POLITECHNIKA GDAŃSKA WYDZIAŁ ZARZĄDZANIA I EKONOMII Katedra Analizy Ekonomicznej i Finansów Rozprawa habilitacyjna - AUTOREFERAT: NOWE PODEJŚCIE DO ANALIZY WSKAŹNIKOWEJ W PRZEDSIĘBIORSTWIE Opracował: dr inż. Tomasz Korol GDAŃSK 2013 SPIS TREŚCI 1. Wstęp 3 2. Struktura i cele pracy 4 3. Analiza wskaźnikowa sytuacji ekonomiczno-finansowej firm 7 4. Założenia do badań 14 5. Zastosowanie logiki rozmytej w analizie wskaźnikowej 18 6. Wnioski i rekomendacje 32 2 1. Wstęp Globalny kryzys finansowy, który rozpoczął się w połowie 2008 roku, obalił mit bezpiecznych ekonomicznie regionów świata, krajów i przedsiębiorstw. Jesteśmy świadkami zdarzeń bezprecedensowych, jak na przykład obniżenia ratingu kredytowego USA z poziomu AAA do AA+, po raz pierwszy w historii tego kraju, czy też upadku wielu przedsiębiorstw globalnych, często o nienagannej reputacji ekonomicznej. Rodzą się pytania o przyczyny tego kryzysu i możliwości jego wcześniejszego przewidywania. W tym kontekście warto ocenić użyteczność modeli wczesnego ostrzegania, których celem jest wychwytywanie wczesnych symptomów pogarszającej się sytuacji ekonomicznej kraju, przedsiębiorstwa czy gospodarstwa domowego. W niniejszej książce autor nawiązuje do problematyki efektywności metod analizy ekonomicznej przedsiębiorstw w zakresie oceny ich kondycji finansowej w erze globalizacji, powszechnej niepewności i ryzyka oraz niesłychanie szybko zachodzących zmian w otoczeniu firm. Podejmuje próbę udzielenia odpowiedzi na pytanie, czy metody, których początki datuje się na drugą połowę XIX wieku, przystają do obecnych czasów. Na podstawie studiów literatury i wniosków z dwunastoletnich badań autora nad zagadnieniem prognozowania kondycji finansowej firm, autor wysunął następującą hipotezę badawczą. Zastosowanie logiki rozmytej w analizie wskaźnikowej: • umożliwia przeprowadzenie skuteczniejszej oceny sytuacji ekonomiczno-finansowej przedsiębiorstw niż w tradycyjnej analizie wskaźnikowej, • gwarantuje stabilność prognozy tej sytuacji wraz z wydłużeniem okresu analizy do dwóch lat, • zwiększa użyteczność poszczególnych wskaźników finansowych w ocenie kondycji finansowej firm, • zwiększa uniwersalność (tj. właściwości predykcyjne dla różnorodnej populacji firm) analizy wskaźnikowej. 3 2. Cele i struktura pracy Celem badań podjętych w niniejszej książce jest ocena powiązań systemowych wskaźników finansowych (część pierwsza książki), a następnie próba implementacji logiki rozmytej w wykorzystywanej w przedsiębiorstwach analizie wskaźnikowej oraz w syntetycznej ocenie sytuacji finansowej firm przy uwzględnieniu wybranych zależności systemowych (dezagregacji wskaźników). Nowe podejście analityczne, proponowane przez autora, polega na dostosowaniu analizy wskaźnikowej do warunków, w których obecnie firmy muszą funkcjonować. Tradycyjne zero-jedynkowe (dobry/zły) kryteria oceny wskaźników straciły bowiem swoją aktualność. Nieadekwatność tradycyjnej analizy wskaźnikowej wyraża się w stosowaniu logiki dwuwartościowej do opisu i oceny zjawisk rozmytych, nieprecyzyjnych i wieloznacznych. Po przeszło stu latach od opracowania pierwszych wskaźników finansowych warto zastanowić się nad wdrożeniem innego podejścia do ich oceny, w którym stosuje się kryteria odwołujące się do teorii zbiorów rozmytych. Autor proponuje zastosowanie logiki rozmytej z trzech powodów: 1. Przeprowadzone przez niego w latach 2004–2009 badania dowiodły, że metoda ta jest najskuteczniejsza spośród 14 zbadanych technik (takich jak modele wielowymiarowej analizy dyskryminacyjnej, modele logitowe i probitowe, modele drzew decyzyjnych, modele losowych lasów, modele rekurencyjnej sieci neuronowej, modele wielowarstwowej jednokierunkowej sieci neuronowej, modele sieci samoorganizujących się map, modele algorytmów genetycznych i modele wektorów nośnych1). Do 2012 roku były to jedyne takie badania na świecie. W monografii zostały przedstawione wyniki weryfikacji skuteczności modeli opracowanych na takiej samej próbie uczącej przy wykorzystaniu szerokiego wachlarza technik prognozowania i ich przetestowania na takiej samej próbie testowej. 2. Logika rozmyta stanowi nadal mało rozpoznany obszar na polu analiz ekonomicznofinansowych. 3. Według E. Siemińskiej poszukiwania optymalnych poziomów wskaźników finansowych są niewątpliwie koniecznym i pożytecznym kierunkiem dociekań nie tylko naukowych, ale niestety nie oznaczają wciąż likwidacji luki informacyjnej w tym zakresie w literaturze przedmiotu2. Inni autorzy również potwierdzają tę konieczność, wskazując między innymi na problemy z interpretacją wskaźników spowodowane ich 1 Korol T., Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Oficyna Wolters Kluwer Business Polska, Warszawa 2010. 2 Siemińska E., Metody pomiaru i oceny kondycji finansowej przedsiębiorstw, TNOiK, Toruń 2002, s. 127. 4 dezaktualizacją w czasie czy stosowaniem innych kryteriów oceny w różnych krajach i sektorach gospodarki. Logika rozmyta pozwala spojrzeć na tę problematykę z innej perspektywy. Rozprawa składa się z wstępu, trzech części, wniosków końcowych i aneksu. W części pierwszej autor zaprezentował etapy rozwoju metod analizy finansowej przedsiębiorstw ze szczególnym uwzględnieniem analizy wskaźnikowej dotyczącej: rentowności, płynności, sprawności i zadłużenia. Ze względu na bogatą literaturę naukową autor zrezygnował z jej szczegółowego przywołania, ale skupił sie tylko na problemach badawczych dotąd nieporuszanych albo słabo rozpoznanych. Na przykład zaproponował nowe warianty dezagregacji wskaźników. Dzięki takiemu podejściu można nie tylko obliczyć dany wskaźnik finansowy, ale również ocenić wpływ poszczególnych czynników na jego poziom. Dodatkowo dla każdego wskaźnika finansowego scharakteryzowano postulowane przez polskich i zagranicznych naukowców optymalne wartości z uwzględnieniem ich wpływu na sytuację ekonomiczną przedsiębiorstw (stymulanta, nominanta, destymulanta). W tej części książki omówiono również rolę analizy wskaźnikowej w modelach scoringowych firm. Kończy ją kwerenda osiemnastu najczęściej stosowanych wskaźników finansowych, po której następuje syntetyczne omówienie wad i ograniczeń tradycyjnej analizy wskaźnikowej. Wnioski z kwerendy i z przeprowadzonej dla każdego wskaźnika dezagregacji wykorzystano w części drugiej książki, która została poświęcona możliwościom zastosowania logiki rozmytej w analizie wskaźnikowej firm. Rozpoczyna ją charakterystyka teoretycznych założeń logiki rozmytej. Przedstawiono różnice między teorią zbiorów rozmytych a teorią zbiorów klasycznych. Pokazano sposób działania logiki rozmytej na przykładach. Ponadto autor omówił zalety tej metody w kontekście analizy wskaźnikowej. Następnie opracował teoretyczne modele logiki rozmytej dla 13 wskaźników finansowych oraz