ZASTOSOWANIE DRZEW KLASYFIKACYJNYCH DO BADANIA KONDYCJI FINANSOWEJ PRZEDSIĘBIORSTW SEKTORA ROLNO-SPOŻYWCZEGO

Transkrypt

1 120 Krzyszof STOWARZYSZENIE Gajowniczek, Tomasz Ząbkowski, EKONOMISTÓW Michał Goskowski ROLNICTWA I AGROBIZNESU Roczniki Naukowe om XVI zeszy 6 Krzyszof Gajowniczek, Tomasz Ząbkowski, Michał Goskowski Szkoła Główna Gospodarswa Wiejskiego w Warszawie ZASTOSOWANIE DRZEW KLASYFIKACYJNYCH DO BADANIA KONDYCJI FINANSOWEJ PRZEDSIĘBIORSTW SEKTORA ROLNO-SPOŻYWCZEGO APPLICATION OF THE CLASSIFICATION TREES FOR THE REASERCH OF FINANCIAL STANDING OF THE ENTERPRISES IN AGRI-FOOD SECTOR Słowa kluczowe: drzewa klasyfikacyjne, kondycja finansowa przedsiębiorsw Key words: classificaion rees, financial sanding of he enerprises Absrak. Celem pracy była empiryczna weryfikacja przydaności wykorzysania modeli klasyfikacyjnych do oceny kondycji finansowej przedsiębiorsw sekora rolno-spożywczego oraz na ich podsawie wyznaczenie deerminan poziomu kondycji finansowej badanych przedsiębiorsw. Badania oparo na wynikach ankie przeprowadzonych w laach w 501 przedsiębiorswach. Syuacja finansowa jes jedną z najisoniejszych kwesii dla zarządzania przedsiębiorswem. Problemy finansowe przedsiębiorswa mogą przyczynić się do niewypłacalności, dlaego analiza kondycji finansowej jes niezbędna nie ylko do bieżącego zarządzania, ale akże do uchronienia przed negaywnymi skukami spadku koniunkury. Dosrzeżone odpowiednio wcześnie sygnały osrzegawcze i podjęe na ich podsawie decyzje mogą zapobiec upadłości przedsiębiorswa. Wsęp Dynamiczny rozwój gospodarczy przedsiębiorsw wiąże się ze wzrosem sopnia niepewności i ryzykiem popełnienia błędów przy podejmowaniu decyzji na szczeblu zarządczym. Dlaego dobór odpowiednich insrumenów finansowych, umożliwia moniorowanie działalności gospodarczej z punku widzenia efekywnego zarządzania finansami w zakresie inwesowania w akywa przedsiębiorswa. Ogólnoświaowy kryzys gospodarczy pokazał jak isone jes ciągłe moniorowanie syuacji finansowej przedsiębiorswa. Tylko dzięki wczesnemu wykryciu nieprawidłowości, firma może podjąć działania zapobiegawcze i uchronić się przed upadłością. Niezwykle isone, zaem saje się wykorzysanie sprawdzonych narzędzi analiycznych, pozwalających przewidzieć zagrożenia i w efekcie odpowiednio wcześniej podjąć działania naprawcze. Ocena kondycji finansowej przedsiębiorswa sanowi isony insrumen zarządzania przedsiębiorswem. Jes ona wykorzysywana zarówno jako niezależny insrumen wspomagający zarządzanie, jak i elemen sysemów rachunkowości zarządczej lub conrollingu. Najczęściej, do oceny wykorzysuje się analizę sprawozdań finansowych i analizę wskaźnikową [Anonowicz 2007]. Jednak coraz częściej menadżerowie sięgają po inne meody będące w sanie z wyprzedzeniem zidenyfikować sympomy pogarszającej się syuacji przedsiębiorswa, dlaego w osanim czasie wzrosło znaczenie zasosowania predykcyjnych modeli saysycznych [Hamrol i in. 2004, Chrzanowska i in. 2009]. Zasosowanie predykcyjnych modeli saysycznych do oceny syuacji finansowej przedsiębiorswa ma oczywiście swoje ograniczenia. Jedną z głównych wad zasosowania modeli saysycznych jes brak uwzględnienia specyficznych i wyjąkowych oraz niewymiernych finansowo wielkości, akich jak: szanse rozwojowe, san koniunkury, pozycja przedsiębiorswa na rynku lub nasroje wśród pracowników. Jednak ze względu na ławość zasosowania, niewielką pracochłonność, a przede wszyskim sosunkowo dużą wiarygodność, modele saysyczne są szczególnie użyeczne, gdy celem badań jes podział badanych przedsiębiorsw na sabilne finansowo oraz akie, kóre znajdują się w rudnej kondycji. Wyodrębnione aką drogą przedsiębiorswa

