A csődelőrejelzés fejlődéstörténete Magyarországon
Kulcsszavak:
csődelőrejelzés, klasszifikációs módszertan, hitelkockázatkezelés, vállalati rating rendszerekAbsztrakt
A folyóiratcikk a vállalatok fennmaradásával kapcsolatos elméleti megközelítések, valamint a csődelőrejelzés módszertanának és empirikus vizsgálatának fejlődéstörténetét igyekszik történelmi távlatban szintetizálni, a hangsúlyt az immár harminc éves múltra visszatekintő hazai empirikus csődelőrejelzési modellek fejlődésére helyezve. A hazai csődelőrejelzés fejlődéstörténete alapján kijelenthető, hogy az napjainkra elérte a nemzetközi szakirodalom és gyakorlat színvonalát, a vizsgált kutatási kérdések, az alkalmazott módszerek és az empirikus eredmények tekintetében egyaránt.
A hazai csődelőrejelzés fejlődéstörténetében nyomon követhető az a fejlődési út, amely a kezdeti, keresztmetszeti adatokból és kisebb mintákon felépülő, klasszikus módszertanokkal történő csődelőrejelzéssel kezdődött, és napjainkra eljutott a dinamikus, through-the-cycle szemléletű tőkemodellek követelményeinek megfelelő vállalati minősítő rendszerek kialakításáig, amelynek módszertani továbbfejlesztését jelenleg a mesterséges intelligencia, az adatbányászat, a gépi tanulás és a hibrid modellezés dominálja.
A tanulmány rámutat arra, hogy hazai vállalatok csődelőrejelzésére hazai csődmodellek alkalmazása célravezető. Modellfejlesztés során különös tekintettel kell lenni a mintavételi problémákra, a célváltozó definícióra, a megfelelő adatelőkészítési és adattranszformációs műveletek elvégzésére, a változók dinamizálására, valamint a viselkedési változók figyelembevételére. A tanulmány számos normatív javaslatot fogalmaz meg az egyes csődelőrejelzési módszerek kiválasztására vonatkozóan.
Letöltések
Hivatkozások
Altman, E. I. (1968): Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance, 23(4), pp. 589-609. DOI: 0.1111/j.1540-6261.1968.tb00843.x.
Anheier, H. K. – Moulton, L. (1999): Organizational Failures, Breakdowns, and Bankruptcies. In: Anheier, H. K. (ed.): When Things Go Wrong. Organizational Failures and Breakdowns. Thousand Oaks: Sage Publications, pp. 3-14.
Ardakhani, M. – Mehrjerdi, V. Z. – Sarvi, M. – Sarvi, E. (2016): A survey of the capability of k nearest neighbors in prediction of bankruptcy of companies based on selected industries, Scinzer Journal of Accounting and Management, 2(4), pp. 27-37. DOI: 10.21634/SJAM.2.4.2737.
Arutyunjan Alex (2002): A mezőgazdasági vállalatok fizetésképtelenségének előrejelzése. Ph.D. értekezés. Gödöllő: Szent István Egyetem
Banai Ádám – Körmendi Gyöngyi – Lang Péter – Vágó Nikolett (2016): A magyar kis- és középvállalati szektor hitelkockázatának modellezése. MNB tanulmányok 123. Budapest: Magyar Nemzeti Bank
Barboza, F. – Kimura, H. – Altman, E. I. (2017): Machine learning models and bankruptcy prediction, Expert Systems with Applications, 83(10), pp. 405-417. DOI: 10.1016/j.eswa.2017.04.006.
Bareith Tibor – Koroseczné Pavlin Rita – Kövér György (2014): Felszámolások vizsgálata a Nyugat-dunántúli régióban, E-CONOM, 3(2), pp. 102-124. DOI: 10.17836/EC.2014.2.102.
Bareith Tibor – Koroseczné Pavlin Rita – Kövér György (2016): Felszámolások előrejelzésének vizsgálata Csongrád megyei vállalkozások esetén. In: Kovács Attila – Bíró Gyöngyvér (szerk.): Móra Akadémia Szakkollégiumi Tanulmánykötet. Szeged: Szegedi Tudományegyetem Móra Ferenc Szakkollégium, pp. 11-26.