jeden model syntetycznej oceny sytuacji ekonomicznej firm oparty na 4 wskaźnikach finansowych, które zostały wybrane na podstawie wniosków z kwerendy przeprowadzonej w części pierwszej. Autorska propozycja zastosowania modeli logiki rozmytej w analizie kondycji finansowej przedsiębiorstw ma walory praktyczne i może być z dużym powodzeniem stosowana przez analityków w przedsiębiorstwach. W części trzeciej (empirycznej) autor zaprezentował wyniki praktycznych testów skuteczności 13 modeli logiki rozmytej na podstawie opracowanej populacji 166 spółek akcyjnych. Weryfikacja objęła dwuletni okres (osobno na rok i osobno na dwa lata wstecz). Każdorazowo skuteczność modeli została porównana ze skutecznością tradycyjnie stosowanej analizy wskaźnikowej. Dzięki temu autor mógł wyciągnąć wnioski na temat użyteczności 5 logiki rozmytej w analizie finansowej przedsiębiorstw. Populacja firm została podzielona na trzy próby testowe. Pierwsza próba składała się z przedsiębiorstw funkcjonujących w Polsce, druga – ze spółek notowanych na giełdach papierów wartościowych w krajach Ameryki Łacińskiej (Meksyk, Argentyna, Peru, Wenezuela, Chile i Brazylia), a ostatnia obejmowała spółki międzynarodowe pochodzące z USA, Niemiec, Francji, Finlandii, Szwecji, Japonii, Tajwanu, Korei Południowej, Wielkiej Brytanii. Dzięki temu autor mógł nie tylko sprawdzić użyteczność metody, ale również wyciągnąć wnioski na temat jej uniwersalności i możliwości stosowania w różnorodnych przedsiębiorstwach. Różnorodność ta polegała zarówno na tym, że firmy pochodziły z różnych sektorów gospodarki (usługi, produkcja), jak i na tym, że funkcjonowały w bardzo odmiennych warunkach ekonomicznych w różnych regionach świata. Część trzecia książki kończy się podsumowaniem wyników z 78 przeprowadzonych testów3. W aneksie przedstawiono na przykładzie jednej spółki działanie dwóch modeli logiki rozmytej opracowanych przez autora. Celem tego aneksu jest pokazanie czytelnikowi, krok po kroku, jak w praktyce działają modele logiki rozmytej – począwszy od obliczenia wartości zmiennych wejściowych, przez ich wprowadzenie do modelu, ich klasyfikację i rozmycie, aż po interpretację wyniku końcowego (oceny danego wskaźnika finansowego). Niniejsza rozprawa jest efektem kontynuacji badań nad systemami wczesnego ostrzegania przed upadłością przedsiębiorstw. Nowe podejście teoretyczne i jego implementacja znajduje swoje miejsce w trzech publikacjach4. Autor ma nadzieję, że publikacja ta przyczyni się do rozpopularyzowania logiki rozmytej w ekonomii. Zawarte w niej informacje mogą zostać wykorzystane w praktyce przy przeprowadzaniu zaawansowanej analizy wskaźnikowej przez przedsiębiorców, analityków giełdowych, jak również studentów i naukowców z dziedziny nauk ekonomicznych. Książkę tę można traktować jako dalszy ciąg badań opublikowanych przez autora w 2010 roku w Oficynie Wolters Kluwer Business Polska. 3 Autor przetestował trzynaście modeli opisanych w pracy na rok i na dwa lata wstecz za pomocą trzech prób testowych, co daje łącznie 78 testów. 4 Korol T., Warning Systems of Enterprises Against the Risk of Bankruptcy – Artificial Intelligence in Financial Management, Wydawnictwo LAP Lambert Academic Publishing, Saarbrucken 2012; Korol T., Fuzzy logic in financial management, rozdział w międzynarodowej monografii: Fuzzy Logic – Emerging Technologies and Applications, red. Elmer Dadios, Wydawnictwo InTech, Rijeka 2012; oraz Korol T., Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Wolters Kluwer, Warszawa 2010. 6 3. Analiza wskaźnikowa sytuacji ekonomiczno-finansowej firm Analiza wskaźnikowa jest najpopularniejszą i najszerzej prezentowaną w literaturze przedmiotu metodą pomiaru i oceny sytuacji finansowej podmiotów gospodarczych, tym samym stała się podstawowym narzędziem wykorzystywanym w analizie ekonomicznej firm. Pierwsze wykorzystanie wskaźników finansowych datuje się na drugą połowę XIX wieku w USA, gdzie szybki rozwój przemysłu stworzył potrzebę przeprowadzania analiz sprawozdań finansowych przedsiębiorstw5. Analizy te przede wszystkim miały na celu tylko ocenę możliwości spłaty kredytów – pierwszym w historii opracowanym wskaźnikiem był wskaźnik bieżącej płynności. Dopiero w latach 1900-1919 znacznie rozwinięto wachlarz wskaźników finansowych wykorzystywanych do oceny sytuacji ekonomiczno-finansowej badanych spółek. „Katalizatorem“ rozwoju analizy wskaźnikowej była praca A.Wall’a, który w 1919 roku opublikował artykuł z przeprowadzoną analizą wskaźnikową 981 przedsiębiorstw 6 . Jego publikacja stała się motorem napędowym rozwoju nowych wskaźników i obszarów ich wykorzystania. W latach 1920-1929 dostrzeżono potrzebę pokategoryzowania wskaźników finansowych ze względu na ich aspekt badawczy (płynność, rentowność itp.). Lata trzydzieste XX wieku odznaczają się dwoma osiągnięciami w rozwoju analizy wskaźnikowej: Ø zaczęto poszukiwać najskuteczniejszych mierników w ramach każdej klasy wskaźników finansowych7, Ø przeprowadzono pierwsze próby prognozowania sytuacji finansowej spółek. Pierwszą opublikowaną pracą z zakresu wykorzystania analizy wskaźnikowej w prognozowaniu kondycji ekonomicznej firm jest artykuł A. Winakor‘a i R. Smith’a, którzy przeanalizowali dziesięcioletni trend dla średnich wartości 21 wskaźników finansowych 29 przedsiębiorstw, które miały problemy finansowe w USA8. Z kolei P. Fitzpatrick jako 5 Podwalin analizy wskaźnikowej można doszukać się już na 300 lat p.n.e. w V księdze Elementów – dzieła Euklidesa, który usystematyzował ówczesną wiedzę matematyczną (podane za: Horrigan J., A short history of financial ratio analysis, The Accounting Review, Kwiecień 1968, s. 284-294). 6 Wall A., Study of credit barometrics, Federal Reserve Bulletin, Marzec 1919, s. 229-243. 7 Najbardziej rozpopularyzowanymi wynikami badań jest seria artykułów R. Foulke, który pracując dla agencji Dun&Bradstreet wyselekcjonował zbiór wskaźników ze średnimi dla poszczególnych branż gospodarki w USA – Foulke R., Three important balance sheet ratios, Dun&Bradstreet Monthly Review, Sierpień 1933; Foulke R., Three important inventory ratios, Dun&Bradstreet Monthly Review, Grudzień 1933, Foulke R., Three important sales ratios, Dun&Bradstreet Monthly Review, Maj 1934. 8 Winakor A., Smith R., A test analysis of unsuccessful industrial companies, Bulletin nr 31, University of Illinois, 1930. 