2 Zasosowanie drzew klasyfikacyjnych do badania kondycji finansowej przedsiębiorsw sekora znajdujące się w korzysnej syuacji finansowej mogą sanowić wzorzec w procesie promowania sprawdzonych rozwiązań. Ocena kondycji finansowej przedsiębiorswa powinna zaem przyczyniać się do opymalizacji zysków i nadwyżki finansowej. Powinna ona służyć zarządzaniu, zarówno bieżącemu, jak i sraegicznemu, a akże dać jednosce obraz, co o jej syuacji finansowej mogą myśleć konrahenci oraz wierzyciele. Sysemayczna i skrupulana analiza pozwoli przedsiębiorswu wykryć ewenualne zagrożenia w konynuacji działalności w celu ich zniwelowania w począkowym sadium. Celem badań była empiryczna weryfikacja przydaności wykorzysania drzew klasyfikacyjnych do oceny kondycji finansowej przedsiębiorsw sekora rolno-spożywczego oraz na ich podsawie wyznaczenie deerminan poziomu kondycji finansowej badanych przedsiębiorsw. Maeriał i meodyka badań Badania oparo na wynikach ankie przeprowadzonych w laach wśród przedsiębiorsw z sekora rolno-spożywczego. Ankiey zosały rozesłane do 10 ys. losowo wybranych przedsiębiorsw przewórswa mięsa, mleka, zbóż oraz przewórswa owoców i warzyw, odpowiedzi uzyskano z 507 przedsiębiorsw. Do dalszej analizy wykorzysano 501 ankie niezawierających braków w danych w zesawie odpowiedzi. Ankiea wysosowana do przedsiębiorsw zawierała 58 pyań o zróżnicowanej formie, w kórej wysępowały głównie pyania zamknięe. Wśród pyań można wyznaczyć nasępujące obszary emayczne: (1) ogólne informacje o przedsiębiorswie, (2) organizacja i zarządzanie logisyką, (3) zapasy, (4) magazynowanie i magazyny, (5) opakowania i logisyka zwrona, (6) ranspor, (7) zarządzanie informacją i informayka. Badane przedsiębiorswa zajmowały się produkcją wyrobów piekarskich i mącznych (42%), przewórswem mięsa (23%), pozosałych arykułów spożywczych (9%), wywarzaniem produków przemiału zbóż i skrobi (8%), przewórswem owoców i warzyw (6%), wywarzaniem wyrobów mleczarskich (5%), produkcją goowych pasz dla zwierzą (3%), napojów (3%), olejów i łuszczów (1%). W badanej próbie srukura przedsiębiorsw według liczby zarudnionych osób przedsawiała się nasępująco: mikro (12%), małe (62%), średnie (20%) oraz duże (6%). W przeprowadzonych badaniach wykorzysano predykcyjne modele saysyczne opare o drzewa klasyfikacyjne, z uwagi na możliwość przedsawienia orzymanych wyników w formie reguł decyzyjnych oraz wyboru zmiennych niezależnych najbardziej wpływających na poziom kondycji finansowej przedsiębiorsw. Konsrukcja binarnych drzew klasyfikacyjnych polega na sekwencyjnym dzieleniu podzbiorów przesrzeni próby X, na dwa rozłączne i dopełniające się podzbiory. W każdym kroku podział dokonywany jes ak, aby uzyskane podzbiory były możliwie jednorodne. Opisany powyżej proces można przedsawić graficznie za pomocą grafu spójnego bez cykli, czyli drzewa [Breiman i in. 1984]. Rysunek 1. Model prosego drzewa klasyfikacyjnego Figure 1. Model of he simple classificaion ree korzeń/ roo węzeł decyzyjny/ decision node węzeł decyzyjny/ decision node liść/ leaf liść/ leaf liść/ leaf liść/ leaf

