JAK DŁUGO ŻYJĄ SPÓŁKI NA POLSKIEJ GIEŁDZIE? ZASTOSOWANIE STATYSTYCZNEJ ANALIZY PRZEŻYCIA DO MODELOWANIA UPADŁOŚCI PRZEDSIĘBIORSTW

Podobne dokumenty
Jak długo żyją spółki na polskiej giełdzie? Zastosowanie statystycznej analizy przeżycia do modelowania upadłości przedsiębiorstw

Analiza przeżycia. Czym zajmuje się analiza przeżycia?

Analiza przeżycia. Czym zajmuje się analiza przeżycia? Jest to analiza czasu trwania, zaprojektowana do analizy tzw.

Analiza przeżycia. Wprowadzenie

Konstrukcja miernika szans na bankructwo firmy

Testowanie hipotez statystycznych. Wnioskowanie statystyczne

3. Modele tendencji czasowej w prognozowaniu

KARTA KURSU. Kod Punktacja ECTS* 1

WSTĘP DO REGRESJI LOGISTYCZNEJ. Dr Wioleta Drobik-Czwarno

166 Wstęp do statystyki matematycznej

6.4 Podstawowe metody statystyczne

Prognozowanie i Symulacje. Wykład I. Matematyczne metody prognozowania

Barometr Finansów Banków (BaFiB) propozycja badania koniunktury w sektorze bankowym

Stanisław Cichocki Natalia Nehrebecka. Wykład 7

17.2. Ocena zadłużenia całkowitego

Etapy modelowania ekonometrycznego

Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji

Statystyka w pracy badawczej nauczyciela Wykład 4: Analiza współzależności. dr inż. Walery Susłow walery.suslow@ie.tu.koszalin.pl

Spis treści 3 SPIS TREŚCI

Matematyka ubezpieczeń majątkowych r.

Joanna Muszyńska, Ewa Zdunek Uniwersytet Mikołaja Kopernika w Toruniu. Ekonometryczna analiza upadłości przedsiębiorstw w Polsce w latach

MODELE LINIOWE. Dr Wioleta Drobik

K wartość kapitału zaangażowanego w proces produkcji, w tys. jp.

Zadanie 1. Liczba szkód N w ciągu roku z pewnego ryzyka ma rozkład geometryczny: k =

Analiza przeżycia Survival Analysis

W rachunku prawdopodobieństwa wyróżniamy dwie zasadnicze grupy rozkładów zmiennych losowych:

Mikroekonometria 14. Mikołaj Czajkowski Wiktor Budziński

Cena do wartości księgowej (C/WK, P/BV)

ZMIENNE LOSOWE. Zmienna losowa (ZL) X( ) jest funkcją przekształcającą przestrzeń zdarzeń elementarnych w zbiór liczb rzeczywistych R 1 tzn. X: R 1.

Biostatystyka, # 3 /Weterynaria I/

Matematyka ubezpieczeń majątkowych r.

OGŁOSZENIE O ZAMÓWIENIU nr 1/2013 (POWYŻEJ 14 tys. EURO)

OGŁOSZENIE O ZMIANACH STATUTU SFIO AGRO Kapitał na Rozwój

Modele długości trwania

Testowanie hipotez statystycznych.

Wnioskowanie statystyczne. Statystyka w 5

Analiza inwestycji i zarządzanie portfelem SPIS TREŚCI

W metodzie porównawczej wskaźniki porównywalnych firm, obecnych na giełdzie, są używane do obliczenia wartości akcji emitenta.

Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Elektroniki

Zastosowanie modelu regresji logistycznej w ocenie ryzyka ubezpieczeniowego. Łukasz Kończyk WMS AGH

Wprowadzenie do analizy korelacji i regresji

H. Sujka, Wroclaw University of Economics

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Statystyka i opracowanie danych Podstawy wnioskowania statystycznego. Prawo wielkich liczb. Centralne twierdzenie graniczne. Estymacja i estymatory

Analiza zdarzeń Event studies

STATYSTYKA - PRZYKŁADOWE ZADANIA EGZAMINACYJNE

5. Model sezonowości i autoregresji zmiennej prognozowanej

gdzie. Dla funkcja ma własności:

Opis zakładanych efektów kształcenia na studiach podyplomowych WIEDZA

Materiały uzupełniające do

STATYSTYKA

Spis treści Wstęp 1. Ryzyko a pojęcie cykliczności, procykliczności i antycykliczności zjawisk sfery realnej i systemu finansowego gospodarki

Kilka uwag o testowaniu istotności współczynnika korelacji

Statystyczna analiza awarii pojazdów samochodowych. Failure analysis of cars

ALGORYTMICZNA I STATYSTYCZNA ANALIZA DANYCH

Zadanie 1. Zmienne losowe X 1, X 2 są niezależne i mają taki sam rozkład z atomami:

7. Zastosowanie wybranych modeli nieliniowych w badaniach ekonomicznych. 14. Decyzje produkcyjne i cenowe na rynku konkurencji doskonałej i monopolu

Analiza regresji - weryfikacja założeń

Matematyka ubezpieczeń majątkowych r.