7 pierwszy zbadał siłę predykcyjną 13 wskaźników finansowych 20 firm, które zbankrutowały w USA w latach 1920-19299. W kolejnym etapie (lata 1940-1967) rozwoju metod wykorzystywanych w analizie ekonomicznej można wyróżnić prace C. Merwin’a10 z 1940 roku i W. Beaver‘a11 z 1967 roku, którzy kontynuowali badania nad wykorzystaniem analizy wskaźnikowej w modelach jednowymiarowych. Krokiem milowym w rozwoju metod oceny sytuacji finansowej firm było wykorzystanie wielowymiarowej analizy dyskryminacyjnej do prognozowania zagrożenia upadłością firm przez E. Altman’a w 1968 roku12. Po jego publikacji w Journal of Finance pierwszego modelu wielowymiarowej analizy dyskryminacyjnej opartego na wykorzystaniu pięciu wskaźników finansowych, nastąpił dynamiczny rozwój tego typu modeli. W latach 1970-2000 zaczęto powszechnie wykorzystywać modele statystyczne (modele logitowe, probitowe i wielowymiarowej analizy dyskryminacyjnej) w analizach ekonomicznych. Warto zwrócić uwagę, że ekonomiści szybko unowocześniali sposoby przeprowadzania analizy ekonomicznej przedsiębiorstw wraz z rozwojem nowych modeli statystycznych i modeli sztucznej inteligencji. W krótkim okresie po opublikowaniu funkcji probitowej13 (1934 rok), funkcji dyskryminacyjnej14 (1936 rok) oraz funkcji logitowej15 (1944 rok), modele te zostały zaadoptowane pod potrzeby analizy ekonomiczno-finansowej firm. 9 Fitzpatrick P., A comparison of the ratios of successful industrial enterprises with those of failed companies, The Accountants Publishing Company, USA 1932. 10 Merwin zastosował analizę profilową do porównywania firm wypłacalnych i niewypłacalnych za pomocą wskaźników finansowych (Rogowski W., Możliwości wczesnego rozpoznawania symptomów zagrożenia zdolności płatniczej przedsiębiorstwa, Bank i Kredyt, nr 6, 1999, s. 56-60). Analiza profilowa polega na przedstawieniu w czasie (lata przed wystąpieniem niewypłacalności), za pomocą wykresu liniowego, średnich arytmetycznych danego wskaźnika finansowego obliczonych dla grupy przedsiębiorstw wypłacalnych i niewypłacalnych. 11 Istotnym wkładem Beavera w prognozowaniu sytuacji finansowej firm jest wprowadzenie do badania dychotomicznego testu klasyfikacyjnego. Określił on krytyczną wartość dla każdego wskaźnika, służącą do rozdzielenia przedsiębiorstw na dwie grupy- wypłacalnych i niewypłacalnych. Przy wyznaczaniu wartości krytycznej Beaver dążył przy tym do minimalizacji łącznego błędu, wynikającego z udowodnionego przez niego w analizie histogramowej zjawiska wzajemnego nakładania się na siebie wartości wskaźników wypłacalnych i niewypłacalnych przedsiębiorstw tj. istnienia „szarej strefy”, czyli przedziału wartości, w którym występują zarówno dobre, jak i złe przedsiębiorstwa (Wierzba D., Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych – teoria i badania empiryczne, Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, nr 8, 2000, s. 82). 12 Altman E., Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, Journal of Finance, nr 4, 1968, s. 589-609. 13 Bliss C., The Method of Probits, Science, nr 79, 1934, s. 409-410. 14 Fischer R., The use of multiple measurements in taxonomic problems, Annals of Eugenics, nr 7, 1936, s. 179188. 15 Berkson J., Application of the Logistic Function to Bio-assay, Journal of the American Statistical Association, nr 9, 1944, s. 357-365; oraz Cramer J.S., The Origins of Logistic Regression, Tinberger Institute Discussion Paper, University of Amsterdam, Holandia, 2002, s. 1-15. 8 Opracowanie algorytmu C&RT drzew decyzyjnych w 1984 roku16 jest kolejnym przykładem udanej implementacji metod statystycznych w ekonomii. Nie ma wątpliwości, że zmiany w technologii informacyjnej i obliczeniowej drastycznie zmieniły zarówno rzeczywiste i potencjalne sposoby przeprowadzania analiz działalności gospodarczej przedsiębiorstw. Przykładem postępu technologicznego jest wykorzystywanie modeli sztucznych sieci neuronowych oraz modeli algorytmów genetycznych w prognozowaniu zjawisk ekonomicznych. Teoretyczne założenia sieci neuronowych zostały przedstawione już w 1943 roku przez W. Pitts’a17, a algorytmów genetycznych w latach sześćdziesiątych XX wieku przez J. Holland’a 18 . Praktyczne zastosowanie modele te znalazły w ekonomii w latach osiemdziesiątych i dziewięćdziesiątych XX wieku. Wszystkie omówione wyżej metody oceny sytuacji ekonomiczno-finansowej firm bazują na wykorzystaniu analizy wskaźnikowej, w której podstawowym założeniem jest stosowanie wskaźników finansowych opracowanych na podstawie logiki klasycznej – zerojedynkowej (prawda/fałsz). Pojęcie zbioru rozmytego wprowadził w 1965 roku L. Zadeh19. Klasyczna teoria zbiorów zakłada, że dowolny element należy lub nie należy do danego zbioru. Natomiast w teorii zbiorów rozmytych element może częściowo należeć do pewnego zbioru, a przynależność tę można wyrazić przy pomocy liczby rzeczywistej z przedziału [0,1]. Teoria logiki rozmytej powstała na skutek trudności pojawiających się przy próbach oceny zjawisk z wykorzystaniem logiki dwuwartościowej. Klasyczna logika uniemożliwia opisanie matematyczne zjawisk o charakterze nieprecyzyjnym i niejednoznacznym – na przykład „wysoki zysk“, „większe ryzyko gospodarcze“ itp. Co ciekawe, mimo, że teoria zbiorów rozmytych została przedstawiona już w 1965 roku, to do 2011 roku praktycznie nie była wykorzystywana w analizie ekonomicznej. W polskim piśmiennictwie naukowym wskaźniki finansowe są szeroko i dobrze scharakteryzowane 20 . Nie ma więc potrzeby powielania sposobów obliczania i 16 Breiman L., Friedman J., Olshen R., Stone, C., Classification and regression trees. Belmont, USA: Wadsworth International Group, 1984. (Pierwszą postacią drzew decyzyjnych był algorytm AID opracowany przez – Morgan J., Sonquist J., Problems in the analysis of survey data and a proposal, Journal of the American Statistical Association, nr 58, 1963, s. 415-434 – algorytm ten nie znalazł tak powszechnego zastosowania w analizie ekonomicznej, jak w wypadku algorytmu C&RT. 17 Warren M., Pitts W., A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, nr 5 (4), 1943, s. 115–133. 18 Holland J., Adaptation in natural and artificial systems, University of Michigan Press, 1975. 19 Zadeh L., Fuzzy sets, Information and Control, nr 8 (3), 1965, s. 338-353. 