Розширена анотація українською мовою

Авторами визначено, що перші моделі діагностики банкротства були розроблені у 60-х роках XX століття. При цьому набір змінних, що були характерними для конкретного випадку діагностики банкрутства. Так, використовувались статистичні методи одновимірного, лінійного та багатовимірного дискримінантного аналізу, моделі логістичної регресії, пробіт-регресії, дерева рішень, нейронних мереж, неточних множин, лінійного програмування, метод основних компонентів, аналізу зведених даних тощо. У статті проаналізовано та систематизовано основні моделі діагностики ймовірності банкрутства, що застосовувались в країнах Вишеградської групи, з виокремленням основних пояснювальних змінних. Авторами здійснено кластерний аналіз з метою вивчення відмінностей між основними групами фінансових показників та розробленими кластерами пояснювальних змінних. На основі результатів аналізу понад ста моделей прогнозування банкрутства сформовано систему змінних, що стало основою для подальших досліджень та розробок моделей прогнозування в країнах Вишеградської групи. У статті сформовано три кластери, що включають різні пояснювальні змінні, що відрізняються від основних груп фінансових показників. Відповідно до виявлених кластерів, запропоновано систему змінних. Так, з першого кластеру виокремлено наступні показники: коефіцієнт доходу від продажу/загальних активів. З другого кластеру: показники співвідношення, а відповідно з третього кластеру показники ROE. Крім цього встановлено, що найчастіше на практиці використовують показники з кластеру два та три. Авторами наголошено, що отримані результати дослідження можуть бути використані не тільки дослідниками та підприємствами, але й інвесторами при побудові моделі прогнозування банкрутства в умовах окремої країни.  

Ключові слова: банкрутство, прогнозування банкрутства, змінні, країни Вишеградської групи.

Класифікація JEL: G33, C53.

Цитувати як: Kovacova, M., Valaskova, K., Durana P. & Kliestikova, J. (2019). Innovation management of the bankruptcy: case study of Visegrad Group countries Marketing and Management of Innovations, 4, 241-251. https://doi.org/10.21272/mmi.2019.4-19

Ця стаття публікуються за ліцензією Creative Commons Attribution International License

