ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Систематичний огляд моделей прогнозування банкрутства підприємств
Канигін С. М.

Канигін С. М. Систематичний огляд моделей прогнозування банкрутства підприємств. Бізнес Інформ. 2023. №10. C. 149–161.
https://doi.org/10.32983/2222-4459-2023-10-149-161

Розділ: Економіко-математичне моделювання

Стаття написана українською мовою
Завантажень/переглядів: 17

Завантажити статтю (pdf) -

УДК 330.4

Анотація:
Метою даного наукового дослідження є глибокий систематичний аналіз та узагальнення існуючих моделей прогнозування банкрутства підприємств. У контексті непередбачуваності світової економіки забезпечення стабільності підприємств стає вкрай актуальним питанням і вимагає детального аналізу. Для цього було обрано базу даних Scopus, відому своїм значним за кількістю та якістю переліком публікацій. Після системного пошуку за допомогою 18 комбінацій ключових слів удалося виявити 1448 потенційно релевантних публікацій. Проте лише 1127 з них відповідали заданим критеріям і були обрані для подальшого аналізу. Основний акцент дослідження ставився на глибоке вивчення характеристик, переваг та обмежень кожної з розглядуваних моделей. Отримані дані дозволили намітити ключові напрямки для подальших досліджень у цій сфері. Важливим аспектом було також тестування моделей на практиці. Для цього були використані дані за 2019-2020 рр. Стосовно 17907 підприємств. Відзначимо, що 353 з них згодом стали банкрутами в період 2021-2023 рр. Застосовуючи мову програмування Python, було проведено глибокий статистичний аналіз та візуалізація отриманих результатів. На підставі аналізу було встановлено, що деякі моделі, зокрема моделі Альтмана, Ліса, Спрінгейта, Дюрана та Терещенка, показали вражаючу точність у прогнозуванні банкрутства. Особливо слід відзначити ефективність моделі Матвійчука, що показала точність 67,7%. У підсумку дане дослідження внесло значний вклад у розробку та розуміння підходів до прогнозування банкрутства підприємств в Україні. Результати мають велике теоретичне та практичне значення для спеціалістів у фінансовій сфері, а також закладають основу для подальших досліджень у цьому напрямку.

Ключові слова: моделі, прогнозування банкрутства, фінансові коефіцієнти, фінансовий менеджмент.

Рис.: 5. Табл.: 10. Формул: 5. Бібл.: 30.

Канигін Сергій Михайлович – аспірант, кафедра митної справи та фінансових послуг, Харківський національний економічний університет ім. С. Кузнеця (пр. Науки, 9а, Харків, 61166, Україна)
Email: [email protected]