Bauer, P. – Endrész, M. (2016): Modelling bankruptcy using Hungarian firm-level data. MNB Occasionnal Papers 122. Budapest: Magyar Nemzeti Bank
Beaver, W. (1966). Financial ratios as predictors of failure. Empirical research in accounting: selected studies, Journal of Accounting Research, 4(3), pp. 1-111. DOI: 10.2307/2490171.
Benyovszki Annamária – Kibédi Kamilla Klára (2008): Vállalati csődelőrejelzés többváltozós statisztikai módszerrel, Közgazdász Fórum, 11(7), pp. 3-17.
Blaug, M. (1980): The Methodology of Economics: or How Economists Explain. Los Angeles: Boland
Boda, D. – Luptak, M. – Pitlik, L. – Szűcs, G. – Takács, I. (2016): Prediction of insolvency of Hungarian micro enterprises. In: Proceedings of the ENTRENOVA – ENTerprise Research InNOVAtion Conference, Rovinj, Croatia, 8-9 September 2016. Zagreb: IRENET – Society for Advancing Innovation and Research in Economy, pp. 352-359.
Boros Bence (2018): Artificial intelligence and automation in credit scoring. Budapest: KPMG Tanácsadó Kft.
Bozsik, J. (2011): Decision tree combined with neural networks for financial forecast, Periodica Polytechnica Electrical Engineering, 55(3-4), pp. 95-101. DOI: 10.3311/pp.ee.2011-3-4.01.
Bozsik József (2016): Heurisztikus eljárások alkalmazása a csődelőrejelzésben. Ph.D. értekezés. Budapest: Eötvös Loránd Tudományegyetem
Bryant, S. M. (1997): A case-based reasoning approach to bankruptcy prediction modeling, Intelligent Systems in Accounting, Finance and Management, 6(3), pp. 195-214. DOI: 10.1002/(SICI)1099-1174(199709)6:3<195::AID-ISAF132>3.0.CO;2-F.
Chesser, D. (1974): Predicting loan noncompliance, Journal of Commercial Bank Lending, 56(8), pp. 28-38.
Dimitras, A.I. – Slowinski, R. – Susmaga, R. – Zopounidis, C. (1999): Business failure prediction using rough sets, European Journal of Operational Research, 114(2), pp. 263-280. DOI: 10.1016/S0377-2217(98)00255-0.
Dorgai, K. – Fenyves, V. – Sütő, D. (2016): Analysis of Commercial Enterprises’ Solvency By Means of Different Bankruptcy Models, Gradus, 3(1), pp. 341-349.
Du Jardin, P. (2010): Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 70(10-12), pp. 2047-2060. DOI: 10.1016/j.neucom.2009.11.034.
Durand, D. (1941): Risk elements in consumer instalment financing. New York: National Bureau of Economic Research
Ékes, K. Sz. – Koloszár, L. (2014): The efficiency of bankrutpcy forecast models in the Hungarian SME sector, Journal of Competitiveness, 6(2), pp. 56-73. DOI: 10.7441/joc.2014.02.05.
Fan, A. – Palaniswami, N. (2000): Selecting Bankruptcy Predictors Using a Support Vector Machine Approach. In: Proceedings of the International Joint Conference on Neural Networks. Neural Computing: New Challenges and Perspectives for the New Millennium, pp. 354-359. DOI: 10.1109/IJCNN.2000.859421.
Fejér-Király, G. (2015): Bankruptcy Prediction: A Survey on Evolution, Critiques, and Solutions, Acta Universitatis Sapiantiae Economics and Business, 3(1), pp. 93-108. DOI: 10.1515/auseb-2015-0006.
Fejér-Király Gergely (2016): Csődelőrejelző modellek alkalmazhatósága Hargita megyei vállalkozásoknál. Ph.D. értekezés. Gödöllő: Szent István Egyetem
Fejér-Király Gergely (2017): Csődelőrejelzés a KKV-szektorban pénzügyi mutatók segítségével, Közgazdász Fórum, 20(130), pp. 3-29.
Felföldi-Szűcs Nóra (2011): Hitelezés vevői nemfizetés mellett. A bank és a szállító hitelezési döntése. Ph.D. értekezés. Budapest: Budapesti Corvinus Egyetem
Felföldi-Szűcs Nóra (2015): A vevői nemfizetés előrejelzése viselkedési jellemzők segítségével, Gradus, 2(2), pp. 1-9.
Fenyves, V. – Dajnoki, K. – Domicián, M. – Baji-Gál, K. (2016): Examination of the solvency of enterprises dealing with accommodation service providing in the Northern Great Plain Region, SEA: Practical Application of Science, 4(2), pp. 197-203.
Fitzpatrick, P. (1932): A comparison of the ratios of successful industrial enterprises with those of failed companies. Washington: The Accountants’ Publishing Company
Frydman, H. – Altman, E. I. – Kao, D. L. (1985): Introducing recursive partitioning for financial classification: The case of financial distress, The Journal of Finance, 40(1), pp. 269-291. DOI: 10.1111/j.1540-6261.1985.tb04949.x.
Hajdu, O. – Virág, M. (2001): A Hungarian model for predicting financial bankruptcy, Society and Economy in Central and Eastern Europe, 23(1-2), pp. 28-46.
Halas Gábor (2004): Hogyan mérjünk nemfizetési valószínűséget? Módszertani összehasonlítás. Mérés-Határ-Műhely tanulmány. Budapest: Info-Datax Kft.
Hámori Gábor (2001): A fizetésképtelenség előrejelzése logit-modellel, Bankszemle, 45(1-2), pp. 65-87.
Hámori Gábor (2014): Predikciós célú klasszifikáló statisztikai modellek gyakorlati kérdései. Ph.D. értekezés. Kaposvár: Kaposvári Egyetem
Imre Balázs (2008): Bázel II definíciókon alapuló nemfizetés-előrejelzési modellek magyarországi vállalati mintán (2002-2006). Ph.D. értekezés. Miskolc: Miskolci Egyetem
Info-Datax (2006): Módszertani elemzés a nemfizetési valószínűség modellezéshez. A PSZÁF „A pénzügyi szervezetek kockázatainak (partner, működési, likviditási stb.) tőkemegfelelési követelményeiből adódó, üzleti alkalmazásokat segítő módszerek kidolgozása és a módszerek működéséhez szükséges adatbázisok kiépítése” c. pályázatára készült tanulmány. Budapest: Info-Datax Kft.
Jáki Erika (2013a): A válság, mint negatív információ és bizonytalansági tényező - A válság hatása az egy részvényre jutó nyereség előrejelzésekre, Közgazdasági Szemle, 60(12), pp. 1357-1369.
Jáki Erika (2013b): Szisztematikus optimizmus a válság idején, Vezetéstudomány, 44(10), pp. 37-49.
Kiss Ferenc (2003): A credit scoring fejlődése és alkalmazása. Ph.D. értekezés. Budapest: Budapesti Műszaki Egyetem
Kiviluoto, K. (1998): Predicting bankruptcies with the self-organizing map, Neurocomputing, 21(1-3), pp. 191-201. DOI: 10.1016/S0925-2312(98)00038-1.
Koroseczné Pavlin Rita (2016): A felszámolási eljárás alá került hazai kisvállalkozások helyzetének elemzése. Ph.D. értekezés. Kaposvár: Kaposvári Egyetem
Kotormán Annamária (2009): A mezőgazdasági vállalkozások felszámolásához vezető okok elemzése. Ph.D. értekezés. Debrecen: Debreceni Egyetem
Kristóf Tamás (2005a): A csődelőrejelzés sokváltozós statisztikai módszerei és empirikus vizsgálata, Statisztikai Szemle, 83(9), pp. 841-863.
Kristóf Tamás (2005b): Szervezetek jövőbeni fennmaradása különböző megközelítésekben, Vezetéstudomány, 36(9), pp. 15-23.
Kristóf, T. (2006): Is it possible to make scientific forecasts in social sciences? Futures, 38(5), pp. 561-574. DOI: 10.1016/j.futures.2005.09.004.
Kristóf Tamás (2008a): A csődelőrejelzés és a nem fizetési valószínűség számításának módszertani kérdéseiről, Közgazdasági Szemle, 55(5), pp. 441-461.
Kristóf Tamás (2008b): Gazdasági szervezetek fennmaradásának és fizetőképességének előrejelzése. Ph.D. értekezés. Budapest: Budapesti Corvinus Egyetem
Kristóf Tamás (2018a): A case-based reasoning alkalmazása a hazai mikrovállalkozások csődelőrejelzésére, Statisztikai Szemle, 96(11-12), pp. 1109-1128. DOI: 10.20311/stat2018.11-12.hu1109.
Kristóf Tamás (2018b): Vállalatok hosszú távú (15-20 éves) bedőlési valószínűségének előrejelzése. In: Nováky Erzsébet – S. Gubik Andrea (szerk.): A múltból átívelő jövő: VIII. Magyar (Jubileumi) Jövőkutatási Konferencia: 50 éves a magyar jövőkutatás, Budapest, 2018. november 14-15. Győr: Palatia Nyomda és Kiadó Kft, pp. 193-205.
Kristóf, T. – Virág, M. (2012): Data reduction and univariate splitting – Do they together provide better corporate bankruptcy prediction? Acta Oeconomica, 62(2), pp. 205-227. DOI: 10.1556/AOecon.62.2012.2.4.
Kristóf, T. – Virág, M. (2017): Lifetime probability of default modelling for Hungarian corporate debt instruments. In: Zoltayné Paprika Zita et al. (eds.): ECMS 2017: 31st European Conference on Modelling and Simulation. Nottingham: ECMS-European Council for Modelling and Simulation, pp. 41-46.
Lensberg, T. – Eilifsen, A. – McKee, T. E. (2006): Bankruptcy theory development and classification via genetic programming, European Journal of Operational Research, 169(2), pp. 677-697. DOI: 10.1016/j.ejor.2004.06.013.
Madar László (2014): Scoring rendszerek hatásai a gazdasági tőkeszámítás során alkalmazott portfoliómodellek eredményeire. Ph.D. értekezés. Kaposvár: Kaposvári Egyetem
Marqués, A. I. – García, V. – Sánchez, J. S. (2012): Exploring the behaviour of base classifiers in credit scoring ensembles, Expert Systems with Applications, 39(11), pp. 10244-10250. DOI: 10.1016/j.eswa.2012.02.092.
Mellahi, K. – Wilkinson, A. (2004): Organizational failure: a critique of recent research and a proposed integrative framework, International Journal of Management Reviews, 5-6(1), pp. 21-41. DOI: 10.1111/j.1460-8545.2004.00095.x.
Myers, J. H. – Forgy, W. (1963): The development of numerical credit evaluation systems, Journal of the American Statistical Association, 58(303), pp. 799-806. DOI: 10.1080/01621459.1963.10500889.
Neophytou, E. – Mar Molinero, C. (2004): Predicting Corporate Failure in the UK: A Multidimensional Scaling Approach, Journal of Business Finance and Accounting, 31(5-6), pp. 677-710. DOI: 10.1111/j.0306-686X.2004.00553.x.
Neves, J. C. – Vieira, A. (2016): Improving bankruptcy prediction with hidden layer Learning Vector Quantization, European Accounting Review, 15(2), pp. 253-271. DOI: 10.1080/09638180600555016.
Nyitrai Tamás (2014): Növelhető-e a csőd-előrejelző modellek előrejelző képessége az új klasszifikációs módszerek nélkül? Közgazdasági Szemle, 66(5), pp. 566-585.
Nyitrai Tamás (2015a): Dinamikus pénzügyi mutatószámok alkalmazása a csődelőrejelzésben. Ph.D. értekezés. Budapest: Budapesti Corvinus Egyetem
Nyitrai Tamás (2015b): Hazai vállalkozások csődjének előrejelzése a csődeseményt megelőző egy, két, illetve három évvel korábbi pénzügyi beszámolók adatai alapján, Vezetéstudomány, 46(5), pp. 55-65.
Nyitrai Tamás (2017): Stock és flow típusú számviteli adatok alkalmazása a csődelőrejelző modellekben, Vezetéstudomány, 48(8-9), pp. 68-77. DOI: 10.14267/VEZTUD.2017.09.07.
Nyitrai Tamás (2018): A vállalatok tevékenységi körének és méretének hatása a csődelőrejelző modellekre, Statisztikai Szemle, 96(10), pp. 973-1000. DOI: 10.20311/stat2018.10.hu0973.
Nyitrai, T. (2019): Dynamization of bankruptcy models via indicator variables, Benchmarking: An International Journal, 26(1), pp. 317-332. DOI: 10.1108/BIJ-03-2017-0052.
Nyitrai Tamás – Virág Miklós (2017a): A pénzügyi mutatók időbeli tendenciájának figyelembevétele logisztikus regresszióra épülő csődelőrejelző modellekben, Statisztikai Szemle, 95(1), pp. 5-28. DOI: 10.20311/stat2017.01.hu0005.
Nyitrai Tamás – Virág Miklós (2017b): Magyar vállalkozások felszámolásának előrejelzése pénzügyi mutatóik idősorai alapján, Közgazdasági Szemle, 64(3), pp. 305-324. DOI: 10.18414/KSZ.2017.3.305.
Nyitrai, T. – Virág, M. (2018): The effects of handling outliers on the performance of bankruptcy prediction models, Socio-Economic Planning Sciences, Available online 28 August 2018 – még nem jelent meg papír alapú folyóiratban a cikk, addig csak DOI alapon hivatkozható!. DOI: 10.1016/j.seps.2018.08.004.
Odom, M. D. – Sharda, R. (1990): A neural network model for bankruptcy prediction. In: Proceeding of the International Joint Conference on Neural Networks, San Diego, 17-21 June 1990, Vol. II., Ann Arbor: IEEE Neural Networks Council, pp. 163-171.
Ohlson, J. A. (1980): Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, 18(1), pp. 109-131. DOI: 10.2307/2490395.
Oravecz Beatrix (2007): Credit scoring modellek és teljesítményük értékelése, Hitelintézeti Szemle, 6(6), pp. 607-627.
Oravecz Beatrix (2009): Szelekciós torzítás és csökkentése az adósminősítési modelleknél. Ph.D. értekezés. Budapest: Budapesti Corvinus Egyetem
Pető, D. – Rózsa, A. (2015): Financial future prospect investigation using bankruptcy forecasting models in Hungarian meat processing industry, Annals of the University of Oradea Economic Science, 24(1), pp. 801-809.
Ratting Anita (2015): Fizetésképtelenség-előrejelzési megközelítések, Társadalom és Gazdaság, 7(3), pp. 53-73.
Reizinger-Ducsai, A. (2016): Bankruptcy prediction and financial statements. The reliability of a financial statement for the purpose of modeling. Research papers of Wroclaw University of Economics Nr. 441. pp. 202-213. DOI: 10.15611/pn.2016.441.14.
Rózsa, A. (2014): Financial performance analysis and bankruptcy prediction in Hungarian dairy sector, Annals of Faculty of Economics, 1(1), pp. 938-947. DOI: 10.1108/CR-12-2014-0041.
Schumpeter, J. (1934): The Theory of Economic Development. Cambridge: Harvard Business Press
Sun, L. – Shenoy, P. P. (2007): Using Bayesian networks for bankruptcy prediction: Some methodological issues, European Journal of Operational Research, 180(2), pp. 738-753. DOI: 10.1016/j.ejor.2006.04.019.
Sütő Dávid (2018): Észak-alföldi élelmiszer-kiskereskedelmi vállalkozások pénzügyi helyzetének elemzése logitmodell segítségével, Acta Carolus Robertus, 8(1), pp. 223-235. DOI: 10.24387/CI.2017.2.3.
Szabadosné Németh Zsuzsanna – Dávid László (2005): A kis- és középvállalati szegmens mulasztási valószínűségének előrejelzése magyarországi környezetben, Hitelintézeti Szemle, 4(3), pp. 39-58.
Szűcs Tamás (2014): A csődmodellek és azok módozatai, E-Controlling, 14(9), pp. 1-8.
Virág Miklós (1993): Pénzügyi viszonyszámokon alapuló teljesítmény-megítélés és csődelőrejelzés. Kandidátusi értékezés. Budapest: Budapesti Közgazdaságtudományi Egyetem
Virág Miklós (1996): Pénzügyi elemzés, csődelőrejelzés. Budapest: Kossuth Kiadó
Virág Miklós (2004): A csődmodellek jellegzetességei és története, Vezetéstudomány, 35(10), pp. 24-32.
Virág Miklós – Dóbé Sándor (2005): A hazai csődmodell család alkalmazása ágazati centroidokra, Vezetéstudomány, 36(4), pp. 45-54.
Virág Miklós – Hajdu Ottó (1996): Pénzügyi mutatószámokon alapuló csődmodell-számítások, Bankszemle, 15(5), pp. 42-53.
Virág Miklós – Hajdu Ottó (1998): Pénzügyi viszonyszámok és csődelőrejelzés. In: Bácskai Tamás (et al. szerk.): Bankról, pénzről, tőzsdéről. Válogatott előadások a Bankárképzőben 1988-1998. Budapest: Nemzetközi Bankárképző, pp. 440-457.
Virág Miklós – Kristóf Tamás (2005a): Az első hazai csődmodell újraszámítása neurális hálók segítségével, Közgazdasági Szemle, 52(2), pp. 144-162.
Virág, M. – Kristóf, T. (2005b): Neural networks in bankruptcy prediction – a comparative study on the basis of the first Hungarian bankruptcy model, Acta Oeconomica, 55(4), pp. 403-425. DOI: 10.1556/AOecon.55.2005.4.2.
Virág Miklós – Kristóf Tamás (2006): Iparági rátákon alapuló csődelőrejelzés sokváltozós statisztikai módszerekkel, Vezetéstudomány, 37(1), pp. 25-35.
Virág Miklós – Kristóf Tamás (2009): Többdimenziós skálázás a csődmodellezésben, Vezetéstudomány, 40(1), pp. 50-58.
Virág Miklós – Kristóf Tamás – Fiáth Attila – Varsányi Judit (2013): Pénzügyi elemzés, csődelőrejelzés, válságkezelés. Budapest: Kossuth Kiadó
Virág, M. – Nyitrai, T. (2013): Application of support vector machines on the basis of the first Hungarian bankruptcy model, Society and Economy, 35(2), pp. 227-248. DOI: 10.1556/SocEc.35.2013.2.6.
Virág M. – Nyitrai T. (2014a): Is there a trade-off between the predictive power and the interpretability of bankruptcy models? The case of the first Hungarian bankruptcy prediction model, Acta Oeconomica, 64(4), pp. 419-440. DOI: 10.1556/AOecon.64.2014.4.2.
Virág Miklós – Nyitrai Tamás (2014b): Metamódszerek alkalmazása a csődelőrejelzésben, Hitelintézeti Szemle, 13(4), pp. 180-195.
Virág Miklós – Nyitrai Tamás (2015): Csődelőrejelző modellek dinamizálása. In: Bakacsi Gyula – Balaton Károly – Dobák Miklós (szerk.): Vezetés és szervezet társadalmi kontextusban: Tanulmányok Dobák Miklós 60. születésnapja tiszteletére. Budapest: Akadémiai Kiadó, pp. 284-304.
Vlachos, D. – Tolias, Y. A. (2003): Neuro-fuzzy modeling in bankruptcy prediction, Yugoslav Journal of Operational Research, 13(2), pp. 165-174. DOI: 10.2298/YJOR0302165V.
Wang, N. (2017): Bankruptcy Prediction Using Machine Learning, Journal of Mathematical Finance, 7(4), pp. 908-918. DOI: 10.4236/jmf.2017.74049.
Westgaard, S. (2005): What Can Modern Statistical and Mathematical Techniques Add to the Analysis and Prediction of Bankruptcy? Department of Industrial Economics and Technology Management, Trondheim: Norwegian University of Science and Technology
Zmijewski, M. E. (1984): Methodological issues related to the estimation of financial distress prediction models, Journal of Accounting Research, Supplement to Vol. 22, pp. 59-82. DOI: 10.2307/2490859.
Megjelent
Hogyan kell idézni
Folyóirat szám
Rovat
License
Authors assign copyright to Vezetéstudomány / Budapest Management Review. Authors are responsible for permission to reproduce copyright material from other sources.