20 Do popularnych pozycji literaturowych należą: ü Bednarski L., Analiza finansowa w przedsiębiorstwie, PWE, Warszawa 2006, 9 interpretowania poszczególnych mierników stosowanych do oceny sytuacji finansowej przedsiębiorstw. Jednym z celów niniejszej monografii była ocena powiązań systemowych wskaźników finansowych. Ocena ta umożliwiła autorowi zaproponowanie w części drugiej i trzeciej niniejszej książki adaptacji wybranych zależności systemowych do warunków, w których obecnie firmy są zmuszone funkcjonować – czyli w dynamicznym otoczeniu. Otoczeniu, które spowodowało, że stosowane tradycyjne „zero-jedynkowe“ (dobry/zły) kryteria oceny wskaźników straciły na swojej aktualności. Po przeszło stu latach od opracowania pierwszych wskaźników finansowych warto zastanowić się nad zaczęciem stosowania innego podejścia do ich oceny, stosując kryteria opracowane na podstawie zbiorów rozmytych. W najbardziej klasycznej klasyfikacji wskaźników finansowych, analiza ekonomiczna oparta jest na zestawie mierników, które badają cztery podstawowe aspekty funkcjonowania przedsiębiorstwa: ü płynność finansową, ü zadłużenie, ü sprawność, ü rentowność. Na rysunku 1 wyodrębniono dwa obszary, które składają się na syntetyczną ocenę sytuacji ekonomicznej przedsiębiorstw – efektywność wykorzystania zasobów majątkowych firmy oraz stopień ryzyka finansowego. ü ü ü ü ü ü ü ü ü ü ü ü ü Bednarski L., Borowiecki R., Duraj J., Kurtys E., Waśniewski T., Wersty B., Analiza ekonomiczna przedsiębiorstwa, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław 2003, Bławat F., Analiza ekonomiczna, Wydawnictwo Politechniki Gdańskiej, Gdańsk 2001, Dudycz T., Siła prognostyczna wskaźników płynności finansowej, Materiały i Prace Instytutu Funkcjonowania Gospodarki Narodowej Szkoły Głównej Handlowej, Warszawa 2005, Dudycz T., Wrzosek S., Analiza finansowa, problemy metodologiczne w ujęciu praktycznym, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław 2000, Duraj J., Analiza ekonomiczna przedsiębiorstwa, PWE, Warszawa 2004, Gabrusewicz W., Podstawy analizy finansowej, PWE, Warszawa 2005, Jerzemowska M. (red.nauk.), Analiza ekonomiczna w przedsiębiorstwie, PWE, Warszawa 2006, Leszczyński Z., Skowronek-Mielczarek A., Analiza ekonomiczno-finansowa spółki, PWE, Warszawa 2004, Siemińska E., Metody pomiaru i oceny kondycji finansowej przedsiębiorstwa, TNOiK, Toruń 2002, Sierpińska M., Jachna T., Ocena przedsiębiorstwa według standardów światowych, Wydawnictwo Naukowe PWN, Warszawa 1993, Sierpińska M., Wędzki D., Zarządzanie płynnością finansową w przedsiębiorstwie, Wydawnictwo Naukowe PWN, Warszawa 2005, Waśniewski T., Skoczylas W., Kierunki analizy w zarządzaniu finansami firmy, Wydawnictwo Zachodniopomorskiej Szkoły Biznesu w Szczecinie, Szczecin 1996, Wędzki D., Analiza wskaźnikowa sprawozdania finansowego, tom 1 i tom 2, Wolters Kluwer, Warszawa 2009. 10 Rysunek 1. Obszary badawcze wykorzystywanych wskaźników finansowych Źródło: opracowanie własne. Rozwinięcie poszczególnych grup wskaźników z powyższego rysunku, wykorzystywanych przy ocenie sytuacji finansowej przedsiębiorstwa zawiera tabela 1. M. Urbanek zwraca uwagę, że w analizie ekonomicznej można wyróżnić przeszło 70 różnych wskaźników finansowych 21 . Jednak o wartości analizy decydują wskaźniki o dużej pojemności informacyjnej, dlatego nie liczba użytych wskaźników jest istotna, lecz ich jakość – siła wpływu na sytuację przedsiębiorstwa. Określenie charakteru poszczególnych wskaźników finansowych ze względu na ich kierunek wpływu na „zdrowie” przedsiębiorstwa prowadzi do wyodrębnienia22: ü stymulant, czyli wskaźników, których rosnące wartości oceniane są pozytywnie, świadczą bowiem o poprawie sytuacji finansowej przedsiębiorstwa. ü destymulant, czyli wskaźników, których rosnące wartości oceniane są negatywnie, ponieważ świadczą o pogarszaniu „zdrowia” przedsiębiorstwa. 21 Urbanek M., Klasyfikacja i selekcja wskaźników finansowych. Ekonometryczne modelowanie danych finansowo-księgowych, red. E.Nowak., Wydawnictwo UMCS, Lublin 1996, s. 117. 22 Jest to klasyfikacja wskaźników opracowana przez D. Hadasik w pracy: „Zastosowanie wielowymiarowej analizy porównawczej do oceny zagrożenia przedsiębiorstwa upadkiem”, Zeszyty Naukowe Akademii Ekonomicznej w Poznaniu, nr 261, 1998. 11 ü nominant, czyli wskaźników, dla których istnieje pewien optymalny poziom (zwany też poziomem „bezpieczeństwa”), zaś wszelkie odchylenia od tego poziomu świadczą o pogarszaniu się kondycji ekonomicznej przedsiębiorstwa. Tabela 1. Klasyfikacja wskaźników finansowych z punktu widzenia ich wpływu na sytuację ekonomiczno-finansową przedsiębiorstwa Nazwa wskaźnika WSKAŹNIKI PŁYNNOŚCI Typ wskaźnik płynności ogólnej wskaźnik szybki wskaźnik płynności gotówkowej wskaźnik udziału kapitału obrotowego w aktywach ogółem WSKAŹNIKI ZADŁUŻENIA nominanta nominanta nominanta stymulanta wskaźnik struktury kapitału wskaźnik ogólnego zadłużenia wskaźnik zadłużenia kapitału własnego wskaźnik zadłużenia krótkoterminowego wskaźnik zadłużenia długoterminowego wskaźnik pokrycia aktywów trwałych kapitałem stałym wskaźnik pokrycia zobowiązań nadwyżką finansową WSKAŹNIKI SPRAWNOŚCI nominanta destymulanta destymulanta destymulanta destymulanta stymulanta stymulanta wskaźnik okresu spłaty zobowiązań krótkoterminowych wskaźnik rotacji zapasami wskaźnik rotacji należności wskaźnik produktywności aktywów ogółem WSKAŹNIKI RENTOWNOŚCI destymulanta stymulanta stymulanta stymulanta wskaźnik rentowności działalności operacyjnej stymulanta wskaźnik rentowności aktywów ogółem stymulanta wskaźnik rentowności kapitału własnego stymulanta wskaźnik rentowności sprzedaży netto stymulanta Źródło: Opracowanie własne na podstawie: Hadasik D., Zastosowanie wielowymiarowej analizy porównawczej do oceny zagrożenia przedsiębiorstwa upadkiem, Zeszyty Naukowe Akademii Ekonomicznej w Poznaniu, nr 261, 1998, s. 25. O ile powyższe ustalenie charakteru wskaźników finansowych wykorzystywanych w analizie wskaźnikowej nie stanowi większego problemu, o tyle wyznaczenie minimalnej wartości dla stymulanty, maksymalnej dla destymulanty i optymalnego przedziału wartości dla nominanty jest zadaniem o wiele trudniejszym. W literaturze pojawiają się liczne – często odmienne – opinie autorów co do wskazania precyzyjnych lub przynajmniej przybliżonych poziomów wartości wskaźników finansowych uznawanych za optymalne. Różnorodność poglądów na ten temat wynika - po pierwsze - z kwestii indywidualnych uwarunkowań dotyczących na przykład wielkości kapitału pracującego czy szybkości obrotu zapasami, 12 które są skutkiem różnic wynikających ze specyfiki prowadzonej działalności, - po drugie - z dezaktualizacji tych wartości wraz z upływem czasu od momentu ich wyznaczenia. Przedziały te ulegają dezaktualizacji wskutek na przykład zmiany cyklu koniunkturalnego czy zmiany warunków gospodarczych, przez co ulegają zmianie średnie wartości wskaźników ekonomiczno-finansowych w danym kraju. Nie ma ścisłych zasad, które dokładnie definiowałyby okres po którym należy uaktualnić wyznaczone wartości wzorcowe. Przy ocenie danego wskaźnika finansowego należy wziąć pod uwagę: aspekt międzynarodowy (globalny), aspekt krajowy i aspekt badanej spółki (rysunek 2). A zatem problemy wyznaczenia optymalnych wartości wskaźników finansowych są problemami dynamicznymi. Nie da się ich wyznaczyć na stałe. Zależeć one będą od szybkości zachodzących zmian rynkowych, specyfiki poszczególnych branż gospodarki oraz od samej badanej firmy i jej pozycji rynkowej. Rysunek 2. Problemy wyznaczenia optymalnych przedziałów wartości badanych wskaźników finansowych Źródło: Opracowanie własne. 