3 122 Krzyszof Gajowniczek, Tomasz Ząbkowski, Michał Goskowski Niech T oznacza drzewo klasyfikacyjne, naomias węzły decyzyjne (wierzchołki) uożsamia się z podzbiorami przesrzeni X i oznacza się lierą. Węzły odpowiadające podzbiorom końcowym nazywa się liśćmi, a zbiór wszyskich liści drzewa T oznacza się przez T ~. Przykładową syuację przedsawiono na rysunku 1, ilusrującym drzewo o 3 węzłach decyzyjnych oraz 4 liściach. Cechą charakerysyczną drzewa klasyfikacyjnego są związane z nim dwie funkcje. Określona na zbiorze liści T ~ funkcja I przyporządkowująca każdemu z nich eykieę ze zbioru klas G oraz określona dla każdego węzła decyzyjnego funkcja podziału s. Ta osania każdemu elemenowi węzła przyporządkowuje jedną z dwóch warości prawda lub fałsz f oraz prawdopodobieńswa przynależności do nowych węzłów pˆ n( ) n( f ) =, pˆ =. Wynika z ego, że każdy n( ) n( ) model zbudowany na podsawie drzewa klasyfikacyjnego T ma posać: d ˆ = I( ) I( x T ), gdzie I jes funkcją wskaźnikową. Ponado, dla dowolnego obieku (x i, y i ), i = 1,..., N określa J j = 1 się prawdopodobieńswa p( ) = P( x ), p ( j) = P( x y = j), gdzie ze wzoru na prawdopodobieńswo całkowie p( ) = π p( j) wynika, że π j jes prawdopodobieńswem a priori j ego, że obiek należy do j-ej klasy. Ważnym zagadnieniem jes wybór odpowiedniej funkcji podziału s i związanej z nią miary niejednorodności i() elemenów w węźle. Miarę niejednorodności w węźle można zdefiniować =, gdzie w omawianym badaniu posacią funkcji Q jes indeks J 2 Giniego: Q( p J ) = 1 j = p 1 j. Celem modelu jes przewidzenie klasy wyróżnionej (pozyywnej), w związku z czym poprawne decyzje o: prawidłowe wskazanie klasy wyróżnionej (ang. True Posiive TP) oraz klasy niewyróżnionej (negaywnej) (ang. True Negaive TN). Błąd zosanie popełniony w przypadku, gdy model błędnie wskaże wyróżnioną klasę (ang. False Posive FP) lub nie, gdy powinien ją wskazać (ang. False Negaive FN). Wyniki działania reguły sumarycznie można przedsawić za pomocą nasępującej macierzy klasyfikacji [Sehman 1997] (ab. 1). Suma liczb w pierwszym wierszu wskazuje prawdziwą liczbę przypadków pozyywnych (ab. 1), naomias suma liczb w drugim wierszu przypadków negaywnych. Pierwsza kolumna wskazuje liczbę zaklasyfikowanych przypadków przez regułę do kaegorii obserwacji pozyywnych, zaś druga kolumna liczbę zaklasyfikowanych obserwacji do kaegorii negaywnej. Najlepszy model o aki, kóry maksymalizuje całkowią liczbę poprawnych klasyfikacji: jako i( ) Q( p(1 ),, p( J ) ) T T TP +TN TP + FP + TN + FN max Tabela 1. Macierz klasyfikacji Table 1. Classificaion marix Warość rzeczywisa/ Real value pozyywna/posiive (P) negaywna/negaive (N) Warość przewidywana/prediced value pozyywna/posiive (P) negaywna/negaive (N) prawdziwe pozyywne/ rue posiive (TP) fałszywe pozyywne/ false posiive (FP) fałszywe negaywne/ false negaive (FN) prawdziwe negaywne/ rue negaive (TN)

4 Zasosowanie drzew klasyfikacyjnych do badania kondycji finansowej przedsiębiorsw sekora W przeprowadzonym badaniu na eapie podziału oryginalnego zbioru danych nie użyo sandardowego podejścia, kóre wydziela zbiór uczący oraz zbiór esowy, naomias zaproponowane zosało podejście wykorzysujące 10-krony sprawdzian krzyżowy. Generowany jes zbiór uczący zawierający 90% wszyskich obserwacji oraz zbiór esowy zawierający pozosałe obserwacje. Na ak podzielonym zbiorze jes budowany model, kórego jakość jes nasępnie sprawdzana na zbiorze esowym. Nasępnie oryginalny zbiór kolejny raz jes dzielony w akich samych proporcjach na zbiór uczący oraz esowy, z ym, że za każdym razem przez losowanie do obydwu zbiorów wchodzą różne obserwacje. Cała procedura jes powarzana 10 razy, po czym w celu obliczenia osaecznego błędu rozpoznawania, uzyskane wyniki cząskowe uśrednia się. Wyniki badań Opierając się na wynikach badań, spośród 57 poencjalnych