przychody netto ze sprzedaży / aktywa (wartość X1 średnia w roku) zobowiązania krótkoterminowe (wartość średnia X2 w roku) • 365 / koszt wytworzenia produkcji sprzedanej X3 zysk netto / aktywa (wartość średnia w roku) X4 zysk brutto / przychody netto ze sprzedaży X5 zobowiązania ogółem / aktywa PG Punkt graniczny Wagi +0,7732059 -0,0856425 +0,000774 +0,9220985 +0,6535995 -0,594687 +0,45 źródło: J. Gajdka, D. Stos: dz. cyt., s. 62. Model 2 charakteryzował się wyższą sprawnością, niż model 1. Wyniosła ona 93% (37 prawidłowo zakwalifikowanych obiektów na 40), natomiast w przypadku modelu 1 zostały prawidłowo zakwalifikowane 33 przypadki na 40 (sprawność 82,5%). Należy zaznaczyć, że podane wyniki dotyczą próby wykorzystanej do oszacowania modelu. Kolejne modele oceny zagrożenia upadłością przedsiębiorstw w warunkach polskich zostały zaprognozowane i przedstawione w pracy D. Hadasik44. Autorka przedstawiła 9 modeli opartych na liniowej analizie dyskryminacyjnej, do zaprognozowania których wykorzystała próbę przedsiębiorstw o różnej strukturze własności (w tym większość przedsiębiorstw to przedsiębiorstwa państwowe, spółki z o.o. oraz spółki akcyjne i spółdzielnie). Przedsiębiorstwa uznane za upadłe stanowiły przedsiębiorstwa, które złożyły w latach 1991-1997 wniosek o ogłoszenie upadłości w sądzie wojewódzkim w Poznaniu, Pile lub Lesznie. W tych modelach została wykorzystana następująca grupa wskaźników (w nawiasie podano, w ilu modelach występował określony wskaźnik): 1. Wskaźniki płynności • wskaźnik płynności bieżącej (3) • wskaźnik płynności szybkiej (3) 2. Wskaźniki zadłużenia • wskaźnik ogólnego zadłużenia (9) • wskaźnik udziału kapitału obrotowego w pasywach (3) • wskaźnik pokrycia środków trwałych kapitałem własnym (1) 3. Wskaźniki sprawności działania • rotacji należności w dniach (8) • rotacji aktywów (1) • cykl odnawiania zapasów (9) 4. Wskaźniki rentowności • wskaźnik rentowności kapitału całkowitego (2) • wskaźnik rentowności zapasów (8) 44 Por. D. Hadasik, dz.cyt., s. 133-175. Jak rozpoznać potencjalnego bankruta ? 15 Badania w zakresie prognozowania bankructwa przeprowadzali również Michaluk45, Mejer46, Wędzki47, Hołda , Sojak i Stawicki49. Mejer i Hołda wykorzystali technikę liniowej analizy dyskryminacyjnej do zbudowania modelu, Wędzki analizę, przy wykorzystaniu wskaźników finansowych, zaś Michaluk metodę sieci neuronowych, probit i logit oraz analizę dyskryminacyjną. Model opracowany przez Mejera zawiera m.in. trzy wskaźniki, tzn.50: • rezerwy / (kapitał własny + rezerwy) • zobowiązania bieżące / (suma bilansowa - zysk netto) • zysk netto / (suma bilansowa - nadwyżka finansowa) Do zaprognozowania tego modelu wykorzystał on sprawozdania finansowe 65 przedsiębiorstw produkcyjnych (24 notowanych na GPW), w tym 30 zostało postawionych w stan upadłości, a 35 charakteryzowało się dobrą kondycją. Hołda przeprowadził badania na próbie 80 przedsiębiorstw, w tym 40 uznanych za bankrutów i 40 niezagrożonych bankructwem51. Analizą objęto dane przedsiębiorstw za okres 1993-1996. Przedsiębiorstwa te zostały w przeważającej mierze dobrane branżowo, na podstawie Europejskiej Klasyfikacji Działalności (od grupy 45 do grupy 74). Autor obliczył 28 wskaźników, przy czym dla bankrutów obliczenia zostały przeprowadzone na podstawie informacji pochodzących