Ocena nadzoru właścicielskiego Rating PINK 2010Y

Sterowanie wielkością zamówienia w Excelu - cz. 3

MATEMATYKA Z ELEMENTAMI STATYSTYKI LABORATORIUM KOMPUTEROWE DLA II ROKU KIERUNKU ZARZĄDZANIE I INŻYNIERIA PRODUKCJI ZESTAWY ZADAŃ

Statystyka i Analiza Danych

Matematyka z el. statystyki, # 6 /Geodezja i kartografia II/

Zadania ze statystyki cz. 8 I rok socjologii. Zadanie 1.

KARTA PRZEDMIOTU / SYLABUS

Korelacja oznacza współwystępowanie, nie oznacza związku przyczynowo-skutkowego

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Matematyka finansowa. Ćwiczenia ZPI. Ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1

SYLABUS DOTYCZY CYKLU KSZTAŁCENIA (skrajne daty)

Idea. θ = θ 0, Hipoteza statystyczna Obszary krytyczne Błąd pierwszego i drugiego rodzaju p-wartość

STATYSTYKA MATEMATYCZNA

Wykład ze statystyki. Maciej Wolny

KARTA PRZEDMIOTU / SYLABUS

7.4 Automatyczne stawianie prognoz

Wydział Matematyki. Testy zgodności. Wykład 03

Wykład 5: Analiza dynamiki szeregów czasowych

Matematyka ubezpieczeń majątkowych r.

Rozdział 2: Metoda największej wiarygodności i nieliniowa metoda najmniejszych kwadratów

WYDZIAŁ PODSTAWOWYCH PROBLEMÓW TECHNIKI KARTA PRZEDMIOTU

Statystyka. #5 Testowanie hipotez statystycznych. Aneta Dzik-Walczak Małgorzata Kalbarczyk-Stęclik. rok akademicki 2016/ / 28

PROGNOZOWANIE PRZYCHODÓW ZE SPRZEDAŻY

Analiza danych. TEMATYKA PRZEDMIOTU

Dopasowywanie modelu do danych

Regresja linearyzowalna

METODY STATYSTYCZNE W BIOLOGII

Literatura. Statystyka i demografia

M. Gawrońska, Wroclaw University of Economics. Planowanie przychodów ze sprzedaży na podstawie przedsiębiorstwa z sektora B.

Efektywność źródłem bogactwa. Tomasz Słoński Piechowice, r.

Weryfikacja hipotez statystycznych za pomocą testów statystycznych

Rozdział 8. Regresja. Definiowanie modelu

PRAKTYCZNE METODY BADANIA NIEWYPŁACALNOŚCI ZAKŁADÓW UBEZPIECZEŃ

Przyczynowa analiza rentowności na przykładzie przedsiębiorstwa z branży. półproduktów spożywczych

4. ZNACZENIE ROZKŁADU WYKŁADNICZEGO

Zarządzanie ryzykiem. Opracował: Dr inŝ. Tomasz Zieliński

Ryzyko i efektywność. Ćwiczenia ZPI. Katarzyna Niewińska, ćwiczenia do wykładu Zarządzanie portfelem inwestycyjnym 1

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. XLI Egzamin dla Aktuariuszy z 8 stycznia 2007 r. Część I

Zadania ze statystyki, cz.7 - hipotezy statystyczne, błąd standardowy, testowanie hipotez statystycznych

STATYSTYKA MATEMATYCZNA

Transkrypt:

JAK DŁUGO ŻYJĄ SPÓŁKI NA POLSKIEJ GIEŁDZIE? ZASTOSOWANIE STATYSTYCZNEJ ANALIZY PRZEŻYCIA DO MODELOWANIA UPADŁOŚCI PRZEDSIĘBIORSTW Karolina Borowiec-Mihilewicz, Uniwersytet Ekonomiczny we Wrocławiu Wprowadzenie Upadłości przedsiębiorstw są ważnym zjawiskiem społeczno-gospodarczym o szerokim zakresie oddziaływania. Na poziomie lokalnym skutki upadłości odczuwają przede wszystkim właściciele, pracownicy oraz kontrahenci przedsiębiorców. W skali globalnej zjawisko to wpływa na funkcjonowanie całej gospodarki. Upadłość jest jednocześnie naturalnym elementem życia gospodarczego i narzędziem usuwania z rynku podmiotów, które z pewnych przyczyn nie funkcjonują efektywnie. Na przestrzeni lat wypracowano wiele metod oceny sytuacji przedsiębiorstwa, na podstawie których określano szanse upadłości. Pierwotnie metody opierały się na pojedynczych wskaźnikach finansowych. Obecnie stosowane są coraz bardziej skomplikowane metody ilościowe umożliwiające klasyfikowanie przedsiębiorstw według ryzyka ich upadłości. Niestety duża liczba opracowanych przez teoretyków sposobów oceny przedsiębiorstw nie ma odzwierciedlenia w częstotliwości stosowania ich przez przedsiębiorców. W wielu przypadkach zaniechanie monitorowania potęguje słaba znajomość obowiązującego prawa upadłościowego. Ponadto przepisy w obecnym kształcie nie sprzyjają procesom naprawczym przedsiębiorstw. Ze zjawiskiem upadłości wiąże się zatem szereg złożonych zagadnień. Jego duże znaczenie w życiu gospodarczym i społecznym było przyczyną podjęcia tematu i przeprowadzenia badań literaturowych oraz empirycznych. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 41

Głównym celem był przegląd metod analizy przeżycia oraz modelowanie zjawiska upadłości za ich pomocą. Postawiono następującą tezę: metody analizy przeżycia są uzasadnionym narzędziem modelowania i prognozowania upadłości spółek notowanych na Giełdzie Papierów Wartościowych w Warszawie. Ponadto rozważono poniższe pomocnicze pytania badawcze: 1. W jakim obszarze teorii nauk o przedsiębiorstwie można umiejscowić zjawisko upadłości? 2. Jaka jest częstotliwość i sposób przebiegu procedur upadłościowych w Polsce? 3. Jakie są przyczyny upadłości przedsiębiorstw? 4. Jakie jest uzasadnienie modelowania upadłości na podstawie spółek notowanych na GPW, także tych, względem których złożono wnioski o ogłoszenie upadłości? 5. Jakie metody są wykorzystywane do modelowania upadłości oraz na jakie zasadnicze problemy metodologiczne natrafia badacz? 6. Jak można zdefiniować czas życia spółki notowanej na giełdzie? 7. Jakie są czynniki długości czasu życia spółek notowanych na giełdzie? 8. Jaka jest skuteczność modelu przeżycia spółek notowanych na giełdzie? Analiza przeżycia jako narzędzie modelowania zjawisk Jako metodę badawczą wybrano grupę metod statystycznych analizę przeżycia (survival analysis). Zgodnie z definicją A. Balickiego [1] jest to zbiór procedur obejmujących różne sposoby i statystyczne metody badania procesów, których wspólną cechą jest trwanie wyznaczone dwoma momentami: momentem początkowym i momentem końcowym. Przedmiotem badań analizy przeżycia jest więc czas, jaki upływa od zdarzenia 42 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

początkowego do pewnego charakterystycznego zdarzenia, które kończy obserwację (por. rys. 1). Zdarzenie końcowe najczęściej określa się mianem śmierci, awarii, niepowodzenia, choć niekoniecznie należy to rozumieć w potocznym, negatywnym znaczeniu. Rys. 1. Szkic osi czasu przeżycia. Należy wyjaśnić, iż najbardziej ogólną nazwą wykorzystywanej metody badawczej jest analiza historii zdarzeń (event history analysis). Nazwa ta najlepiej koresponduje z opisem wszelkich procesów, w których jednostki przechodzą między wieloma stanami, tym samym powstaje historia zmian stanów. W najprostszej formie, gdy istnieją jedynie dwa możliwe stany (wejścia i wyjścia), trafniejszymi określeniami wydają się w zależności od zastosowań: analiza trwania, analiza przejścia, analiza przeżycia (w domyśle: do drugiego stanu). W demografii przedsiębiorstw (firmografii) ciągłość przedsiębiorstwa w czasie nazywana jest przeżyciem (survival). W związku z tym termin analiza przeżycia bardzo dobrze odpowiada opisowi firm. Czas trwania od momentu początkowego do momentu wystąpienia zdarzenia jest nazywany czasem przeżycia (survival time) i w ujęciu statystycznym może być traktowany jako dodatnio określona zmienna losowa T o rozkładzie z dystrybuantą F( t) P( T t), t 0. Dopełnienie dystrybuanty do wartości jeden jest w analizie przeżycia specjalnie zdefiniowane jako funkcja przeżycia (survival function) S( t) P( T t) 1 F( t), t 0. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 43

