Использование нефинансовой информации для прогнозирования банкротстве изучения общественного компаний в Тайване

Многие исследователи изучали прогнозирования банкротства в течение последних лет 60. В результате, различные теории, которые развивались в целях разъяснения или различие между фирмами, которые не увенчались успехом. В исследовании используется нефинансовой информации для прогнозирования характеристик обанкротившихся фирм. Сравнивая результаты этого исследования и предварительного исследования показывают, что результаты здесь могут обеспечить лучшее предсказание, чем тех, кто не включая нефинансовой информации.

Введение

Корпоративные банкротства всегда приводит к огромным экономическим потерям для управления, акционеров, сотрудников, клиентов и др., а также значительные социальные и экономические затраты для страны. Таким образом, модель предсказывает провал корпоративных позволит уменьшить эти потери путем предоставления предварительного предупреждения этих заинтересованных сторон. Сигналом раннего предупреждения возможного отказа позволит как руководителей, так и инвесторам принимать превентивные меры и сократить длительность которой потери были понесены. Таким образом, точный прогноз о банкротстве стало важным вопросом в области финансов.

Многие исследователи изучали прогнозирования банкротства в течение последних лет шестидесятых. В результате, различные теории, которые развивались в целях разъяснения или различие между фирмами, которые не увенчались успехом. Бивер (1966) использовали тест дихотомической классификации для определения коэффициента ошибок потенциальный кредитор будет опыт, если он классифицировал фирм на основе их финансовых показателей как не удалось или не удалось. Бивер удалось классифицировать 78% от его образец фирм, как неудачи пять лет, прежде чем они действительно провал.

Альтман (1968) использовали дискриминантный анализ ранжировать фирм на основе взвешенной комбинации 5 отношений. Его результаты были 95% эффективность при выборе будущих банкротств в год до банкротства. Многочисленные последующие исследования пытались разрабатывать соответствующие модели с применением анализа данных, включая методы многомерного дискриминантного анализа, технического анализа регрессии пробит анализа, генетические алгоритмы, нейронные сети, деревья решений, и другие статистические и вычислительные методы.

Это исследование попытки построить финансовую модель отношения к какой-либо предсказать финансовый кризис банков, прежде чем он на самом деле происходит. Эта модель могла бы помочь управления с целью улучшения своей финансовой структуры и снизить вероятность возникновения финансовых трудностей. Кроме того, эта модель обеспечивает в-dcpth информации для инвесторов и кредиторов для изучения их инвестиционного риска.

Обзоры литературы

Олсон (1980) использовали логит метода максимального правдоподобия для построения и анализа модели, 105 пробы не удалось компаний и 2058, не удалось-компаний в период 1970 по 1976 год. Он создал три модели из 9 независимых переменных предсказать корпоративных провал. Из этого можно было определить четыре основных фактора, как статистически значимые при воздействии на вероятность выхода из строя (в течение 1 года). К ним относятся: (1) размер компании; (2) мера (ы) финансовой структуры; (3) мера (ы) работы; и (4) мера (ы) текущей ликвидности ( доказательств в отношении этого фактора не так очевидно, по сравнению случаях (1) - (3)). эмпирические исследования показали, Олсон точность предсказания этих первых 3 моделях, которые будут 96,12%, 95,55% и 92,84% соответственно.

Киси и Ватсон (1987) использовали целый ряд нефинансовых переменных, либо самостоятельно, либо в связи с финансовым показателям, и были в состоянии предсказать провал небольшой компании более точно, чем модели, основанные исключительно на финансовых коэффициентов. Киси и Ватсон занятых логит построить модель прогнозирования. Они не удалось пробы 73 компаний и 73 не-не удалось компаний с 1970 по 1983, с использованием финансовых показателей 28 и 18 не-финансовые показатели в учебе. Для логит функций, представленных ниже, зависимой переменной является неспособность / безотказную и множества независимых переменных заключаются в следующем:

Модель 1: Финансовые коэффициенты только

Модель 2: Non-финансовой информации только

Модель 3: Финансовые коэффициенты и нефинансовой информации

Результаты показывают, что несколько лучше прогнозов, касающихся отказа небольшой компании может быть получена от не-финансовых данных по сравнению с теми, которые могут быть достигнуты с использованием традиционных финансовых коэффициентов. Точность номера классификации три модели 78,7%, 75,3% и 82,2% соответственно.

Научно-исследовательский конструкторско

Во-первых, исследование определяет определение обанкротившейся компании, являющейся обанкротившейся компании и переменных. Во-вторых, исследование использует факторный анализ и материально-технической метод построения модели прогнозирования.

(I) Определение

1. Ошибка компании: список компаний запасам Тайвань Exchange (здесь и далее, TSE) рынка в судебном порядке объявлен специальный механизм компании со стороны властей, когда компания имеет эксплуатационные трудности. По Операция Правила статьи TSE корпорации: 49, 50 и 50-1, компания в нездоровой финансовое состояние признано в качестве компании в условиях финансового кризиса. Поскольку источником образцов включает в себя компаний, котирующихся на TSE рынка, определение компании с работой трудности, основан на определении TSE.

2. Номера для обанкротившейся компании: Компании, которые не имеют специальных условий акции, которые котируются на рынке TSE. Их запасы разрешено торговать публично.

(II) Статистические модели

Если сумма квадратов частичное коэффициенты корреляции между всеми парами переменных небольшой по сравнению с суммой квадратов коэффициентов корреляции, а затем КМО мера близка к 1. Малые значения для меры КМО показывают, что факторный анализ переменных, не может быть хорошей идеей, так как корреляция между парами переменных, не может быть объяснено других переменных. Кайзер (1974) характеризует меру 0.90s, как чудесно, в 0.80s как обоснованным, в 0.70s как средний, в 0.60s как посредственные, в 0.50s как жалок, и ниже 0,5 недопустимым.

Причина, по которой исследовании используется логистической регрессии, потому что, когда зависимая переменная может иметь только два значения, предположения, необходимые для проверки гипотезы в регрессионного анализа нарушаются. Еще одна трудность с множественного регрессионного анализа является то, что предсказал ценности не могут быть истолкованы как вероятности, так как они не ограничены падения в интервале между 0 и 1. Логистическая регрессия требует гораздо меньше, чем предположения дискриминантного анализа, и даже тогда, когда допущения, необходимые для дискриминантного анализа выполняются, логистической регрессии до сих пор выполняет хорошо.

(III) Выбор примера и источники данных

Есть 31 компании не удалось, и 31 не-компаний, которые не удалось квалифицироваться в соответствии с вышеуказанными определение, TSE, в течение 1995 года по 2000 год в ходе исследования. Таблица 1 отражает название образцов. Не удалось и не удалось компаний совпадали, в которой образцы соответствуют некоторые символы, такие, как они относятся к той же отрасли, их размеры схожи, и / или они продают подобный продукт.

(IV) Определение переменных

В этом исследовании, зависимой переменной является фиктивной, что указывает на 0 как не удалось компании, и наоборот. Независимые переменные состоят из двух категорий, один финансовый коэффициент связанные группы (изображается в таблице 2), а другой не-финансовой группы.

Финансово-связанные группы состоит из 18 финансовых показателей из базы данных Тайвань экономический журнал. После использования факторного анализа, исследования выбирает несколько переменных, которые имеют высокие нагрузки и перечисляет их в таблице 2. Таблица 2 показывает, эти переменные выбраны в один год до отказа, в том числе долгосрочного капитала соотношение основных средств, коэффициент текущей ликвидности, коэффициент оборачиваемости активов, рентабельность активов, соотношение денежных реинвестирования. За два года до отказа, долгосрочного капитала соотношение основных средств, коэффициент текущей ликвидности, оборачиваемости товарных запасов, коэффициент оборачиваемости активов, а также возвращение на общий капитал будут выбраны. За три года до отказа, долгосрочного капитала отношение к основным средствам, быстрой ликвидности, коэффициент покрытия процентов, оборачиваемость товарных запасов, а чистая прибыль до уплаты налогов на капитал выдается будут выбраны.

Цена акций может отражать деятельность компании. Перед компаний склонны к провалу, их цена акций отражает связанные негативной информации. Переменная NX ^ ^ 3 подпункта могут быть использованы для определения факта компании идет от плохого к худшему.

Результаты эмпирического

Финансовые показатели выбраны в факторного анализа, а не-финансовые показатели не были отобраны в факторный анализ. Они будут добавлены в логистической регрессии, чтобы увидеть, смогут ли они увеличить уровень точности. Для того, чтобы найти переменные, которые могут быть применены для создания модели, среди 18 финансовых коэффициентов, этого исследования используется метод факторного анализа, чтобы отфильтровать лучшие соответствующие переменные. Номера фактор-множеств решаются методом, предложенным Кайзер, который держит собственное> 1 и число финансовых показателей соотношения с абсолютной величине коэффициент загрузки> 0,3 и значение общих черт> 0,7. По результатам факторного анализа переменных, имеющих высокие нагрузки в каждый момент выбран. С помощью этих переменных выбраны может строить модели прогнозирования провал. Результаты выбранным переменным приведены в таблице 2.

Таблица 3 показывает результаты за один год до неудачи, за два года до отказа, и за три года до отказа. Финансовые показатели, отобранные для включения в модель прогноза показывают, что четыре переменные являются существенными при 95% уровне, где в общей функцией является значимой на уровне 95%. Финансовых и нефинансовых переменных, отобранных для включения в модель прогноза показывают, что четыре переменные являются существенными при 95% уровне, где в общей функцией является значимым на уровне 95%. В один год сравнительные результаты, представленные в первой колонке таблицы 3, это совершенно очевидно, что без финансовой информации, содержащейся в модель прогнозирования может увеличить процент, что является правильным. Правильные результаты классификации для прогнозирования модель, которая основывается на финансовой и нефинансовой информации, превосходит модель прогнозирования, которая основывается на финансовой информации. Модели в состоянии правильно предсказать некоторые 87,1% компаний в выборке. Это превосходство очевидно, как с точки зрения общей правильной классификации и правильно классифицировать хвостами и не удалось компаний.

2 года сравнительные результаты приведены во втором столбце таблицы 3. Финансовые показатели, отобранные для включения в модель прогноза показывают, что две переменные являются существенными при 95% уровне, где в общей функцией является значимой на уровне 95%. Финансовых и нефинансовых переменных, отобранных для включения в модель прогноза показывают, что три переменные являются существенными при 95% уровне, где в общей функцией является значимым на уровне 95%. Совершенно очевидно, что без финансовой информации, содержащейся в модель прогнозирования не может увеличить процент, что является правильным. Правильные результаты классификации для прогнозирования модель, которая основывается на финансовой и нефинансовой информации, те же, с предсказанием модели, которая основывается на финансовой информации. Эти две модели способны правильно предсказать некоторые 77,42% компаний в выборке.

3 года сравнительные результаты приведены в третьей колонке таблицы 3. Финансовые показатели, отобранные для включения в модель прогноза показывают, что никакая переменная индивидуально значимым на уровне 95%, где в общей функцией является значимым на уровне 95%. Как представляется, это показывает, что мультиколлинеарности могут присутствовать. Хотя мультиколлинеарности создает проблемы для определения значения отдельных переменных, это не влияет на точность предсказания модели. Финансовых и нефинансовых переменных, отобранных для включения в модель прогноза показывают, что ни одна переменная индивидуально значимым на уровне 95%, где в общей функции не имеет существенного значения. Совершенно очевидно, что без финансовой информации, содержащейся в модель прогнозирования может увеличить процент, что является правильным. Правильные результаты классификации для прогнозирования модель, которая основывается на финансовой и нефинансовой информации, превосходит модель прогнозирования, которая основывается на финансовой информации. Модели в состоянии правильно предсказать некоторые 72,58% компаний в выборке. Это превосходство очевидно, как с точки зрения общей правильной классификации и правильно классифицировать не удалось компаний ..

Заключение

Цель этого документа в том, чтобы изучить, можно ли предсказать, перечисленных компаний, которые будут хвост из общедоступных нефинансовой информации, самостоятельно или в сочетании с финансовыми показателями, что сравнимо с предсказаниями, полученными исключительно из финансовых коэффициентов. Проводить исследования по отдельным 31 не удалось, и 31 не-не удалось компаний, котирующихся на TSE в течение 1995 года по 2000 год. Следующие выводы будут достигнуты:

1. Финансовых извлеченных переменных в модель за один год до отказа включить Рентабельность активов, Коэффициент текущей ликвидности, Long-Term Capital Отношение к фиксированным активам, совокупные активы оборота и наличных реинвестирование Ratio. Правильный общий процент финансовой модели 79,03%. Добавление 3 нефинансовых переменных, правильный процент модели увеличивается до 87,10%.

2. Финансовых извлеченных переменных в модель за два года до неудачи Вернуться на собственный капитал, коэффициент текущей, Long-Term Capital Отношение к основным средствам, коэффициент оборачиваемости активов и оборачиваемости запасов. Правильный общий процент финансовой модели 77,42%. Добавление 3 нефинансовых переменных, правильный процент модель также 77,42%.

3. Финансовых извлеченных переменных в модель 3 лет до неудачи Чистые

Прибыль до налогообложения к капиталу Выпущен, Коэффициент быстрой ликвидности, Long-Term Capital Отношение к основных фондов, совокупные активы оборота, а также коэффициент покрытия процентов. Правильный общий процент финансовой модели 66,13%. Добавление 3 нефинансовых переменных, процент правильных модели увеличится до 72,58%.

Ссылки

Альтман, Е. (1968), "Финансовые коэффициенты. Дискриминантного анализа и прогнозирования корпоративного банкротства". Журнал Финанс, 23 (сентябрь), с. 589-609.

Бивер, WH (1966), "Финансовые отношения, как предикторы Отказ". Журнал учета исследований, 4, с. 71-111.

Олсон, JA (1980), "Финансовые коэффициенты и вероятностных прогнозов о банкротстве". Журнал учета исследований (весна), с. 109-131.

Cheng-Ying Ву

Чжун Го технологический институт, Тайвань