13 4. Założenia do badań Głównym celem części empirycznej książki jest weryfikacja skuteczności modeli logiki rozmytej opracowanych na potrzeby analizy wskaźnikowej. Weryfikacja ta została przeprowadzona na dwóch rodzajach przedsiębiorstw – o złej oraz o dobrej sytuacji ekonomiczno-finansowej. Jako kryterium złej kondycji przedsiębiorstwa przyjęto: ogłoszenie przez sąd upadłości, zgłoszenie wniosku o upadłość lub informacje o rozważaniu przez zarząd spółki lub wierzycieli zgłoszenia takiego wniosku. Przekonanie o tym, że przedsiębiorstwo jest „zdrowe”, wyrabiano sobie na podstawie analizy sprawozdań finansowych. Przy ocenie kierowano się głównie rentownością, płynnością i wielkością zadłużenia. Wybrano te przedsiębiorstwa, co do których nie było żadnych wątpliwości, że nie są zagrożone upadłością. Podczas badań sprawdzono: ü skuteczność opracowanych w części drugiej książki trzynastu modeli logiki rozmytej dla poszczególnych wskaźników finansowych na tle tradycyjnej analizy wskaźnikowej przedstawionej w części pierwszej, ü zachowanie się tych modeli wraz z wydłużeniem okresu analizy z roku do dwóch lat przed ogłoszeniem, iż dana spółka jest w złej sytuacji ekonomiczno-finansowej, ü skuteczność omawianych modeli na trzech różnych próbach testowych składających się z przedsiębiorstw z różnych regionów świata, co umożliwiło wyciągnięcie wniosków na temat uniwersalności modeli logiki rozmytej i porównanie ich z uniwersalnością tradycyjnych wskaźników finansowych, ü skuteczność modelu syntetycznej oceny sytuacji finansowej firm opracowanego przy zastosowaniu logiki rozmytej na podstawie czterech najczęściej wykorzystywanych wskaźników finansowych w literaturze na tle tradycyjnych modeli scoringowych opartych na analizie wskaźnikowej, ü użyteczność poszczególnych wskaźników finansowych w ocenie sytuacji ekonomicznofinansowej przedsiębiorstw. W badaniach autor opracował populację przedsiębiorstw składającą się ze 166 firm z sektora usług i produkcji. W badaniach pominięto przedsiębiorstwa z sektora finansowego (banki i firmy ubezpieczeniowe) ze względu na ich zbyt odmienną charakterystykę oraz inne wskaźniki finansowe wykorzystywane w analizie wskaźnikowej tych firm. W ramach tej populacji firm wyodrębniono: 14 ü próbę testową nr 1 – składającą się z 60 spółek akcyjnych z Polski, notowanych na warszawskiej Giełdzie Papierów Wartościowych. Przy czym, 30 z nich były to spółki zagrożone bankructwem tj. złożono wobec nich wnioski o upadłość lub zarząd danej spółki rozważał taką możliwość w obliczu trudnej sytuacji finansowej firmy. Pozostałe 30 spółek były to firmy o dobrej kondycji finansowo-ekonomicznej. Badane spółki pochodziły z różnych sektorów, takich jak: budownictwo, przemysł metalowy, spożywczy, chemiczny, telekomunikacyjny itp. Należy zaznaczyć, że zostały one w miarę możliwości dobrane parami tj. potencjalnemu bankrutowi przypisano przedsiębiorstwo „zdrowe” z tej samej branży oraz o podobnej wielkości sumy bilansowej; ü próbę testową nr 2 – składającą się z 60 firm z Ameryki Łacińskiej. Próba ta była również próbą zbilansowaną, czyli zawierającą 30 firm „dobrych“ i 30 firm „złych“. Spółki te pochodziły z różnych sektorów gospodarki takich krajów jak: Meksyk, Argentyna, Brazylia, Chile, Peru, Wenezuela; ü próbę testową nr 3 – zawierającą 46 przedsiębiorstw międzynarodowych, a nawet globalnych (na przykład Coca-Cola). W skład tej próby testowej weszły 23 firmy „złe“ – zagrożone upadłością lub upadłe oraz 23 spółki o nienagannej sytuacji finansowej. Siedziby tych firm znajdują się w takich krajach jak: USA, Niemcy, Francja, Wielka Brytania, Szwecja, Japonia, Finlandia, Tajwan, Korea Południowa, Holandia. W badaniach nie opracowano próby uczącej, ponieważ autor testował modele logiki rozmytej opracowane na podstawie jego wiedzy i doświadczenia z poprzednich dwunastu lat pracy. Modele bazujące na wykorzystaniu logiki rozmytej nie wymagają żadnych założeń dotyczących procesu uczenia. Opracowywane one są na podstawie wiedzy eksperckiej. A zatem można przyjąć, że przedstawione w drugiej części niniejszej książki modele logiki rozmytej są modelami quasi teoretycznymi. Stąd też potrzeba weryfikacji ich użyteczności i skuteczności w praktyce gospodarczej na podstawie wyżej wymienionych trzech prób testowych. Ze względu na brak próby uczącej, nie ma potrzeby testowania opracowanych wskaźników finansowych na zbiorach rozmytych na próbie testowej niezbilansowanej (o nierównej proporcji firm „zdrowych“ w stosunku do firm „chorych“). Taka konieczność istnieje w wypadku oszacowania modeli prognozowania upadłości, aby sprawdzić, czy zachowują się one w podobny sposób na zbilansowanej i niezbilansowanej próbie testowej23. 23 Więcej o zagrożeniach wynikających z testowania modeli statystycznych na próbie zbilansowanej w Korol T., Systemy ostrzegania przedsiębiorstw...., op. cit., s. 137-197. 15 Dla wszystkich 166 przedsiębiorstw autor obliczył i wykorzystał 34 zmienne finansowe (tabela 2) na rok i na dwa lata przed uznaniem spółki za „dobrą“ lub „złą“. Jednakże w badaniach wykorzystano sprawozdania finansowe za trzy lata (498 bilansów i 498 rachunków zysków i strat), ponieważ część zmiennych w ujęciu dynamicznym była badana między pierwszym a drugim rokiem oraz między drugim a trzecim rokiem. W próbie testowej nr 1 dane finansowe pochodziły z lat 1999 – 2007, w próbie testowej nr 2 z lat 2000 – 2009, a w próbie testowej nr 3 z lat 1999 – 2009. Tabela 2. Zmienne finansowe wykorzystane w badaniach. L.p. Symbol zmiennej Opis zmiennej finansowej 1. AO Aktywa obrotowe 2. Z Zapasy 3. ZK Zobowiązania krótkoterminowe 4. N Należności krótkoterminowe 5. SRP Środki pieniężne 6. IK Inwestycje krótkoterminowe 7. ZB Zysk brutto 8. ZO Zysk operacyjny 9. PS Przychody ze sprzedaży 10. PCAL Przychody ogółem 11. (PS / SB) *100% Produktywność aktywów ogółem 12. (ZKt / ZKt-1)* 100% Dynamika zobowiązań krótkoterminowych 13. (ZDLt / ZDLt-1)*100% Dynamika zobowiązań długoterminowych 14. [(ZNt + At )/ (ZNt-1 + At-1 )] *100% Dynamika nadwyżki finansowej 15. (ZN + A) / SB Relacja nadwyżki finansowej do aktywów ogółem 16. ZK / (ZN + A) Liczba lat spłaty zob.krótkoterminowych 17. ZDL / (ZN + A) Liczba lat spłaty zob.długoterminowych 18. (SBt / SBt-1)*100% Dynamika aktywów ogółem 19. (KWt / KWt-1) *100% Dynamika kapitału własnego 20. (KSt / KSt-1) *100% Dynamika kapitału stałego 21. (ATt / ATt-1) *100% Dynamika aktywów trwałych 22. (AT / SB) *100% Udział aktywów trwałych w aktywach ogółem 23. (AO / SB) *100% Udział aktywów obrotowych w aktywach ogółem 24. (KW / SB) * 100% Udział kapitału własnego w finansowaniu aktywów ogółem 16 25. (Z / AO) *100% Udział zapasów w aktywach obrotowych 26. (N / AO) *100% Udział należności krótkoterminowych w aktywach obrotowych 27. KS / KW Relacja kapitału stałego do kapitału własnego 28. (PSt / PSt-1)*100% Dynamika przychodów ze sprzedaży 29. (Zt / Zt-1) *100% Dynamika zapasów 30. PS / Z Wskaźnik rotacji zapasów 31. (Nt / Nt-1)*100% Dynamika należności krótkoterminowych 32. PS / N Wskaźnik rotacji należności krótkoterminowych 33. PS / ZK Wskaźnik rotacji zobowiązań krótkoterminowych 34. AO / ZK Wskaźnik płynności bieżącej Źródło: opracowanie własne. Dodatkowo każde przedsiębiorstwo zostało opisane zero-jedynkową zmienną wyjściową – zmienną grupującą populacje na dwie grupy przedsiębiorstw – na te o złej sytuacji finansowej (wartość zmiennej = zero) i dobrej kondycji ekonomicznej (wartość zmiennej = jeden). W sumie autor przetestował trzynaście modeli opisanych w pracy na rok i na dwa lata wstecz przy pomocy trzech prób testowych (łącznie 78 testów): ü model zdezagregowanego wskaźnika płynności bieżącej, ü model wskaźnika płynności szybkiej, ü model wskaźnika płynności gotówkowej, ü model zdezagregowanego wskaźnika zadłużenia ogółem, ü model zdezagregowanego wskaźnika pokrycia aktywów trwałych kapitałem stałym, ü model zdezagregowanego wskaźnika rentowności działalności netto, ü model zdezagregowanego wskaźnika rentowności aktywów ogółem, ü model zdezagregowanego wskaźnika rentowności kapitału własnego, ü model wskaźnika rotacji zapasów, ü model wskaźnika rotacji należności krótkoterminowych, ü model wskaźnika rotacji zobowiązań krótkoterminowych, ü model zdezagregowanego wskaźnika produktywności aktywów ogółem, ü model syntetycznej oceny sytuacji ekonomicznej firm przy wykorzystaniu analizy wskaźnikowej. 17 Jakość klasyfikacji wszystkich modeli oceniono na podstawie skuteczności ogólnej, a także błędów I i II rodzaju. I tak, zastosowano następujące formuły: q błąd I rodzaju: E1 = (D1 / BR) • 100% gdzie: D1 – liczba firm o złej sytuacji finansowej zaklasyfikowanych przez modelwskaźnik jako firmy dobre, BR – liczba firm o złej kondycji ekonomicznej w próbie testowej; q błąd II rodzaju: E2 = (D2 / NBR) • 100% gdzie: D2 – liczba przedsiębiorstw o nienagannej sytuacji finansowej zaklasyfikowanych przez model-wskaźnik jako firmy „złe” tj. zagrożone upadłością, NBR – liczba firm „dobrych” w próbie testowej; q skuteczność ogólna modelu: S = {1 – [(D1 + D2) / (BR + NBR)]} • 100%. 5. Zastosowanie logiki rozmytej w analizie wskaźnikowej W imponującym przedsiębiorstw 24 rozwoju modeli prognozowania oraz samej analizy wskaźnikowej 25 sytuacji finansowej należy dostrzec nieadekwatność większości modeli oraz wskaźników finansowych do zjawisk zachodzących w dzisiejszym otoczeniu przedsiębiorstw. Nieadekwatność ta wyraża się w stosowaniu logiki dwuwartościowej do opisu i oceny zjawisk rozmytych, nieprecyzyjnych i wieloznacznych. Na sytuację finansowo-ekonomiczną przedsiębiorstw wpływa wiele czynników wewnętrznych26 i zewnętrznych27, których nie da się precyzyjnie i jednoznacznie zdefiniować. W dodatku 24 Patrz: Korol T., Systemy ostrzegania... op. cit., s. 85 – 134. Patrz: część pierwsza niniejszej książki. 26 Więcej na temat rodzaju czynników wewnętrznych wpływających na sytuację finansową firm: ü Asgharian H., Are highly leveraged firms more sensitive to an economic downturn? The European Journal of Finance, nr 9, 2003, s. 219–241, ü Kash T., Darling J., Crisis management-prevention, diagnosis and intervention, Leadership and Organization Development Journal, nr 19/4, 1998, s. 179-186, ü Kędzierski L., Czynniki determinujące sytuację finansową przedsiębiorstwa, Pieniądze i Więź, nr 1 (2), 1999, s. 49-54, ü Stokes D., Blackburn R., Learning the hard way – the lessons of owner/managers who have closed their businesses, Journal of Small Business and Enterprise Development, volume 9, nr 1, 2002, s. 17-27. 27 Więcej na temat rodzaju czynników zewnętrznych wpływających na sytuację finansową firm: ü Bhattacharjee A., Highson C., Holly S., Kattuman P., Business failure in UK and US quoted firms-impact of macroeconomic instability and the role of legal institutions, Applied Economics Department Working Paper 2003, Cambridge University, ü Czeszejko-Sochacki M., Przyczyny upadłości przedsiębiorstw z rejonu województwa warmińskomazurskiego w latach 1999-2004, (w:) Ekonomiczne i prawne aspekty upadłości przedsiębiorstw (red.nauk. Prusak B.), Difin, Warszawa 2007, s. 29-36, 25 18 czynniki te mogą w różnych fazach cyklu życia przedsiębiorstwa inaczej wpływać na jego sytuację ekonomiczną, czy też wywoływać reakcje łańcuchowe28. Również samo stwierdzenie, że dana spółka jest w „dobrej“ lub w „złej“ sytuacji finansowej jest stwierdzeniem nieprecyzyjnym, albowiem w rzerzywistości gospodarczej rzadko analitycy mają do czynienia ze stuprocentowymi „dobrymi“ lub „złymi“ firmami. Trudno z kolei przy pomocy tradycyjnych wskaźników finansowych wykorzystujących klasyczną teorię zbiorów określić precyzyjnie stopień zagrożenia lub stopień zaawansowania sytuacji pozytywnej – czy jest to sytuacja średnio dobra, czy może wysoko dobra. Co więcej, sam sposób interpretacji obliczonych wartości poszczególnych wskaźników budzi wiele kontrowersji. Po pierwsze – problematyczne jest, jak to zostało wykazane w części pierwszej niniejszej książki, wyznaczenie optymalnych przedziałów wartości wskaźników finansowych w szybko zmieniającym się otoczeniu. Czy wartość graniczna dla płynności bieżącej przedsiębiorstwa wyznaczona pięć lat temu przez analityka jako minimalna wartość na poziomie na przykład 1,3, jest nadal aktualna w trakcie globalnego kryzysu finansowego. Jeśli nawet dany analityk wyznaczy aktualną wartość graniczną dla badanego przedsiębiorstwa, pojawia się drugi kontrowersyjny aspekt związany z analizą wskaźnikową – otóż stosując do oceny tego wskaźnika klasyczną teorię zbiorów, istnieje ostra granica na poziomie wartości granicznej. Czy rzeczywiście sytuacja finansowa firmy, która zanotuje ten wskaźnik na poziomie 1,29, tak bardzo różni się od sytuacji w której osiągnie ona ustalony poziom wartości krytycznej – 1,3. Wykorzystanie metod statystycznych do prognozowania ryzyka zagrożenia upadłością firm, na przykład najbardziej popularnej wielowymiarowej analizy dyskryminacyjnej, nie zmienia sytuacji. Gdy wartość funkcji dyskryminacyjnej dla badanej firmy jest mniejsza od wartości granicznej, stwierdzamy, że dana spółka jest zagrożona upadłością. I tu również analityk napotyka trzy podobne problemy, co w wypadku analizy wskaźnikowej: ü po pierwsze – mimo, że ocena kondycji finansowej przedsiębiorstwa jest dokonywana na podstawie wyliczenia jednocześnie szeregu często bezpośrednio nie powiązanych ze sobą wskaźników finansowych bez ich indywidualnej interpretacji, to wciąż modele ü Dyrberg A., A comparative analysis of the determinants of financial distress in French, Italian and Spanish firms, Working Papers, Danmarks Nationalbank, nr 26, 2005, ü Hunter J., Isachenkova N., Aggregate economy risk and company failure: An examination of UK quoted firms in the early 1990s, Journal of Policy Modeling, nr 28, 2006, s. 911–919, ü Robson M., Macroeconomic factors in the birth and death of UK firms, Manchester School Papers, nr 64 (2), 1996, s. 57-69, ü Watson J., Everett J., Small business failure and external risk factors, Small Business Economics Journal, nr 11, 1998, s. 371-390. 28 Więcej na ten temat: Korol T., System ostrzegania..., op.cit., s. 35 – 62. 19 statystyczne oparte są na wykorzystaniu tradycyjnych wskaźników finansowych (w ujęciu statycznym i przy zastosowaniu logiki klasycznej), ü po drugie – wartość graniczna funkcji dyskryminacyjnej jest wartością logiki dwuwartościowej (sytuacja firm jest klasyfikowana jako „dobra“ gdy wartość funkcji jest powyżej oszacowanej wartości granicznej – na przykład dla modelu Altmana – 2,99, oraz jest „zła“ gdy jest poniżej tej wartości), ü po trzecie – sam termin „zagrożenie upadłością“ jest wieloznaczny zarówno z punktu widzenia prawnego, jak i ekonomicznego (na przykład firma może być zagrożona upadłością, ale sytuację swoją systematycznie poprawia, przez co nie można jej zaklasyfikować jako przyszłego bankruta, co więcej – nawet określenie jej sytuacji jako „zła“ byłoby nieprecyzyjne ze względu na to, że kondycja spółki ulega systematycznej poprawie). W obecnych czasach takie podejście „zero-jedynkowe“ („dobry/zły“ wskaźnik, firma) wydaje się być mocno przestarzałe i nieprzystawalne do istniejących warunków gospodarczych. W gospodarce wolnorynkowej wiele zjawisk w ekonomii jest „rozmytych“, a traktowane są przez ekonomistów jakby były „ostre“ – dwuwartościowe. Dzięki zbiorom rozmytym można formalnie określić pojęcia nieprecyzyjne i wieloznaczne, takie jak „wysokie zagrożenie upadłością”, „małe zagrożenie upadłością”, „dobra sytuacja finansowa“ itp. Pojęcie zbioru rozmytego wprowadził w 1965 roku Zadeh L.29. O ile klasyczna teoria zbiorów zakłada, że dowolny element (firma) należy lub nie należy do danego zbioru („zła“ lub „dobra“ sytuacja finansowa), o tyle w teorii zbiorów rozmytych element może częściowo należeć do pewnego zbioru, a przynależność tę można wyrazić przy pomocy liczby rzeczywistej z przedziału [0,1]. Innymi słowy, przy wykorzystaniu logiki rozmytej sytuację finansową przedsiębiorstwa można ocenić jako częściowo dobrą lub częściowo złą. Parafrazując cytat rozpoczynający drugą część niniejszej książki („...lepiej jest mieć częściowo rację, niż być całkowicie w błędzie“) można powiedzieć, że lepiej jest zaklasyfikować kondycję firmy jako częściowo złą, niż stwierdzić, że jest to jednostka „zła“, czyli bankrutująca. Niejednokrotnie taka błędna informacja paradoksalnie – może rzeczywiście przyczynić się do bankructwa przedsiębiorstwa poprzez odstraszenie od niego potencjalnych partnerów handlowych. 29 Zadeh L., Fuzzy sets, Information and Control, nr 8 (3), 1965, s. 338-353. 20 Dzięki zbiorom rozmytym można formalnie określić pojęcia nieprecyzyjne i wieloznaczne, takie jak „wysokie zagrożenie upadłością” czy „małe zagrożenie upadłością”. Zbiór rozmyty A w pewnej niepustej przestrzeni X (A⊆X) można zdefiniować jako30: A = {(x, µA (x))| x ∈ X } gdzie µA : X → [0,1] jest funkcją, która dla każdego elementu z X określa, w jakim stopniu należy on do zbioru A. Funkcja µA jest to tzw. funkcja przynależności zbioru rozmytego A. Klasyczna teoria zbiorów zakłada, że dowolny element (firma) należy lub nie należy do danego zbioru (bankruta lub niebankruta). Z kolei w teorii zbiorów rozmytych element może częściowo należeć do pewnego zbioru, a przynależność tę można wyrazić za pomocą liczby rzeczywistej z przedziału [0,1]. Zatem funkcja przynależności µA(x) : U⇒ [0,1] jest zdefiniowana następująco31: % f (x), x # X " µA (x) = & x #U '0, x $ X gdzie: µA(x) - funkcja określająca przynależność elementu x do zbioru A, będącego podzbiorem U; f(x) - funkcja przyjmująca wartości z przedziału [0,1]. Wartości takiej funkcji ! nazywane są stopniami przynależności. Funkcja przynależności każdemu elementowi x ∈ X przypisuje stopień przynależności do zbioru rozmytego A, przy czym można wyróżnić trzy sytuacje32: q µA (x) = 1 oznacza pełną przynależność elementu x do zbioru rozmytego A, q µA (x) = 0 oznacza brak przynależności elementu x do zbioru rozmytego A, q 0< µA (x) <1 oznacza częściową przynależność elementu x do zbioru rozmytego A. Funkcje przynależności najczęściej przedstawiane są w postaci graficznej. Często stosuje się trapezoidalną funkcję µA (x)33, której wykres przedstawiono na rysunku 3. Na ilustracji tej ujęto także akceptowane normy, podawane w literaturze dla wskaźnika bieżącej płynności. Poprawna wartość tego wskaźnika to wartość z przedziału [1,2 ; 2], niepoprawna zaś należy do przedziału (0; 1,2)∪(2; ∞). Gdy wartość tego wskaźnika jest niższa niż 1,2 uważa się, że firma taka ma zbyt niską płynność bieżącą, z kolei gdy wartość ta jest wyższa 30 Bartkiewicz W.: Sztuczne sieci neuronowe, [w:] Inteligentne systemy w zarządzaniu – teoria i praktyka, red.nauk. Zieliński J., PWN, Warszawa 2000, s. 73. 31 Czyżewski A.: Dźwięk cyfrowy – wybrane zagadnienia teoretyczne, technologia, zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001, s. 284-285. 32 Rutkowski L.: Metody i techniki sztucznej inteligencji, PWN, Warszawa 2005, s. 52-53. 33 Wniosek wysunięty przez Czyżewski A.: op.cit., s. 285. Inne możliwe do zastosowania funkcje przynależności to np.: trójkąt równoramienny, czy też trójkąt asymetryczny (więcej: Rutkowski L.: op. cit., s. 290-291) 21 od 2,0 mówi się, że przedsiębiorstwo posiada nadpłynność34, co również oceniane jest jako negatywne zjawisko. Rysunek 3. Przykładowa funkcja trapeizodalna przynależności dla wskaźnika płynności bieżącej Stopień przynależności µ (wartość wskaźnika płynności bieżącej) 1 0 NIEPOPRAWNY (ZBYT NISKI) NIEPOPRAWNY (ZBYT WYSOKI) POPRAWNY 1,2 Źródło: opracowanie własne. 