Określa ona prawdopodobieństwo, że zdarzenie nie wystąpi przynajmniej do momentu t. W omawianej metodzie ważną funkcją jest funkcja intensywności lub hazardu (hazard function), którą można traktować jako chwilowy potencjał pojawienia się zdarzenia pod warunkiem, że nie nastąpiło ono do momentu t 0, postaci: P( T t t T t) d ( t) lim ln S( t) t 0 t dt. Na bazie powyższych funkcji konstruuje się tzw. modele czasu przeżycia, krócej: modele przeżycia. Model przeżycia najczęściej jest zatem określony przez gęstość rozkładu prawdopodobieństwa zmiennej losowej opisującej czas trwania. Poza tym z modelem przeżycia utożsamiana jest funkcja przeżycia. Analogicznie za model przeżycia można uznać funkcję intensywności. Każdą z wymienionych funkcji charakteryzujących czas przeżycia można wyrazić dowolną spośród nich. Klasyfikacji modeli przeżycia dokonuje się m.in. na podstawie znajomości analitycznej postaci rozkładu czasu przeżycia (por. [3]). Wyodrębnia się wówczas: modele parametryczne, modele nieparametryczne, modele semiparametryczne. Jeśli analityczna postać gęstości lub dystrybuanty rozkładu jest znana, to model przeżycia jest nazywany modelem parametrycznym. Przykładowe teoretyczne rozkłady prawdopodobieństwa wykorzystywane jako modele przeżycia to rozkład jednostajny lub wykładniczy. Gdy postać rozkładu nie jest znana, to model przeżycia nazywany jest nieparametrycznym. Najstarszym historycznie i najpopularniejszym przykładem modeli nieparametrycznych są tablice trwania życia, zwane też tablicami wymieralności. 44 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

Modele semiparametryczne mają częściowo wyspecyfikowaną postać funkcji przeżycia. Są najbardziej skomplikowanymi modelami przeżycia. Umożliwiają dołączanie do modelu zmiennych objaśniających. Modele semiparametryczne wyraża się przede wszystkim w terminach funkcji intensywności, z tego powodu nazywane są także modelami intensywności. Największym zainteresowaniem cieszy się model zaproponowany przez D.R. Coxa [2]. Charakteryzuje się wykładniczą funkcją zmiennych objaśniających. Zakres zastosowań analizy przeżycia Zakres zastosowań omawianej grupy metod statystycznych jest bardzo szeroki. Pierwszym zjawiskiem analizowanym pod kątem czasu trwania było życie ludzie (pionierskie badania J. Graunta i E. Halleya z XVII w.) Także w dzisiejszych czasach demografowie obserwują wydarzenia z cyklu życia jednostki i rodziny: urodzenia, stopnie edukacji, migracje, związki, rodzenie dzieci, aktywność zawodową, przejście na emeryturę. W obrębie zagadnień społecznych analiza przeżycia może znaleźć zastosowanie także w psychologii, resocjalizacji (czas zapamiętywania, czas recydywy). W medycynie pod kątem czasu trwania analizowana jest przede wszystkim długość życia chorych pacjentów po zabiegach operacyjnych lub przyjmujących leki. Na podstawie przeżywalności pacjentów porównuje się także różne metody leczenia. W biologii i innych naukach przyrodniczych analizę przeżycia stosuje się m.in. do badania populacji dziko żyjących zwierząt w celu określenia przyszłej populacji, ustalenia sezonów łowieckich i odłowów (por. [1]). Innym ważnym obszarem zastosowań omawianej grupy metod statystycznych są nauki techniczne. Na ich gruncie rozwinęła się teoria niezawodności. Poza tym należy wymienić kilka zasadniczych obszarów ekonomicznych. W teorii ryzyka kredytowego funkcjonują modele prawdopodobieństwa niedotrzymania warunków umowy (probability of default). W ubezpieczeniach podstawą do ustalania wysokości składek jest Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 45

szacowanie czasu przeżycia grupy ubezpieczonych. Pozostałe zastosowania ekonomiczne dotyczą m.in.: marketingu, zarządzania, rynku pracy (czas życia produktów, przedsiębiorstw, bezrobocie). Do poszerzenia zakresu zastosowań przyczyniły się przede wszystkim komputerowe możliwości obliczeniowe. Ocena metody badawczej pod kątem modelowania upadłości Modele przeżycia mają cechy, które w szczególny sposób odpowiadają wymaganiom modeli upadłości. Założenia analizy przeżycia korespondują z teorią przedsiębiorstwa, a dokładniej z teorią cyklu życia przedsiębiorstwa (corporate life cycles). Przede wszystkim przedsiębiorstwo jest obiektem, dla którego można określić początek i koniec cyklu życia. Wskaźnikom demograficznym populacji przedsiębiorstw, tj. stopie narodzin, stopie zgonów i stopie przeżycia odpowiadają nieparametryczne estymatory modeli przeżycia. Ponadto podstawowe miary: funkcja przeżycia i funkcja intensywności, bazujące na prawdopodobieństwach, stanowią bardzo dobre miary ryzyka wystąpienia charakterystycznego zdarzenia upadłości. Umożliwiają klasyfikowanie do jednej z dwóch grup: przedsiębiorstw zagrożonych upadłością oraz przedsiębiorstw w dobrej sytuacji finansowej. Modele przeżycia, takie jak: rozkład prawdopodobieństwa czasu przeżycia, funkcja przeżycia, funkcja intensywności, mogą więc stanowić modele upadłości. Na podstawie badań własnych oraz literaturowych (por. [4], [5]) stwierdzono, że skuteczność prognozy upadłości dokonana modelem przeżycia jest wysoka i nie jest gorsza od skuteczności analizy dyskryminacyjnej czy analizy logitowej. Dodatkowo prognoza jest dynamiczna i może nie mieć z góry określonego horyzontu. Za pomocą metod analizy przeżycia można nie tylko szacować prawdopodobieństwo wystąpienia zdarzenia w pewnym okresie, ale też aproksymować średni czas oczekiwania na zdarzenie. 46 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