cech objaśniających algorym drzew klasyfikacyjnych za najbardziej isone uznał nasępujące zmienne: P6 subiekywna ocena pozycji rynkowej przedsiębiorswa przypisana korzeń/ przez osobę wypełniającą ankieę, P4 subiekywna ocena skali procesów inwesycyjnych zachodzących w firmie, P35 sopień sandaryzacji roo wykorzysywanych opakowań, P15 planowanie inwesycji w powierzchnie magazynowe, P9 posiadanie odrębnego działu ransporowego. Konsruując drzewo klasyfikacyjne (rys. 2) zosały wygenerowane nasępujące węzeł decyzyjny/ reguły decyzyjne w wynikowych liściach: węzeł decyzyjny/ liść nr 3: jeżeli P6 decision jes node bardzo dobra lub raczej dobra o z decision prawdopodobieńswem node 95% kondycja przedsiębiorswa jes dobra, liść nr 7: jeżeli P6 jes raczej zła lub bardzo zła oraz P4 jes poniżej warości zużycia mająku rwałego lub brak oraz P15 jes ak o z prawdopodobieńswem 80% kondycja przedsiębiorswa liść/ leaf jes dobra, liść/ leaf liść/ leaf liść/ leaf liść nr 8: jeżeli P6 jes raczej zła lub bardzo zła oraz P4 przewyższa warość zużycia mająku rwałego lub wysarcza na odworzenie mająku rwałego oraz P35 jes żaden o z prawdopodobieńswem 63% kondycja przedsiębiorswa jes zła, P6=(raczej zła, bardzo zła)/ (raher bad, very bad) 1 P6=(bardzo dobra, raczej dobra)/ (very good, rahergood) P4=(poniżej warości zużycia mająku rwałego, brak)/ (below he value of consumpion of fixed capial, lack) P9=(Nie)/ (No) P15=(Nie)/ (No) 6 P9=(Tak)/ (Yes) P15=(Tak)/ (Yes) 7 P4=(przewyższa warość zużycia mająku rwałego, wysarcza na odworzenie mająku rwałego)/ (exceeds he value of consumpion of fixed capial, sufficien for resoraion of fixed capial) P35=(żaden)/ (none) P35=(wysoki, raczej wysoki, raczej niski, niski)/ (high, raher high, raher low, low) Rysunek 2. Srukura finalnego drzewa klasyfikacyjnego Figure 2. Srucure of he final classificaion ree

5 124 Krzyszof Gajowniczek, Tomasz Ząbkowski, Michał Goskowski liść nr 9: jeżeli P6 jes raczej zła lub bardzo zła oraz P4 przewyższa warość zużycia mająku rwałego lub wysarcza na odworzenie mająku rwałego oraz P35 jes wysoki, raczej wysoki, raczej niski, niski o z prawdopodobieńswem 80% kondycja przedsiębiorswa jes dobra, liść nr 10: jeżeli P6 jes raczej zła lub bardzo zła oraz P4 jes poniżej warości zużycia mająku rwałego lub brak oraz P15 jes nie oraz P9 jes nie o z prawdopodobieńswem 74% kondycja przedsiębiorswa jes zła. liść nr 11: jeżeli P6 jes raczej zła lub bardzo zła oraz P4 jes poniżej warości zużycia mająku rwałego lub brak oraz P15 jes nie oraz P9 jes ak o z prawdopodobieńswem 61% kondycja przedsiębiorswa jes dobra. Na podsawie wyżej zdefiniowanych reguł decyzyjnych, dokonano klasyfikacji wszyskich przedsiębiorsw na wcześniej zdefiniowane dwie grupy. Analizując warości umieszczone w abeli 2 można zauważyć, że klasyfikacja przedsiębiorsw na grupy dobra oraz zła jes w 88,6% rafna ((388+56)/501). Na ej podsawie można wierdzić, że zbudowane drzewo klasyfikacyjne w dobrym sopniu odwzorowuje zależności znajdujące się w zbiorze danych. Niepokój jedynie może budzić fak, że w 21 przypadkach model niepoprawnie zaklasyfikował podmioy jako przedsiębiorswa mające dobrą kondycję finansową, pomimo że akiej one nie miały. Podsumowanie Tabela 2. Wyniki klasyfikacji Table 2. Classificaion resuls dobra/ Warość good rzeczywisa/ Real value zła/ bad Warość przewidywana/prediced value dobra/ zła/bad good Wielość oraz różnorodność wskaźników sosowanych w radycyjnej analizie ekonomiczno- -finansowej oraz rudności w ich inerpreacji skłaniają badaczy do poszukiwania meod umożliwiających w sposób jednoznaczny ocenienie syuacji finansowej przedsiębiorswa. Modele klasyfikacyjne spełniają o kryerium, co powoduje, że mają szerokie zasosowanie w prakyce. Charakeryzuje je obiekywizm, wysoka skueczność predykcji oraz prosoa wynikająca z ograniczenia analizy do kilku najważniejszych cech. Orzymany model może sanowić isone uzupełnienie narzędzi wykorzysywanych przez menadżerów do moniorowania syuacji przedsiębiorswa. Badanie sprawozdania finansowego, czy analiza wskaźnikowa w połączeniu ze sworzeniem predykcyjnego modelu saysycznego pozwala wspomagać procesy decyzyjne, np. w sferze działań naprawczych, czy może eż sanowić narzędzie do oceny sabilności syuacji finansowej przedsiębiorswa. Zbudowane modele pozwalają nie ylko dokonać oceny przyszłego zagrożenia upadłością, ale akże służą analizie porównawczej syuacji finansowej różnych podmioów. Sanowią one narzędzie wczesnego osrzegania o powsawaniu nowych zagrożeń lub narasaniu isniejących rudnościach finansowych, dlaego waro je sosować w analizie kondycji finansowej podmioów szczególnie w okresach osłabienia koniunkury gospodarczej. Należy nadmienić, że uzyskane za pomocą modeli klasyfikacyjnych wyniki nie powinny być rakowane jako rozsrzygające. Odpowiednio sosowane mogą w sposób isony wspomagać proces oceny rzeczywisej syuacji finansowej przedsiębiorsw. Podjęy ema sanowi począek badań nad budową wiarygodnego sysemu wczesnego osrzegania przed zagrożeniem bankrucwem w polskich przedsiębiorswach sekora rolno-spożywczego. Realizacja ak nakreślonego problemu badawczego pozwoli dokonać pogłębionej diagnozy przedsiębiorsw przemysłu rolno-spożywczego, ocenić ich sabilność finansową oraz wskazać kierunki poencjalnych działań poprawiających ich funkcjonowanie.

6 Zasosowanie drzew klasyfikacyjnych do badania kondycji finansowej przedsiębiorsw sekora Lieraura Anonowicz P. 2007: Meody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorsw, Wyd. Ośrodek Doradzwa i Doskonalenia Kadr, Gdańsk. Breiman L., Friedman J., Olshen, Sone R. 1984: Classificaion and Regression Tress. Chapman & Hall. Chrzanowska M., Alfaro E., Wikowska D. 2009: The individual borrowers recogniion: Single and ensemble rees, Exper Sysems wih Applicaions, 36, Hamrol M., Czajka B., Piechocki M. 2004: Upadłość przedsiębiorswa model analizy dyskryminacyjnej, Przegląd Organizacji, 6. Sehman S.V. 1997: Selecing and inerpreing measures of hemaic classificaion accuracy. Remoe Sensing of Environmen, 62(1), Summary Financial siuaion is one of he mos imporan issue for he managers. Financial problems of he enerprises could hreaen insolvency ha is why he analysis of financial sanding is essenial no only for curren managemen, bu also for proecion before side effecs of economic downurn. Early enough recogniion of warning signals and good decisions can preven he liquidaion of he companies. The aim of his aricle is he empirical verificaion of he suiabiliy of he use of predicive classificaion models o assess he financial condiion of companies in he agri-food secor and based on heir, he appoinmen of he deerminans affecing he level of he financial condiion of he researched companies. Adres do korespondencji mgr Krzyszof Gajowniczek, dr inż. Tomasz Ząbkowski, mgr Michał Goskowski Szkoła Główna Gospodarswa Wiejskiego w Warszawie Wydział Zasosowań Informayki i Maemayki ul. Nowoursynowska 159, Warszawa omasz_zabkowski@sggw.pl, el. (22) krzyszof_gajowniczek@sggw.pl, el michal_goskowski@sggw.pl, el