Список використаних джерел

1. Ahmad, I., Olah, J., Popp, J., Mate, D. (2018). Does Business Group Affiliation Matter for Superior Performance? Evidence from Pakistan. Sustainability, 10(9):3060. 
2. Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23(4). pp. 589-609.
3. Balcerzak, A.P., Kliestik, T., Streimikiene, D., Smrcka, L. (2018). Non-Parametric Approach to Measuring the Efficiency of Banking Sectors in European Union Countries. Acta Polytechnica Hungarica, 14(7):51-70. 
4. Bauer, P., Edresz, M. (2016). Modelling Bankruptcy Using Hungarian Firm-Level Data MNB. Budapest, Hungary: Magyar Nemzeti Bank.
5. Beaver, W. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4(3), pp. 71-111.
6. Bellovary, J. et al. (2007). A Review of Bancruptcy prediction Studies: 1930 to Present. Journal of Financial Education, 33:1‑43.
7. Blanton, T. (2018). Convolutional Neural Networks, Analytical Algorithms, and Personalized Health Care: Embracing the Massive Data Analysis Capabilities of Deep Learning Artificial Intelligence Systems to Complement and Improve Medical Services. American Journal of Medical Research, 5(2): 52-57. 
8. Cygler, J., Wyka, S. (2019). Internal barriers to international R&D cooperation: The case of Polish high tech firms. Forum Scientiae Oeconomia, 7(1):25-45.
9. Delina, R., Packova, M. (2013). Prediction bankruptcy models validation in Slovak business environment. E & M Ekonomie a management, 16(3):101-112.
10. Dimitras, A.I. et al. (1996). A survey of business failure with an emphasis on prediction method and industrial applications. European Journal of Operational Research, 90: 487-513. 
11. Fitzpatrick, P. (1932). A comparison of ratios of successful industrial enterprises with those of failed firms, Certified Public Accountant, 2:598-605. 
12. Fogarassy, C., Neubauer, E., Mansur, H., Tangl, A., Olah, J., Popp, J. (2018). The main transition management issues and the effects of environmental accounting on financial performance – with focus on cement industry. Administratie si Management Public, (31):52-66.
13. Gajdka, J., Stos, D. (1996). The use of discriminant analysis in assessing the financial condition of enterprises. Restructuring in the Process of Transformation and Development of Enterprises.
14. Gandolfi, G., Regalli, M., Soana, M.G., Arcuri, M.C. (2018). Underpricing and Long-Term Performance of IPOs: Evidence from European Intermediary-Oriented Markets. Economics, Management, and Financial Markets, 13(3):11-36.
15. Gavurova, B., Janke, F., Packova, M., Pridavok, M. (2017). Analysis of Impact of Using Trend Variables on Bankruptcy Prediction Models Performance, Ekonomicky Casopis, 65(4):370-383. 
16. Gordini, N. (2014). A genetic algorithm approach for SMEs bankruptcy prediction: Empirical evidence from Italy. Expert Systems with Applications, 41(14):6433–6445.
17. Guha, S., Rastogi, R., Shim, K. (2000). ROCK: A robust clustering algorithm for categorical attributes. Information Systems, 25(5):345-366.
18. Gupta, Y. et al. (1990). Linear goal programming as an alternative to multivariate discriminant analysis: A note. Journal of Business Finance and Accounting, 17(4):593-598.
19. Gurcik, L. (2002). G-index – the financial situation prognosis method of agricultural enterprises. Agricultural Economics, 48(8):373-378.
20. Hajdu, O., Virag, M. (2001). Hungarian Model for Predicting Financial Bankruptcy. Society and Economy in Central and Eastern Europe, 23(12):28-46.
21. Karas, M., Reznakova, M. (2013). Bankruptcy prediction model of industrial enterprises in the Czech Republic. International Journal of Mathematical Models and Methods in Applied Sciences, 7(5):519-531. 
22. Kasgari, A. A. et al. (2013). Prediction of bankruptcy Iranian corporations through artificial neural network and Pro- bit-based analyses. Neural Computing and Applications, 23(3,4):927-936.
23. Kiviluoto, K. (1998). Predicting bankruptcies with self organizing map. Neurocomputing, 21:191–201.
24. Kiestik, T., Kliestikova, J., Kovacova, M., Svabova, L., Valaskova, K., Vochozka, M., Olah, J. (2018). Prediction of financial health of business entities in transition economies. Addleton Academic Publishers, New York. 
25. Kliestik, T., Valaskova, K., Kliestikova, J., Kovacova, M., Svabova, L. (2019). Bankruptcy prediction in transition economies. EDIS, Zilina. 
26. Korol, T. (2004). Assessment of the Accuracy of the Application of Discriminatory Methods and Artificial Neural Networks for the Identification of Enterprises Threatened with Bankruptcy. Gdansk: Doctoral dissertation.
27. Luoma, M., Laitinen, E.K. (1991). Survival analysis as a tool for company failure prediction. Omega International Journal of Management Science, 19:673-678.
28. McKee, T.E. (2000). Developing a Bankruptcy Prediction Model via Rough Sets Theory. International Journal of Intelligent Systems in Accounting Finance and Management, 9(3):159-173.
29. Messier, W.F., Hansen, J.V. (1988). Including rules for expert system development: An example using default and bankruptcy data. Management Science, 34(2):1403-1415.
30. Nath R. et al. (1992). A Comparison of the Classical and the Linear Programming Approaches to the Classification Problem in Discriminant Analysis. Journal of Statistical Computation and Simulation, 41:73-93.
31. Nemec, D., Pavlik, M. (2016). Predicting Insolvency Risk of the Czech Companies. International Scientific Conference Quantitative Methods in Economics (Multiple Criteria Decision Making XVIII), Bratislava, Slovakia, 258–263.
32. Ouenniche, J., Tone, K. (2017). An out-of-sample evaluation framework for DEA with application in bankruptcy prediction. Annals of Operations Research, 254(1-2):235-250.
33. Pisula, T., Mentel, G., Brozyna, J. (2013). Predicting Bankruptcy of Companies from the Logistics Sector Operating in the Podkarpacie Region. Modern Management Review 18: 113-133.
34. Pogodzinska, M., Sojak, S. (1995). The Use of Discriminant Analysis in Predicting Bankruptcy of Enterprises. Ekonomia XXV, Zeszyt 299. Torun: AUNC.
35. Popp, J., Olah, J., Machova, V., Jachowicz, A. (2018). Private equity market of the Visegrad group. Ekonomicko-manazerske spektrum, 12(1):1-15.
36. Ptak-Chmielewska, A. (2016). Statistical Models for Corporate Credit Risk Assessment—Rating Models. Acta Universitatis Lodziensis Folia Oeconomica 3:98-111.
37. Ravi Kumar, P., Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques-A review European. Journal of Operational Research, 180(1):1-28.
38. Salaga, J., Bartosova, V., Kicova, E. (2015). Economic Value Added as a measurement tool of financial performance, Procedia Economics and Finance, 26:484-489.
39. Sion, G. (2018). How Artificial Intelligence Is Transforming the Economy. Will Cognitively Enhanced Machines Decrease and Eliminate Tasks from Human Workers through Automation? Journal of Self-Governance and Management Economics, 6(4):31-36.
40. Spanos, M. et al. (1999). A fuzzy knowledge-based decision aiding method for the assessment of financial risk: the case of corporate bankruptcy prediction. European Symposium on Intelligent Techniques (ESIT), 1-7.
41. Svabova, L., Kramarova, K., Durica, M. (2018). Prediction model of firm´s financial distress, Ekonomicko-manazerske spektrum, 12(1):16-29.
42. Valecky, J., Slivkova, E. (2012). Microeconomic Scoring Model of Czech Firms’ Bankruptcy. Ekonomicka Revue, 15(1):15-26.
43. Virag, M., Kristof, T. (2014). 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):419-440.
44. Vochozka, M., Strakova, J., Vachal, J. (2015). Model to Predict Survival of Transportation and Shipping Companies. Nase More, Special Issue, 62:109-113.
45. Ward, J.H. (1963). Hierarchical grouping to optimize an objective function, Journal of the American Statistical Association, 58:236-244.
46. Zopounidis, C., Doumpos, M. (1999). A multicriteria aid methodology for sorting decision problems: The case of financial distress. Computational Economics, 14:197-218.
47. Zvarikova, K., Spuchlakova, E., Sopkova, G. (2017). International comparison of the relevant variables in the chosen bankruptcy models used in the risk management, Oeconomia Copernicana, 8(1):145-157.