Ponadto model przeżycia może zawierać zmienne objaśniające zależne od czasu trwania, co umożliwia dynamizację modelu. W omawianej metodzie statystycznej można używać częściowo niekompletnych danych (cenzurowanych) na temat badanego zjawiska. Czas przeżycia przedsiębiorstw jest najczęściej na tyle długi, że trudno obserwować go w całości. Wykorzystanie danych cenzurowanych nie powoduje utraty informacji. Jest to zaleta przy rozważaniu zjawisk społeczno-gospodarczych, których nie można generować eksperymentalnie. Sposób prowadzenia badań Próbę badawczą stanowiły przedsiębiorstwa notowane na Giełdzie Papierów Wartościowych w Warszawie. Badaną zmienną był czas funkcjonowania (czas życia) spółek określany zgodnie z trzema przyjętymi definicjami zakończenia życia. W badaniach empirycznych wykorzystano informacje o wszystkich przedsiębiorstwach notowanych na rynku głównym polskiej giełdy w okresie od 16 kwietnia 1991 r. do 30 września 2013 r. Dla każdej z 604 spółek wyznaczono jej giełdowy czas życia liczony od dnia jej debiutu. Moment zakończenia czasu życia spółki (moment jej śmierci ) definiowany był na różne sposoby: wykluczenie z giełdy z różnych powodów, wykluczenie z giełdy z powodu postanowienia sądu o ogłoszeniu upadłości (krócej: upadłość), złożenie wniosku o ogłoszenie upadłości obejmującej likwidację majątku lub wniosku o ogłoszenie upadłości z możliwością zawarcia układu z wierzycielami (por. rys. 2). Umożliwiło to ocenę czasu życia spółek giełdowych w szerokim kontekście. Uwzględniono wnioski złożone jedynie w okresie X 2003-IX 2013. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 47

Rys. 2. Sposoby definiowania czasu życia spółek. Dla przeważającej większości spółek precyzyjnie określono rodowód i sektor, do których przynależała spółka, a także przyczynę jej wykluczenia (jeśli miało ono miejsce). Zgromadzone sprawozdania finansowe były źródłem informacji o wielkości zatrudnienia oraz o kategoriach finansowych ujętych w bilansie, rachunku zysków i strat, rachunku przepływów pieniężnych. Wskaźniki finansowe oraz cash flow przyjęto za zmienne endogeniczne modeli upadłości. Do określenia ogólnej sytuacji gospodarczej, na tle której funkcjonowały badane spółki, posłużyły wybrane, roczne wskaźniki koniunkturalne oraz ich dynamika z okresu 1995-2012. Wskaźniki wykorzystano jako egzogeniczne zmienne modeli upadłości. W celu prawidłowego uwzględnienia opóźnienia w dopływie danych finansowych zdefiniowano rok bazowy. Dla spółek, których śmierć nastąpiła między 1 maja a 31 grudnia roku i, rokiem bazowym był rok i 1. Dla spółek, których śmierć nastąpiła między 1 stycznia a 30 kwietnia roku i, rokiem bazowym był rok i 2. Przyjęto założenie, że czas życia spółek giełdowych jest dodatnio określoną zmienną losową T. Modelowanie upadłości przeprowadzono na podstawie trzech populacji spółek: wykluczonych z giełdy z różnych powodów (dalej: wykluczonych), wykluczonych z giełdy 48 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

z powodu upadłości (dalej: upadłych) oraz spółek, względem których złożono wniosek o ogłoszenie upadłości (dalej: z wnioskami). W celu skonstruowania modeli wyodrębniono również trzy nierozłączne grupy przedsiębiorstw niezagrożonych zakończeniem czasu życia. Pierwszą grupę stanowiły spółki, które nie zostały wykluczone z giełdy do momentu zakończenia badań. Druga grupa spółek to spółki zdrowe, które nie upadły. Każdej spółce upadłej przyporządkowano spółkę zdrową z tego samego sektora i charakteryzującą się porównywalnym poziomem aktywów w roku bazowym spółki upadłej. Analogicznie zdefiniowano spółki bez wniosków. Każda spółka bez wniosku pochodziła z tego samego sektora co odpowiadająca jej spółka z wnioskiem i miała podobny poziom aktywów w roku bazowym spółki z wnioskiem. Do budowy modeli przeżycia wykorzystano metody statystyki opisowej oraz nieparametryczne i semiparametryczne metody analizy przeżycia (por. rys. 3). Modelowanie nieparametryczne oparto na: tablicy trwania życia, estymatorze Kaplana-Meiera funkcji przeżycia, estymatorze funkcji intensywności oraz estymatorze funkcji gęstości rozkładu czasu życia. Do modelowania semiparametrycznego wykorzystano model Coxa proporcjonalnej intensywności oraz model Coxa nieproporcjonalnej intensywności. Dokonano oceny skuteczności prognozy jednego z modeli przeżycia do momentu złożenia wniosku o ogłoszenie upadłości. Obliczenia zostały przeprowadzone w pakiecie statystycznym Statistica, w module Zaawansowane modele liniowe i nieliniowe. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 49

Rys. 3. Projekt badań empirycznych. Wyniki badań empirycznych Na podstawie przeprowadzonych badań empirycznych wysunięto wnioski na temat: rozkładu czasu życia spółek, względnego najkrótszego czasu życia spółek, ryzyka zakończenia czasu życia spółek mierzonego estymatorami funkcji intensywności, czynników oraz skuteczności prognozy zakończenia życia spółek w zadanym czasie. Wykazano, że rozkłady czasu przeżycia wszystkich trzech populacji spółek: wykluczonych, upadłych oraz spółek z wnioskami charakteryzowały się prawostronną asymetrią. Podstawowe statystyki opisowe zawarto w tabeli 1. 50 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

Tabela 1. Charakterystyka trzech populacji spółek giełdowych. Populacja spółek Statystyki opisowe długości czasu życia (w latach) Lata najwyższego ryzyka zakończenia cyklu życia Profil spółki o względnie najkrótszym czasie przeżycia Spółki wykluczone N = 161 X = 6,8 Me = 5,5 12 rok Prywatna od początku, z sektora usług Spółki, które upadły N = 32 X = 7,2 Me = 5,8 6 lub 12 rok Prywatna od początku, z sektora usług Spółki z wnioskami o ogłoszenie upadłości N = 52 X = 7,5 Me = 6,0 15 rok Prywatna od początku, z sektora usług, wniosek o likwidację majątku złożył wierzyciel Wykres funkcji przeżycia spółek wykluczonych umieszczono na rys. 4. Prawdopodobieństwo przeżycia do momentu wykluczenia 1,0 0,8 0,6 0,4 0,2 0,0 0 2 4 6 8 10 12 14 16 18 Czas przeżycia w latach Rys. 4. Oszacowana funkcja przeżycia spółek wykluczonych. Wykres funkcji intensywności upadłości spółek umieszczono na rys. 5. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 51

0,8 Intensywność upadłości 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0,0 0 2 4 6 8 10 12 14 16 18 20 22 Czas przeżycia w latach Rys. 5. Oszacowana funkcja intensywności dla spółek upadłych. Wykres funkcji gęstości rozkładu czasu trwania do złożenia wniosku o ogłoszenie upadłości przedstawiono na rys. 6. 0,25 Gęstość prawdopodobieństwa 0,20 0,15 0,10 0,05 0,00 0 2 4 6 8 10 12 14 16 18 Czas przeżycia w latach Rys. 6. Oszacowana funkcja gęstości rozkładu czasu życia spółek z wnioskami. Wykresy zostały wygenerowane w programie Statistica. 52 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

Modelowanie czasu przeżycia spółek do momentu wykluczenia z giełdy Wnioski dotyczące czasu przeżycia spółek do momentu wykluczenia z giełdy: Spółka o względnie najkrótszym czasie życia do momentu wykluczenia z giełdy była prywatna od początku i należała do sektora usług. Ryzyko wykluczenia z giełdy, mierzone estymatorem funkcji intensywności, było największe, gdy spółka była w 12 roku cyklu życia. Skonstruowano jednoczynnikowy model intensywności wykluczenia z giełdy z jedną zmienną egzogeniczną. Charakteryzuje się on wysokim poziomem dopasowania (wartość statystyki testowej ilorazu wiarygodności LR = 62,7; p-value = 0,00000). Model zbudowano na podstawie wszystkich spółek wykluczonych oraz wszystkich notowanych na giełdzie w dniu zakończenia badań. Model intensywności przyjął postać: ( t, X ) ( t)exp{2,01 USD} 1 0 () t 0 jest bazową funkcją intensywności niewyspecyfikowaną parametrycznie, USD oznacza średni kurs dolara w roku bazowym. Zgodnie z modelem po okresach osłabiania się złotego względne ryzyko wykluczenia było wyższe. Modelowanie czasu przeżycia spółek do momentu ogłoszenia upadłości Wnioski dotyczące czasu przeżycia spółek do momentu ogłoszenia upadłości: Spółka o względnie najkrótszym czasie życia do momentu ogłoszenia upadłości również była prywatna od początku i należała do sektora usług. Ryzyko ogłoszenia upadłości, mierzone estymatorem funkcji intensywności, było największe, gdy spółka była w 6 lub 12 roku cyklu życia. Skonstruowano m.in. wieloczynnikowy model intensywności upadłości (ze zmiennymi endogenicznymi oraz jedną egzogeniczną). Model charakteryzował się wysokim Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 53