Список використаних у статті джерел

Alaka H. A. et al. Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems with Applications. 2018. Vol. 94. P. 164–184. DOI: https://dx.doi.org/10.1016/j.eswa.2017.10.040
Altman E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968. Vol. XXIII. No. 4. P. 589–609. DOI: https://dx.doi.org/10.1111/j.1540-6261.1968.tb00843.x
Altman E. I., Iwanicz-Drozdowska M., Laitinen E. K., Suvas A. Distressed Firm and Bankruptcy Prediction in an International Context: A Review and Empirical Analysis of Altman's Z-Score Model. SSRN Electronic Journal. 2014. DOI: https://dx.doi.org/10.2139/ssrn.2536340
Altman E. I., Haldeman R. G., Narayanan P. ZETATM analysis: A new model to identify bankruptcy risk of corporations. Journal of Banking & Finance. 1977. Vol. 1. Iss. 1. P. 29–54. DOI: https://dx.doi.org/10.1016/0378-4266(77)90017-6
Becerra V. M., Galvao E., Abou-Seada M. Neural and Wavelet Network Models for Financial Distress Classification. Data Mining and Knowledge Discovery. 2005: Vol. 11. P. 35–55. DOI: https://dx.doi.org/10.1007/s10618-005-1360-0
Berg D. Bankruptcy prediction by generalized additive models. Applied Stochastic Models in Business and Industry. 2007. Vol. 23. Iss. 2. P. 129–143. DOI: https://dx.doi.org/10.1002/asmb.658
Christiano L. J., Eichenbaum M. S., Trabandt M. Understanding the Great Recession. American Economic Journal: Macroeconomics. 2015. Vol. 7. No. 1. P. 110–167. DOI: https://dx.doi.org/10.1257/mac.20140104
Durand D. Risk Elements in Consumer Instalment Financing. National bureau of economic research, 1941. URL: https://www.nber.org/books-and-chapters/risk-elements-consumer-instalment-financing-technical-edition
Garcia V., Marques A. I., Salvador Sanchez J. Exploring the synergetic effects of sample types on the performance of ensembles for credit risk and corporate bankruptcy prediction. Information Fusion. 2019. Vol. 47. P. 88–101. DOI: https://dx.doi.org/10.1016/j.inffus.2018.07.004
Geng R., Bose I., Xi Chen. Prediction of financial distress: An empirical study of listed Chinese companies using data mining. European Journal of Operational Research. 2015. Vol. 241. Iss. 1. P. 236–247. DOI: https://dx.doi.org/10.1016/j.ejor.2014.08.016
Jones S., Hensher D. A. Predicting Firm Financial Distress: A Mixed Logit Model. The Accounting Review. 2004. Vol. 79. Iss. 4. P. 1011–1038. DOI: https://dx.doi.org/10.2308/accr.2004.79.4.1011
Kovacova M. et al. Systematic review of variables applied in bankruptcy prediction models of Visegrad group countries. OeconomiA Copernicana. 2019. Vol. 10. No. 4. P. 743–772. DOI: https://dx.doi.org/10.24136/oc.2019.034
Kumar-Ravi P., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques–A review. European Journal of Operational Research. 2007. Vol. 180. Iss. 1. P. 1–28. DOI: https://doi.org/10.1016/j.ejor.2006.08.043
Lin T.-H. A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models. Neurocomputing. 2009. Vol. 72. Iss. 16–18. P. 3507–3516. DOI: https://doi.org/10.1016/j.neucom.2009.02.018
Min J. H., Lee Y.-Ch. Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications. 2005. Vol. 28. Iss. 4. P. 603–614. DOI: https://dx.doi.org/10.1016/j.eswa.2004.12.008
Pan W.-T. A New Fruit Fly Optimization Algorithm: Taking the Financial Distress Model as an Example. Knowledge-Based Systems. 2012. Vol. 26. P. 69–74. DOI: https://dx.doi.org/10.1016/j.knosys.2011.07.001
Shi Y., Li X. An overview of bankruptcy prediction models for corporate firms: A systematic literature review. Intangible Capital. 2019. Vol. 15. No. 2. P. 114–127. DOI: https://dx.doi.org/10.3926/ic.1354
Shin K.-S., Lee Y.-J. A genetic algorithm application in bankruptcy prediction modeling. Expert Systems with Applications. 2002. Vol. 23. Iss. 3. P. 321–328. DOI: https://dx.doi.org/10.1016/S0957-4174(02)00051-9
Springate G. L. V. Predicting the possibility of failure in a Canadian firm. Unpublished M. B. A. Research Project, Simon Fraser University, Canada. 1978. URL: https://worldcat.org/title/1127697337
Sun L., Shenoy P. P. Using Bayesian networks for bankruptcy prediction: Some methodological issues. European Journal of Operational Research. 2007. Vol. 180. Iss. 2. P. 738–753. DOI: https://dx.doi.org/10.1016/j.ejor.2006.04.019
Traczynski J. Firm Default Prediction: A Bayesian Model-Averaging Approach. Journal of Financial and Quantitative Analysis. 2017. Vol. 52. Iss. 3. P. 1211–1245. DOI: https://dx.doi.org/10.1017/S002210901700031X
Wang M. et al. Grey wolf optimization evolving kernel extreme learning machine: Application to bankruptcy prediction. Engineering Applications of Artificial Intelligence. 2017. Vol. 63. P. 54–68. DOI: https://dx.doi.org/10.1016/j.engappai.2017.05.003
Zhang G., Hu M. Y., Patuwo B. E., Indro b D. C. Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research. 1999. Vol. 116. Iss. 1. P. 16–32. DOI: https://dx.doi.org/10.1016/S0377-2217(98)00051-4
Zieba M., Tomczak S. K., Tomczak J. M. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction. Expert Systems with Applications. 2016. Vol. 58. P. 93–101. DOI: https://dx.doi.org/10.1016/j.eswa.2016.04.001
Бібліографічна і реферативна база даних Scopus – офіційна сторінка. URL: https://www.scopus.com
Єдиний реєстр підприємств, щодо яких порушено провадження у справі про банкрутство. URL: https://nais.gov.ua/m/ediniy-reestr-pidpriemstv-schodo-yakih-porusheno-vprovadjennya-u-spravi-pro-bankrutstvo
Матвійчук А. В. Діагностика банкрутства підприємств. Економіка України. 2007. № 4. С. 20–28.
Рзаєва Т. Г., Стасюк І. В. Зарубіжні методики визначення ймовірності банкрутства підприємства. Вісник Хмельницького національного університету. 2010. № 3. Т. 1. С. 177–181. URL: http://lib.khmnu.edu.ua/pdf/visnyk_tup/2010/(151)%20VKNU-ES-2010-N3-Volume1.pdf#page=177
Терещенко О. О. Антикризове фінансове управління на підприємстві : монографія. Київ : КНЕУ, 2004. 268 с.
Фінансова звітність (звіт про фінансовий стан (баланс) та звіт про прибутки та збитки та інший сукупний дохід (звіт про фінансові результати), подані як додаток до звітної (звітної нової) податкової звітності за річний податковий (звітний) період відповідно до пункту 46.2 статті 46 Податкового кодексу України. URL: https://data.gov.ua/dataset/24069422-5825-41f6-81f7-89567e5e2ac9

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру