Kiugró értékek kezelése logisztikus regresszión alapuló csődelőrejelzési modellek esetéN
DOI:
https://doi.org/10.35551/PFQ_2023_3_5Kulcsszavak:
csődelőrejelzés, nemfizetési kockázat, logisztikus regresszió, kiugró értékek kezelése, G33, C6, G17Absztrakt
A banki nemfizetési kockázatok kezelésének elsődleges eszköze a potenciális ügyfelek hitelminősítése. Jelen tanulmány fókuszában a hitelezői scorecardok 95%-ának elkészítésekor is alkalmazott logisztikus regresszió módszere áll. A kutatás célja annak meghatározása, hogy a kiugró adatokra rendkívül érzékeny módszer alkalmazása során a kiugró értékek kezelése mennyire javítja a modellek besorolási pontosságát, valamint, hogy a kiugró értékek kezelésének mely módszere eredményezi a legmagasabb besorolási pontosságot. Továbbá, hogy egy olyan minta esetében, amely nem egyenlő arányban tartalmaz fizetőképes és fizetésképtelen vállalkozásokat, milyen szempontok alapján kell meghatározni a modellek cut-off értékét. Az elemzés egy 1677 építőipari vállalkozásból álló mintán került lefolytatásra. A kapott eredmények alapján a kiugró értékek kezelése jelentősen javítja a modellek előrejelző-képességét, a kiugró értékek kezelésére a kiugró értékek helyettesítése a hozzájuk legközelebb eső, nem kiugró értékkel bizonyult a leghatékonyabbnak. A cut-off meghatározása esetén a legmagasabb besorolási pontosságot eredményező érték használata nem megfelelő, hiszen ez az elsőfajú hibák arányának megnövekedéséhez vezethet. Ennek az értéknek az optimalizációja attól függhet, hogy az adott pénzintézet milyen mértékű hitelezési kockázatot vállal a kihelyezett hiteleinek portfóliójában.
Hivatkozások
Bellovary, J. L., Giacomino, D. E., Akers, M. D. (2007). A Review of Bankruptcy Prediction Studies: 1930 to Present, Journal of Financial Education, Vol. 33, pp. 1-42.
Cziglerné Erb E. (2020). A reziduálisjövedelem-modell újbóli megjelenése a vállalatok és a beruházási projektek értékelésében, Pénzügyi Szemle, 3, pp. 430-442.
Doma, T., Kozma, N. (2022). A Covid 19-járvány hatása a magyarországi bankok működési kockázati veszteségeire, Gazdaság és Pénzügy, 9, pp 356-375. https://doi.org/10.33926/GP.2022.4.3
du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy, Neurocomputing, 73, pp. 2047-2060. https://doi.org/10.1016/j.neucom.2009.11.034
Kiss G., Kosztopulosz A., Szládek D. (2021). A magánkiadások hatása a hazai egészségügyi diagnosztikai szolgáltatók pénzügyi helyzetére, Köz-Gazdaság, 16, pp. 115-132. https://doi.org/10.14267/retp2021.04.08
Kristóf, T. (2005). A csődelőrejelzés sokváltozós statisztikai módszerei és empirikus vizsgálata, Statisztikai Szemle, 9, pp. 841-863.
Kristóf, T., Virág, M. (2019). A csődelőrejelzés fejlődéstörténete Magyarországon, Vezetéstudomány, 12, pp. 62-73.
KSH (2021). Helyzetkép, 2021 – Építőipar, Központi Statisztikai Hivatal, Budapest
Limpek, Á., Kosztopulosz, A., Balogh P. (2016). Késedelmes fizetés, tartozási láncok-A Dél-Alföld régió kis-és középvállalkozásainak pénzügyi kultúrája, Statisztikai Szemle, 94, pp. 365-387. https://doi.org/10.20311/stat2016.04.hu0365
Mikolasek, A. (2018). A hitelkockázati modellek alkalmazásának néhány problémája, Gazdaság és Pénzügy, 3, pp. 248-257.
Nyitrai, T. (2015). Hazai vállalkozások csődjének előrejelzése egy, két, illetve három évvel korábbi pénzügyi beszámolók adatai alapján, Vezetéstudomány, 5, pp. 55-65. ohttps://doi.org/10.14267/veztud.2015.05.06
Nyitrai, T. (2017). Stock és flow típusú számviteli adatok alkalmazása a csődelőrejelző modellekben, Vezetéstudomány, 48, pp. 68-77. https://doi.org/10.14267/veztud.2017.09.07
Nyitrai, T., Virág M. (2017). A pénzügyi mutatók időbeli tendenciájának figyelembevétele logisztikus regresszióra épülő csődelőrejelző modellekben, Statisztikai Szemle,1, pp. 5-28. https://doi.org/10.20311/stat2017.01.hu0005
Pálinkó, É., Svoób Á. (2016). A vállalati csőd bekövetkezésének fő okai és a csődhöz vezető folyamat, Pénzügyi Szemle, 4, pp. 528-543.
Piller, Zs., (2013). A fizetésképtelenségi eljárások illeszkedési módjai nemzetközi összehasonlításban, Pénzügyi Szemle, 2, pp. 151-164.
Rácz, T. A., Tóth, B. (2021). A hazai önkormányzatok pénzügyi zavarai az adósságkonszolidáció és az önkormányzati rendszer reorganizációjának tükrében, Pénzügyi Szemle, 1, pp. 88-108. https://doi.org/10.35551/psz_2021_1_5
Virág M, (2004). A csődmodellek jellegzetességei és története, Vezetéstudomány, 10, pp. 24-32.
Virág, M., Kristóf T. (2006). Iparági rátákon alapuló csődelőrejelzés sokváltozós statisztikai módszerekkel, Vezetéstudomány, 37, pp. 25-35. https://doi.org/10.14267/veztud.2006.01.04
Virág, M., Kristóf, T. (2009). Többdimenziós skálázás a csődmodellezésben, Vezetéstudomány, pp. 50-29. https://doi.org/10.14267/veztud.2009.01.05
Vörösmarty, Gy., Dobos, I. (2020). A vállalatméret hatása a zöldbeszerzési gyakorlatra, Statisztikai Szemle, 4, pp. 301-323. https://doi.org/10.20311/stat2020.4.hu0301
Zavgren, C. V. (1985). Assessing the vulnerability to failure of Americn industrial firms: a logistic analysis, Journal of Business Finance & Accounting, 12(1), pp. 19-45.
Zéman, Z., Hegedűs, Sz., Molnár, P. (2018). Az önkormányzati vállalkozások hitelképességének vizsgálata credit scoring módszerrel, Pénzügyi Szemle, 2, pp. 182-200.
Zmijewski, M. E. (1984). Methodological Issues Related tot he Estimation of Financial Distress Predection Models, Journal of Accounting Research, Vol. 22, pp. 59-82.