2 poziomem dopasowania: wartość statystyki testowej z czterema stopniami swobody wynosiła 25,3, p-value = 0,00004. Model zbudowano na podstawie spółek upadłych oraz zdrowych. Postać modelu to: 2( t, X) 0 ( t)exp{2,3 R0 1 0,8 WP1 1 0,3 WF1 0,3 c( t) SB}. 1 () t 0 jest bazową funkcją intensywności niewyspecyfikowaną parametrycznie, zaś 1 dla t 5,5 ct () 0 dla t <5,5. Pozostałe oznaczenia: R 0-1 rodowód spółki (1 prywatna od początku, 0 wszystkie pozostałe); WP1 1 wskaźnik bieżącej płynności w roku poprzedzającym rok bazowy; WF1 1 wskaźnik udziału amortyzacji w przepływach środków pieniężnych z działalności operacyjnej w roku poprzedzającym rok bazowy; SB stopa bezrobocia w roku bazowym. Zgodnie z modelem spółki prywatne od początku charakteryzowały się blisko 10-krotnie większym względnym ryzykiem upadłości niż wszystkie pozostałe. Wskaźniki płynności finansowej oraz przepływów pieniężnych z roku poprzedzającego rok bazowy były destymulantami funkcji intensywności upadłości. Interpretacja parametrów jest następująca: jeśli wartość wskaźnika bieżącej płynności spółki A jest o jednostkę większa od wartości wskaźnika bieżącej płynności spółki B, to spółka A ma o 56% mniejsze względne ryzyko upadłości. Natomiast wzrost wskaźnika cash flow o jedną jednostkę generuje spadek względnego ryzyka upadłości o 28%. Warto zaznaczyć, że każdy z tych wskaźników 54 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

powinien mieścić się w oznaczonych ramach, które są charakterystyczne dla różnych rodzajów prowadzenia działalności. Na przykład wskaźnik udziału amortyzacji w przepływach środków pieniężnych z działalności operacyjnej nie powinien przyjmować dużych wartości ani stale rosnąć. Stopa bezrobocia była stymulantą funkcji intensywności upadłości dla przedsiębiorstw starszych, to jest dla czasu życia t 5,5. Może to sugerować, że starsze przedsiębiorstwa są bardziej narażone na wpływ wielkości bezrobocia. Można wysunąć wniosek: jeżeli stopa bezrobocia w pewnym roku życia (wyższym niż 5,5) spółki A jest większa o jeden punkt procentowy od stopy bezrobocia z pewnego roku życia (wyższego niż 5,5) spółki B, to spółka A ma o 34% większe względne ryzyko upadłości niż spółka B. Modelowanie czasu przeżycia spółek do momentu złożenia wniosku Wnioski dotyczące czasu przeżycia spółek do momentu złożenia wniosku o ogłoszenie upadłości: Spółka o względnie najkrótszym czasie życia do momentu złożenia wniosku o ogłoszenie upadłości była prywatna od początku, należała do sektora usług, wniosek o jej upadłość złożył wierzyciel i był to wniosek obejmujący likwidację majątku. Ryzyko złożenia wniosku o ogłoszenie upadłości, mierzone estymatorem funkcji intensywności, było największe, gdy spółka była w 15 roku cyklu życia. Skonstruowano m.in. wieloczynnikowy model intensywności składania wniosków o ogłoszenie upadłości (ze zmiennymi endogenicznymi). Na podstawie wyników testów statystycznych uznano, że jest dobrze dopasowany do danych, ponieważ wartość statystyki testowej 2 z trzema stopniami swobody wynosiła 26,81, p-value = 0,0001. Model utworzono w oparciu o spółki z wnioskami oraz bez wniosków, uwzględniając ucięcie lewostronne czasu ich życia. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 55