z roku poprzedzającego bankructwo podmiotu. W końcowej postaci modelu liczbę wskaźników zredukowano do 5. Wyniki badań przedstawiono poniżej. Tabela 8: Model Hołdy 48 Zmienne S X1 X2 X3 X4 X5 PG Oznaczenia stała aktywa obrotowe / zobowiązania krótkoterminowe (zobowiązania ogółem / suma bilansowa) • 100 [%] {zysk (strata) netto / średnioroczny majątek ogółem} • 100 [%] (średnioroczne zobowiązania krótkoterminowe / koszt sprzedanych produktów, towarów i materiałów) • 360 [dni] przychody z ogółu działalności / średnioroczny majątek ogółem [razy] Punkt graniczny Wagi +0,605 +0,681 -0,0196 +0,00969 +0,000672 +0,157 0 źródło: A. Hołda: dz. cyt., s.308. Sprawność modelu przy klasyfikacji jednostek, które zostały wykorzystane do jego oszacowania wyniosła 92,5%. Autor ponadto zaproponował, analogicznie jak w modelu Altmana stworzenie obszaru niepewności. Jego zdaniem obszar ten byłby zawarty dla wartości funkcji dyskryminacyjnej z przedziału (–0,3 ; 0,1) Michaluk w swoich badaniach opracował poszczególne modele na podstawie próby składającej się z 40 przedsiębiorstw upadłych oraz 40 firm funkcjonujących. Do przetestowania poszczególnych modeli wykorzystał zaś po 39 przedsiębiorstw z obydwu grup (grupa testowa składała się z innych przedsiębiorstw niż grupa wykorzystana do zbudowania modeli). Grupa ta obejmowała przedsiębiorstwa prowadzone w formie spółek prawa handlowego za wyjątkiem ubezpieczycieli i banków. Autor zastosował 4 grupy zmiennych stanowiących wskaźniki finansowe ( pierwsza grupa składała się z 21, druga z 5 wskaźników wykorzystanych w modelu Altmana, trzecia z 12, czwarta z 6 wskaźników). Największą efektywnością charakteryzowały się modele oparte na sieciach neuronowych, następnie modele oparte na analizie dyskryminacyjnej, przy czym należy zaznaczyć, że różnica w efektywności była dość znaczna, średnio ok. 22 punktów procentowych. Autor stwierdza, że 45 Por. K. Michaluk, Wyniki badań nad metodami przewidywania zagrożenia upadłością w warunkach polskich, Firma i Rynek nr 1/2 2001, s. 130-134. 46 Por. D.Mejer, Analiza dyskryminacyjna, Bank 06/2000, s. 38-44. 181 Por. D.Wędzki, Problem wykorzystania analizy wskaźnikowej do przewidywania upadłości polskich przedsiębiorstw - studium przypadków, Bank i Kredyt 5/2000, s. 54-61. 47 Por. A. Hołda: Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH. Rachunkowość nr 5/2001, s.306-310 48 Por. S. Sojak, J. Stawicki, Wykorzystanie metod taksonomicznych do oceny kondycji ekonomicznej przedsiębiorstw, pod. red. L. Bednarskiego: Zeszyty Teoretyczne Rachunkowości, tom 3 (59), Warszawa 2001, s.56-67. 49 Por. D.Mejer, dz.cyt., s. 41. 50 A. Hołda, dz. cyt.: s. 308. 51 Por. K.Michaluk, dz.cyt., s. 131-133. 16 Błażej Prusak modele oparte wyłącznie na wskaźnikach wskazanych przez Altmana nie wystarczają do poprawnej oceny zagrożenia upadłością w warunkach polskich52. Wędzki dokonał oceny 12 przedsiębiorstw postawionych w stan upadłości. Dane dotyczące tych firm pochodziły z Sądu Gospodarczo-Rejestrowego w Krakowie i obejmowały one okres 1995-1996. Na podstawie badań uzyskał on wskaźniki, które charakteryzują się najlepszą predykcją oceny stanu zagrożenia bankructwem (w okresie roku przed ogłoszeniem upadłości)53. Wyniki tych badań przedstawia tabela 9. Tabela 9: Zestawienie wskaźników uznanych za najlepsze predyktory zagrożenia upadłością wraz z odpowiadającymi im wartościami krytycznymi na podstawie badań Wędzkiego 1) 2) 3) 4) 5) 6) 7) Rodzaj wskaźnika wskaźnik bieżącej płynności finansowej wskaźnik szybki płynności finansowej wskaźnik zadłużenia ogólnego cykl zobowiązań bieżących rentowność netto przychodów rentowność netto aktywów koszty działalności operacyjnej / sprzedaż Wartości krytyczne <1 <0,75 >67% >85 dni <0 <0 >1 źródło: Wędzki, dz.cyt.. , s. 60. Podobne badania przeprowadzili Sojak i Stawicki54. Objęli oni analizą 58 przedsiębiorstw, obliczając 20 wskaźników finansowych na podstawie informacji pochodzących z 1998 roku. W przeciwieństwie do poprzednich badań próba badawcza została podzielona na trzy grupy: przedsiębiorstwa dobre, średnie i złe (można przypuszczać, że przedsiębiorstwa uznane za złe to takie, które są zagrożone upadkiem). Autorzy wytypowali następnie (za pomocą techniki zwanej analizą skupień) spośród 20 wskaźników 11, które w sposób najlepszy dyskryminują grupy. Następnie spośród tych 11 wskaźników wybrano 7 najlepszych i na podstawie nich zbudowano trzy funkcje klasyfikacyjne (przedsiębiorstwa były kwalifikowane do tych grup, dla których uzyskały największą wartość funkcji klasyfikacyjnej). Poszczególne funkcje klasyfikacyjne, wraz z odpowiadającymi im wagami przedstawia tabela 10. Tabela 10: Funkcje klasyfikacyjne w modelu Sojaka i Stawickiego WSKAŹNIKI Grupa „złe” -0,1144 Grupa Grupa „dobre” „średnie” -0,0153 -0,0586 (wynik finansowy netto / przeciętna wartość majątku obrotowego) • 100 (aktywa obrotowe – zapasy – rozliczenia m/o czynne)/ zobowiązania +0,5178 +2,0482 -3,3608 krótkoterminowe przeciętny kapitał pracujący / przeciętna wartość aktywów -20,4475 +9,6370 +10,7088 (wynik finansowy netto / przeciętna wartość kapitału własnego) • 100 -0,0661 +0,1714 +0,1455 (wynik finansowy netto / przeciętna wartość majątku trwałego) • 100 +0,0663 -0,0091 -0,0660 (wynik finansowy netto + odsetki od kapitałów obcych – podatek -50,4610 -15,7800 +4,5837 dochodowy) / przeciętna wartość aktywów aktywa obrotowe / zobowiązania krótkoterminowe +1,8358 -0,0018 +2,4329 stała -11,6499 -5,9920 -2,3393 źródło: S. Sojak, J. Stawicki: dz. cyt., s.66 Powyższy model pozwolił zakwalifikować przedsiębiorstwa, które stanowiły próbę badawczą do odpowiedniej grupy ze sprawnością 93,1%. Autorzy ponadto zaproponowali model zbudowany na podstawie 3 wskaźników, Okazało się jednak, że wyniki były gorsze. Sprawność tego modelu wyniosła 84,48%. Aby zobrazować sposób wykorzystania powyższych modeli opracowanych na podstawie analizy dyskryminacyjnej posłużę się przykładem pewnego przedsiębiorstwa. PRZYKŁAD Sprawozdania finansowe spółki z o.o. „Glinik” sporządzone na dzień 31 grudnia 1999 r. lub za okres 1999 przedstawiają się następująco (sprawozdania przekształcono, tak aby uwzględniały one wprowadzone w 2001 roku zmiany w ustawie o rachunkowości; ponadto bilans przedstawiono w formie uproszczonej, gdyż taka forma jest wystarczająca do przeprowadzenia analizy): 52 A. Michaluk: dz. cyt., s.133. Zob. D.Wędzki, dz.cyt.; s. 54-60 54 S. Sojak, J. Stawicki: dz. cyt., s. 57. 53 Jak rozpoznać potencjalnego bankruta ? Tabela 11: Bilans sporządzony na 31 grudnia 1999 r. w PLN początek koniec treść 1999 1999 treść Aktywa A. Aktywa trwałe I. Wartości niematerialne i prawne II. Rzeczowe aktywa trwałe III. Należności długoterminowe IV. Inwestycje długoterminowe V. Długoterminowe rozliczenia międzyokresowe B. Aktywa obrotowe I. Zapasy II. Należności krótkoterminowe III. Inwestycje krótkoterminowe IV.Krótkoterminowe rozliczenia międzyokresowe AKTYWA RAZEM 17 początek 1999 koniec 1999 Pasywa 69 993 395,08 333 155,70 35 227 956,32 0,00 34 432 283,06 0,00 11 834 691,87 123 962,09 10 981 800,36 62 625 775,14 A. Kapitał 133 512,78 (fundusz) własny 60 729 418,82 46 930 910,04 B. Zobowiązania i 26 475 894,20 rezerwy na zobowiązania 0,00 I. Rezerwy na zobowiązania 36 016 368,16 II. Zobowiązania długoterminowe 0,00 III. Zobowiązania krótkoterminowe IV. Rozliczenia 8 402 444,49 międzyokresowe 51 020,32 8 141 010,16 21 098 668,13 24 097 309,59 4 763 917,29 6 656 179,69 1 875 297,06 0,00 10 883 201,89 15 181 258,64 3 576 251,89 2 259 871,26 81 828 086,95 71 028 219,63 728 929,42 210 414,01 0,00 0,00 81 828 086,95 71 028 219,63 PASYWA RAZEM Tabela 12: Rachunek zysków i strat sporządzony za rok 1999 w PLN treść 1999 A. Przychody netto ze sprzedaży produktów, towarów i materiałów w tym: 23 020 704,61 - od jednostek powiązanych 0,00 I. Przychody netto ze sprzedaży produktów 22 205 660,27 II. Przychody netto ze sprzedaży towarów i materiałów 815 044,34 B. Koszty sprzedanych produktów, towarów i materiałów, w tym: 20 677 147,43 - jednostkom powiązanym 0,00 I. Koszt wytworzenia sprzedanych produktów 20 298 035,97 II. Wartość sprzedanych towarów i materiałów 379 111,46 C. Zysk (strata) brutto ze sprzedaży (A-B) 2 343 557,18 D. Koszty sprzedaży 0,00 E. Koszty ogólne zarządu 3 503 494,85 F. Zysk (strata) ze sprzedaży (C-D-E) -1 159 937,67 G. Pozostałe przychody operacyjne 6 574 139,54 H. Pozostałe koszty operacyjne 19 525 351,46 I. Zysk (strata) z działalności operacyjnej (F+G-H) -14 111 149,59 J. Przychody finansowe 2 967 678,32 K. Koszty finansowe 3 320 571,04 I. Odsetki, w tym: 1 627 362,32 - dla jednostek powiązanych 0,00 II. Strata ze zbycia inwestycji 0,00 III. Aktualizacja wartości inwestycji 1 514 629,24 IV. Inne 178 579,48 L. Zysk (strata) z działalności gospodarczej (I+J-K) -14 464 042,31 M. Wynik zdarzeń nadzwyczajnych 665 533,53 I. Zyski nadzwyczajne 665 533,53 II. Straty nadzwyczajne 0,00 N. Zysk (strata) brutto (L+M) -13 798 508,78 O. Podatek dochodowy 0,00 P. Pozostałe obowiązkowe zmniejszenia zysku (zwiększenia straty) 0,00 R. Zysk (strata) netto (N-O-P) -13 798 508,78 źródło: opracowanie własne na podstawie sprawozdania finansowego spółki „Glinik”, Monitor Polski B nr 421 z 2000, s.59-62. 18 Błażej Prusak Tabela 13: Zastosowanie modelu Hołdy do oceny zagrożenia upadkiem spółki „Glinik” Model Hołdy rodzaje wskaźników wartości wskaźników wagi wartość wskaźnika • waga stała 0,605 0,605 X1 0,553 0,681 0,377 X2 w [%] 21,374 -0,0196 -0,419 X3 w [%] -18,054 0,00969 -0,175 X4 w dniach 194,023 0,000672 0,130 X5 w razach 0,435 0,157 0,068 Suma 0,587 źródło: opracowanie własne Przy obliczaniu poszczególnych wskaźników wykorzystano wskazówki autora tego modelu, tzn.55: • jako koszt sprzedanych produktów towarów i materiałów przyjęto łączną kwotę kosztów operacyjnych bez uwzględnienia pozostałych kosztów operacyjnych, • średnioroczny majątek ogółem został obliczony jako wartość sumy aktywów na koniec 1999 i aktywów na początek 1999, podzielonych przez 2; w analogiczny sposób została obliczona wartość średniorocznych zobowiązań krótkoterminowych, • przychody z ogółu działalności obliczono jako sumę przychodów ze sprzedaży produktów, towarów i materiałów; pozostałych przychodów operacyjnych; przychodów finansowych i zysków nadzwyczajnych. Na podstawie obliczonej powyżej wartości funkcji tego modelu dla tego modelu, która wynosi 0,587 należałoby zakwalifikować spółkę do przedsiębiorstw niezagrożonych upadłością (wartość funkcji jest większa od 0). Wartość ta wykracza także poza tzw. obszar niepewności (-0,03;0,1). Tabela 14: Zastosowanie funkcji klasyfikacyjnych modelu Sojaka i Stawickiego do oceny sytuacji finansowej spółki „ Glinik” l.p. Grupa "złe" Grupa "dobre" Grupa "średnie" wartość wartość wartość wartości wskaźnika wskaźnika wskaźnika wskaźniki wskaźników wagi • waga wagi • waga wagi • waga X1 -136,37 -0,1144 15,60 -0,0153 2,09 -0,0586 7,99 X2 0,55 0,5178 0,28 2,0482 1,13 -3,3608 -1,85 X3 -0,04 -20,4475 0,78 9,637 -0,37 10,7088 -0,41 X4 -25,63 0,0661 -1,69 0,1714 -4,39 0,1455 -3,73 X5 -5,20 0,0663 -0,34 -0,0091 0,05 -0,066 0,34 X6 -0,16 -50,461 8,04 -15,78 2,51 4,5837 -0,73 X7 0,55 1,8358 1,02 -0,0018 0,00 2,4329 1,35 Stała - -11,6499 -11,65 -5,992 -5,99 -2,3393 -2,34 Suma 12,03 -4,98 0,63 źródło: opracowanie własne Poszczególne symbole wskaźników, tzn. od X1 do X7 są odpowiednikiem wskaźników, które zostały zawarte w tabeli 10, (wg tej samej kolejności). Najwyższa wartość funkcji klasyfikacyjnej odpowiada grupie przedsiębiorstw uznanych jako „złe”, czyli spółkę „Glinik” na podstawie tego modelu należy zaklasyfikować do przedsiębiorstw o złej kondycji finansowej. Podsumowując ocenę sytuacji spółki „Glinik”, metoda Hołdy nie wskazywała na poważne trudności spółki, natomiast na podstawie modelu Sojaka i Stawickiego można zauważyć, że kondycja spółki jest zła. Biorąc pod uwagę fakt, że spółka ogłosiła upadłość w dniu 01-01-09 model Sojaka i Stawickiego dał w tym przypadku o wiele lepszy rezultat niż model Hołdy. Przykład ten nie jednak ma na celu weryfikacji obydwu modeli w zakresie badania zagrożenia upadłością przedsiębiorstw, tylko pokazanie zastosowania tego typu metod do oceny kondycji ekonomicznej przedsiębiorstwa. Na podstawie jednego obiektu nie można bowiem określić, czy model pozwala dobrze ocenić przyszłą kondycję przedsiębiorstw. Aby to zweryfikować należałoby przeprowadzić badania na większej próbie przedsiębiorstw. Zdaniem Bednarskiego, w przypadku badania zagrożenia upadłością przedsiębiorstw w warunkach polskich na szczególną uwagę zasługują następujące wskaźniki56: 55 56 Por. A. Hołda, dz. cyt., s.308 L. Bednarski: Symptomy i ocena zagrożeń sytuacji finansowej przedsiębiorstwa, dz. cyt., s. 48. Jak rozpoznać potencjalnego bankruta ? 1) 2) 3) 4) 5) 19 płynność bieżąca ( aktywa obrotowe / zobowiązania krótkoterminowe) poziom ogólnego zadłużenia (zobowiązania ogółem / aktywa ogółem) rentowność netto sprzedaży ( zysk netto / przychody ze sprzedaży) stopień pokrycia zobowiązań z nadwyżki finansowej {(zysk netto + amortyzacja) / zobowiązania ogółem) rentowność kapitału własnego (zysk netto / kapitał własny bez zysku netto) Na podstawie powyższych badań oraz publikacji można wyciągnąć następujące wnioski w stosunku do polskich modeli: 1. Próba, na podstawie której szacowano modele liczyła mniej niż 100 przedsiębiorstw. Liczba przedsiębiorstw, które uznano za upadłe była z małymi wyjątkami równa liczbie przedsiębiorstw niezagrożonych upadkiem. Tak niskie liczebności prób mogły wynikać z trudności w uzyskaniu niezbędnych danych. Należy jednak zauważyć, że wiele zagranicznych modeli zostało opracowanych na podstawie podobnej wielkości próbie przedsiębiorstw. 2. Przynależność do grupy upadłych przedsiębiorstw została ustalona na podstawie następujących kryteriów: a) rozpoczęcie procesu likwidacji spowodowanej sytuacją finansową (Gajdka, Stos) b) układ sądowy z wierzycielami (Gajdka, Stos) c) ugoda bankowa (Gajdka, Stos) d) postawienie w stan upadłości, czego konsekwencją było zaniechanie wysyłania danych do GUS-u (Hołda) e) postawienie w stan upadłości (Hadasik, Mejer, Wędzki, Michaluk) 3. Próba przedsiębiorstw wykorzystywana do zaprognozowania poszczególnych modeli w wielu przypadkach nie była homogeniczna. Model D. Hadasik został zbudowany głównie w wyniku badań przedsiębiorstw państwowych, model Mejera na podstawie zarówno przedsiębiorstw notowanych na giełdzie, jak i przedsiębiorstw spoza GPW. Przedsiębiorstwa w tym przypadku stanowiły jednak grupę jednostek produkcyjnych. Należy jednak przypuszczać, że większość przedsiębiorstw giełdowych to te, które zostały zaliczone do grupy przedsiębiorstw niezagrożonych upadkiem, gdyż liczba ogłoszonych upadłości przedsiębiorstw notowanych na GPW w okresie przeprowadzonych przez Mejera badań była niewielka (mimo wszystko tę próbę należałoby uznać za względnie homogeniczną). Gajdka i Stos wykorzystali w swoich badaniach przedsiębiorstwa handlowe oraz przedsiębiorstwa z branży przemysłowej i budowlanej. Modele opracowane przez Michaluka uwzględniały przedsiębiorstwa spoza sektora bankowego i ubezpieczeń. Także tej grupy nie może uznać za względnie homogeniczną. W badaniach Wędzkiego uwzględniono tylko przedsiębiorstwa z okręgu Krakowa, a ponadto próba ta liczyła 12 jednostek. Próby takiej nie można uznać za reprezentatywną. Za względnie homogeniczną można uznać próbę przedsiębiorstw, służącą do oszacowania modelu Hołdy. Przedsiębiorstwa te zostały zakwalifikowane na podstawie EKD (między nr 45 a 74). Aczkolwiek takie rozbieżności w klasach EKD mogą powodować, że grupa ta nie będzie również homogeniczna. Brak uzyskania homogenicznej próby przedsiębiorstw wynika z kilku przesłanek: po pierwsze w przypadku prognozowania modeli oszacowanych na podstawie danych pochodzących z początku i połowy lat dziewięćdziesiątych uzyskanie jakichkolwiek informacji o upadłych przedsiębiorstwach w tym okresie było niesłychanie trudne i wiązało się z ewentualnym ich udostępnieniem przez sądy okręgowe (obecnie istnieje łatwiejszy dostęp do takich informacji, gdyż część sprawozdań finansowych jest dostępna w Monitorze B); po drugie w przypadku prognozowania zagrożenia upadłością spółek notowanych na GPW liczba przedsiębiorstw zagrożonych upadłością jest nadal bardzo mała; po trzecie stosunkowo trudno jest uzyskać liczną grupę upadłych i odpowiadającą jej grupę przedsiębiorstw dobrze funkcjonujących z jednej lub z kilku powiązanych ze sobą branż. Należy jednak zdawać sobie sprawę, że zbyt duże zawężenie próby przedsiębiorstw np. tylko do jednej branży ogranicza możliwości wykorzystania takiego modelu. Wydaje się, że najrozsądniejszym rozwiązaniem jest znalezienie złotego środka. Można np. połączyć kilka branż, badać przedsiębiorstwa produkcyjne lub usługowe, czy handlowe. Ponadto powinny być to przedsiębiorstwa nie odbiegające bardzo znacznie rozmiarami (wielkość przedsiębiorstwa można mierzyć np. na podstawie liczby osób zatrudnionych, wartości aktywów itp.). 4. Dynamiczne zmiany uwarunkowań gospodarczych w Polsce wpływają na uzyskiwanie mniejszej efektywności modeli prognozowania zagrożenia upadłością. Wiele zjawisk o charakterze gospodarczym jest nadal trudno przewidywalna. Może to wpłynąć po pierwsze na to, że modele prognozowania upadłości szybko się dezaktualizują, a ich efektywność maleje z upływem czasu; po drugie pogorszenie sytuacji finansowej przedsiębiorstw może nastąpić nagle bez wygenerowania wcześniejszych sygnałów o zagrożeniu egzystencji przedsiębiorstwa (lub te sygnały nie są jednoznaczne). Sytuacja taka nie 20 5. 6. Błażej Prusak występuje w gospodarkach ustabilizowanych, gdzie trudności finansowe przedsiębiorstw mają z reguły charakter długookresowy i są w związku z tym łatwiejsze do przewidzenia. W powyższych metodach do prognozowania upadłości wykorzystano głównie wskaźniki płynności, rentowności i zadłużenia. Wskaźniki te charakteryzowały się największą zdolnością do prognozowania upadłości w warunkach polskich. Obecnie w warunkach polskich, niewielkie znacznie w tego rodzaju badaniach należy przypisywać wskaźnikom opartym na przepływach pieniężnych Mimo powyższych trudności wydaje się, że próba szacowania modeli w warunkach polskich ma sens. BIBLIOGRAFIA [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] A.D. Aczel: Statystyka w zarządzaniu, PWN, Warszawa 2000. M. Allerhand (komentarz): Prawo upadłościowe, wyd. Studio Stu, Bielsko-Biała 1999. E. I. Altman: Predicting financial distress of companies: revisiting the Z-score and ZETA® models, http://www.stern.nyu.edu/~ealtman/Zscores.pdf, July 2000. B.Back, T.Laitinen, K.Sere, M. van Wezel: Choosing bankruptcy predictors using discriminant analysis, logit analysis and genetic algorithms. http://www.ec.com/cache/papers2/cs/5981/http:zSzzSzwww.cwi.nlzSz~michielzSzpaperszSztrtucs96.4 0.pdf/choosing-bankruptcy-predictors-using.pdf. L. Bednarski: Symptomy i ocena zagrożeń sytuacji finansowej przedsiębiorstwa, Pieniądze i Więź nr 1 (2) 1999. H. Beaver: Alternative Accounting Measures As Predictors of Failure, Accounting Review, Jan68, Vol. 43 Issue 1. B. Caouette, E.I. Altman, P. Narayanan: Managing Credit Risk. John Wiley & Sons, 1998. M.T. Dugan, C. V. Zavgren: Bankruptcy Prediction Research: A Valuable Instructional Tool, Issues in Accounting Education, Spring88, Vol. 3 Issue 1, p54, 17p. K. M. Fanning, K. O. Cogger: A Comparative Analysis of Artificial Neural Networks Using Financial Distress Prediction, http://peakconsulting.com/ijis1.pdf, s.3 (artykuł ten został opublikowany w International Journal of Intelligent Systems in Accounting. Finance, and Management, vol. 3. R. Gasza: Związek między wynikami analizy typu Altmana, a kształtowaniem się kursów akcji wybranych spółek giełdowych w Polsce, Bank i Kredyt nr 3/1997. J.S. Grice: Bankruptcy prediction models and going concern audit opinions before and after. SAS, No.59 - http://www.westga.edu/~bquest/2000/bankrupt.html. S. Gurgul (wprowadzenie): Prawo upadłościowe i układowe, wyd. C.H. BECK, Warszawa 2000. D. Hadasik: Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, AE w Poznaniu, Poznań 1998. J. Hekanaho, B. Back, K. Sere, T. Laitinen: Analysing Bankruptcy Data with Multiple Methods. http://citeseer.nj.nec.com/cache/papers2/cs/10191/http:zSzzSzwww.abo.fizSz~hekanahozSzmsl98bankr.pdf/hekanaho98analysing.pdf. A. Hołda: Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH. Rachunkowość nr 5/2001. A. J. Irani: Why do firms in financial distress issue optimistic earnings forecast? Some evidence from insider trading. http://www.unh.edu/acfi/paper-afshad.PDF. A. Janc, M. Kraska: Credit – scoring, Biblioteka Menedżera i Bankowca, Warszawa 2001. B. Jasinkiewicz, R. Kowalkowski, Z. Koźma, A. Lewandowski, M. Oźóg: Prawo upadłościowe i układowe, ODDK, Gdańsk 2001. W. Kuryłek: Credit scoring – podejście statystyczne, Bank i Kredyt nr 6/2000. D.Mejer: Analiza dyskryminacyjna, Bank 06/2000. K. Michaluk: Wyniki badań nad metodami przewidywania zagrożenia upadłością w warunkach polskich, Firma i Rynek nr 1/2 2001. Monitor Polski B nr 421 z 2000. H.Ooghe, H.Claus, N.Sierens, J. Camerlynck: International Comparison of Failure Prediction Models From Diffrent Countries: An empirical Analysis, Department of Corporate Finance, September 1999, nr 99/79 - http://fetew.rug.ac.be/WP/Papers/wp_99_79.pdf. Rozporządzenie Prezydenta Rzeczpospolitej z dnia 24 października 1934 r. – Prawo upadłościowe, Dz. U. Z 1991r. , nr 18, poz. 80 ze zm. A. Rutkowski: Prognozowanie zagrożenia upadłością na podstawie sprawozdań finansowych, Nasz Rynek Kapitałowy nr 4/99. Sands & Associates, Insolvency prediction, http://www.sands-trustee.com/insolart.htm. J.G. Siegel, J.K. Shim, S.W. Hartman: Przewodnik po finansach, PWN, Warszawa 1995. Jak rozpoznać potencjalnego bankruta ? [28] [29] [30] [31] [32] [33] [34] [35] [36] 21 S. Sojak, J. Stawicki: Wykorzystanie metod taksonomicznych do oceny kondycji ekonomicznej przedsiębiorstw, pod. red. L. Bednarskiego: Zeszyty Teoretyczne Rachunkowości, tom 3 (59), Warszawa 2001. STATISTICA.PL, wyd. StatSoft, Kraków 1997. R.J.Taffler: Rational asset pricing and bankruptcy risk: a z-score perspective, http://www.hkkk.fi/efa99/papers/65.pdf. D.Wędzki: Problem wykorzystania analizy wskaźnikowej do przewidywania upadłości polskich przedsiębiorstw - studium przypadków, Bank i Kredyt 5/2000. D. Witkowska: Sztuczne sieci neuronowe i metody statystyczne. C. H. BECK, Warszawa 2002. D. Zarzecki: O metodach oceny zagrożenia bankructwem i możliwościach ich wykorzystania w Polsce, Rynek kapitałowy cz. I., wyd. Uniwersytet Szczeciński, Szczecin 2000. A. Zelek: Wczesna identyfikacja kryzysu finansowego ucieczką od bankructwa, Przegląd organizacji nr 2/2002. F. Zedler: Prawo upadłościowe i układowe. wyd. TNOiK „Dom Organizatora”, Toruń 1999. K. Zimniewicz: Nauka o organizacji i zarządzaniu, PWN, Warszawa-1990. How to recognize a potential bankrupt? The article depicts different models of predicting a potential bankruptcy of a company. The models presented in the article are based on a multiple discriminant analysis. What’s more, the article presents an example of practical application of two selected Polish models, used for predicting a company’s bankruptcy.