Model przyjął postać: ( t, X) ( t)exp{ 0,86 WP1 3 0 2,5 WR1 0,04 WZ2}. () t 0 jest bazową funkcją intensywności niewyspecyfikowaną parametrycznie. Oznaczenia wskaźników finansowych: WP1 wskaźnik bieżącej płynności w roku bazowym; WR1 marża zysku operacyjnego w roku bazowym; WZ 2 Dług/EBITDA w roku bazowym. Wskaźniki płynności oraz rentowności były według modelu destymulantami funkcji intensywności składania wniosków o ogłoszenie upadłości. Zgodnie z modelem wzrost wskaźnika płynności o jedną jednostkę skutkuje spadkiem względnego ryzyka złożenia wniosku o 58%. Z kolei wzrost wskaźnika rentowności WR1 o jedną jednostkę wiąże się ze spadkiem względnego ryzyka wystąpienia zdarzenia aż o 92%. Wzrastający poziom zadłużenia z kolei zwiększa względne szanse na pojawienie się wniosku. Powyższa interpretacja ma na celu przede wszystkim określenie kierunków oraz siły wpływu poszczególnych zmiennych objaśniających na zmienną objaśnianą. W mocy pozostaje uwaga poczyniona wcześniej na temat zakresów wskaźników. Model wykorzystano do prognozowania ex post zdarzenia polegającego na złożeniu wniosku o ogłoszenie upadłości w ciągu najbliższego roku. Przekształcono go do postaci: exp{ 0,86 2,5 0,04 } S (1, ) 0,5 WP1 WR1 WZ2 3 X. Dla każdej spółki z próby testowej wyznaczono prawdopodobieństwo tego, że w ciągu roku zostanie złożony wniosek o ogłoszenie jej upadłości. Przyjęto wartość progową prawdopodobieństwa, na podstawie której dokonano klasyfikacji spółek do grupy narażonych 56 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl

lub nienarażonych na ryzyko złożenia wniosku. Następnie zweryfikowano uzyskane wyniki z rzeczywistą przynależnością. Sprawność ogólna modelu przeżycia S (1, ) 3 X, który wykorzystano do prognozy średnioterminowej wynosiła 86% (błąd I rodzaju 2 = 8%, błąd II rodzaju = 20%). Na mocy testu t-studenta wynik uznano za istotny w sensie statystycznym oraz zbliżony do wyników uzyskanych przez różnych badaczy. Wnioski końcowe Prezentowane modelowanie opiera się na dosyć skomplikowanych narzędziach wymagających specjalistycznego przygotowania teoretycznego na poziomie budowy modelu. Z kolei uzyskiwane wyniki są bardzo intuicyjne, co stanowi niewątpliwą zaletę metody. Rozważane są bowiem: czas trwania, prawdopodobieństwo przetrwania, średni czas trwania. Analiza przeżycia gwarantuje wyniki przychylne w odbiorze. Inne znane modele nie mają tak łatwej interpretacji. Dzięki zaawansowanym programom statystycznym do analizy danych proces obliczeniowy nie stanowi żadnej trudności. Analiza przeżycia jako metoda modelowania upadłości oprócz klasyfikowania przedsiębiorstw umożliwia szczegółowy opis ich ubywania z populacji oraz jej charakterystykę demograficzną. Według ekspertów ocena szans przetrwania przedsiębiorstw nie jest dostatecznie przebadana w skali kraju (por. [6]). Wykorzystanie analizy przeżycia do modelowania upadłości przedsiębiorstw jest próbą odpowiedzi na te potrzeby. Analiza przeżycia ma oczekiwane cechy i potencjał, aby sprostać wymaganiom modelowania upadłości. 2 Udział nieprawidłowo zaklasyfikowanych przez model spółek z wnioskami w całej ich populacji. Copyright StatSoft Polska 2015, info@danewiedzasukces.pl 57

Podsumowując, zastosowanie metod analizy przeżycia jest uzasadnione do modelowania czasu życia przedsiębiorstw, a modele przeżycia (funkcja przeżycia, funkcja intensywności, rozkład czasu życia) mogą stanowić skuteczne modele upadłości. Literatura 1. Balicki A. 2006. Analiza przeżycia i tablice wymieralności. Warszawa: Polskie Wydawnictwo Ekonomiczne. 2. Cox D.R. 1972. Regression models and life-tables. Journal of the Royal Statistical Society. Series B (Methodological). 34 (2), s. 187-220. 3. Frątczak E., Sienkiewicz U., Babiker H. 2014. Analiza historii zdarzeń. Elementy teorii, wybrane przykłady zastosowań. Warszawa: Szkoła Główna Handlowa. 4. Gepp A., Kumar K. 2008. The role of survival analysis in financial distress prediction. International Research Journal of Finance and Economics. 16, s. 13-34. 5. Hadasik D. 1998. Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Poznań: Wydawnictwo Akademii Ekonomicznej w Poznaniu. 6. Mączyńska E. (red.) 2011. Cykle życia i bankructwa przedsiębiorstw. Warszawa: Szkoła Główna Handlowa. 58 Copyright StatSoft Polska 2015, info@danewiedzasukces.pl