2,0 wartość wskaźnika płynności bieżącej W takiej sytuacji, stosując do oceny tego wskaźnika klasyczną teorię zbiorów, istnieje ostra granica między oboma zbiorami dla wartości wskaźnika 1,2 oraz 2,0. Gdyby jedna firma zanotowała wskaźnik biężącej płynności na przykład na poziomie 1,19, zostałoby to zaklasyfikowane jako wartość niepoprawna – negatywna, z kolei gdyby druga firma zanotowała ten wskaźnik na poziomie 1,2, byłoby to uznane jako wartość poprawna – pozytywna w ocenie zagrożenia upadłością danego podmiotu gospodarczego, mimo, że wartości wskaźnika obu firm różnią się jedynie o 0,01. Interpretację wartości poszczególnych wskaźników (na przykład płynności) komplikuje dodatkowo fakt, że różne źródła literaturowe podają różne referencyjne wartości graniczne dla poszczególnych wskaźników. Zastosowanie zbiorów rozmytych zmienia sposób oceny problemu. Wskaźnik bieżącej płynności o wartości 1,19 zostaje uznany częściowo jako poprawny i częściowo jako niepoprawny. Stopień przynależności do obu zbiorów zależy od kształtu funkcji przynależności. Przy tak zdefiniowanych podzbiorach granica między wartościami uważanymi za pozytywne i negatywne ulega rozmyciu - pewna wartość wskaźnika jest "częściowo dobra" i "częściowo zła". Takiej możliwości nie ma w wypadku stosowania logiki klasycznej, czyli dwuwartościowej, w której dana wartość wskaźnika jest "dobra", albo "zła". Dlatego też stosowanie logiki klasycznej w ocenie sytuacji finansowo-ekonomicznej firm wpływa negatywnie na skuteczność stawianych prognoz. Taka sytuacja ma miejsce szczególnie dla wartości znajdujących się blisko granicy podzbiorów, gdzie nieznaczne przekroczenie 34 W przypadku nadpłynności firm może posiadać np. zbyt dużo zapasów, co jest oceniane jako nieefektywne zarządzanie firmą. 22 wartości krytycznej wskaźnika decyduje o końcowej jego ocenie (jako całkowicie pozytywna lub negatywna), co nie jest zgodne z prawdą, ponieważ obie wartości wskaźnika odzwierciedlają niemal tę samą sytuację w przedsiębiorstwie. Dlatego też, celem części drugiej książki była próba implementacji logiki rozmytej w wykorzystywanej w przedsiębiorstwach analizie wskaźnikowej oraz w syntetycznej ocenie sytuacji finansowej firm przy zastosowaniu omówionych w pierwszej części książki wskaźników finansowych i występujących między nimi zależnościach systemowych. W pracy autor zaproponował zastosowanie logiki rozmytej dla zdezagregowanych przez niego wskaźników finansowych. Dezagregacja poszczególnych wskaźników miała na celu, nie tylko sam sposób obliczenia wartości danego wskaźnika, ale również, a właściwie przede wszystkim ocenę czynnników wpływających na jego poziom. Przedstawione w książce rozważania są wynikiem dwunastoletniej pracy i przemyśleń autora nad zagadnieniem analizy wskaźnikowej. Ze względu na ograniczony rozmiar autoreferatu, autor przedstawi w nim tylko jeden z trzynastu modeli, by pokazać sposób opracowywania i działania takiego modelu. Tym przykładowym modelem jest model oparty na dezagregacji wskaźnika płynności bieżącej przeprowadzonej przez autora w części pierwszej książki. Dezagregacja ta miała następującą postać: Opracowany przez autora model składa się z: ü sześciu zmiennych wejściowych: aktywów obrotowych (AO), zapasów (Z), należności krótkoterminowych (N), inwestycji krótkoterminowych (IK), środków pieniężnych (SRP) oraz zobowiązań krótkoterminowych (ZK). W modelu dla każdej zmiennej wejściowej określono trzy zbiory rozmyte (będące podzbiorami dziedziny zbioru wartości danego wejścia) oraz odpowiadające im funkcje przynależności: o „small35 “ – dla niskiego poziomu badanych zmiennych, o „medium“ – dla średniego poziomu zmiennych, o „high“ – dla wysokiego stanu tych zmiennych, 35 Ze względu na wykorzystywanie anglojęzycznej wersji oprogramowania służącego do opracowania modelu logiki rozmytej, we wszystkich opracowanych modelach w niniejszej pracy autor wykorzystał terminy angielskie. 23 ü Poziomy zmiennych wejściowych są wartościami rozmytymi. Zbiory rozmyte oraz kształt funkcji przynależności zostały arbitralnie wyznaczone przez autora. Ocena zmiennych AO oraz ZK (jako „Small”, „Medium“ lub „High”) oparta została na analizie ich udziału w aktywach ogółem (od 0% do 100%). Z kolei zmienne Z i N zostały przedstawione jako procentowy udział w aktywach obrotowych od 0% do 80%, a zmienne SRP i IK zostały przedstawione jako procentowy udział w aktywach obrotowych od 0% do 50% – rysunek 6. Zmienne te musiały zostać przedstawione w formie względnej. Gdyby przedstawiono je w formie pieniężnej wartość aktywów obrotowych na przykład w kwocie miliona złotych dla jednej firmy mogłaby oznaczać wysoki poziom, a dla drugiej niski poziom tych aktywów; ü pięciu ośrodków decyzyjnych – K1, K2, K3, K4 i K5 - rysunek 4; ü jednego wyjścia, które reprezentuje ocenę wskaźnika płynności bieżącej na podstawie analizy czterech czynników wpływających na jego poziom: stosunku aktywów obrotowych długoterminowych do aktywów obrotowych średnioterminowych tj. zamienialnych na gotówkę w umiarkowanym czasie (ośrodek decyzyjny K1), stosunku wartości średnioterminowych aktywów obrotowych do wartości krótkoterminowych aktywów obrotowych (ośrodek decyzyjny K2), stosunku inwestycji krótkoterminowych do posiadanych przez firmę środków pieniężnych (ośrodek decyzyjny K3) i stosunku środków pieniężnych do zobowiązań krótkoterminowych (ośrodek decyzyjny K4). Ze względu na to, iż wskaźnik ten jest nominantą ocena końcowa wskaźnika płynności bieżącej (ośrodek decyzyjny K5) została przedstawiona w skali od 0 do 5 przy uwzlędnieniu pięciu funkcji przynależności - rysunek 5: o „neg_low“ – reprezentującą informację o negatywnym (niebezpiecznie niskim) poziomie płynności bieżącej firmy, o „low“ – przedstawiającą informację o niskim, ale bezpiecznym poziomie tego wskaźnika, o „medium“ – informującą o optymalnym poziomie badanego wskaźnika, o „high“ – reprezentującą wysoki, ale wciąż w przedziale optymalnym poziom płynności bieżącej, o „neg_high“ – opisującą sytuację ze zbyt wysokim stopniem płynności przedsiębiorstwa (oznaczającą jego niegospodarność wpływającą na zmniejszenie efektywności firmy). Wyjścia ośrodków decyzyjnych K1, K2, K3 i K4 są jednocześnie wejściami do ośrodka decyzyjnego K5. Innymi słowy, ocena wskaźnika płynności bieżącej oparta jest na 24 cząstkowych ocenach poszczególnych czynników mających wpływ na tę płynność. Ocena tych zdezagregowanych czynników przyjmuje jeden z trzech stanów – niska ocena (wynik „low“), średnia ocena (wynik „medium“), wysoka ocena (wynik „High“). Rysunek 4. Struktura modelu logiki rozmytej dla zdezagregowanego wskaźnika płynności bieżącej Źródło: opracowanie własne. W tabeli 3 przedstawiono opracowane reguły decyzyjne dla bloków decyzyjnych K1, K2, K3 i K4. Ośrodki decyzyjne K1, K3 i K4 składają się z 9 reguł decyzyjnych, a blok K2 z 27 reguł. Przykładowo, gdy udział inwestycji krótkoterminowych w aktywach obrotowych jest na wysokim poziomie (funkcja przynależności „High“) a udział środków pieniężnych w aktywach obrotowych na niskim (funkcja przynależności „Small“) wygenerowana ocena dla tego zdezagregowanego czynnika płynności bieżącej wyniesie wartość wysoką („High“) – reguła decyzyjna nr 7 w bloku K3. Ta wysoka ocena „High“ jest jednocześnie wejściem do bloku decyzyjnego K5, dla którego opracowano 81 reguł decyzyjnych (tabela 4). Tabela 3. Zbiór reguł decyzyjnych dla poszczególnych ośrodków decyzyjnych modelu wskaźnika płynności bieżącej (K1, K2, K3, K4) Lp. Ośrodek decyzyjny K1 Jeśli Jeśli “Z” To “K1” Lp. Ośrodek decyzyjny K2 Jeśli “AO” Jeśli “N” Jeśli “Z” To “K2” 25 1. 2. 3. 4. 5. 6. 7. 8. 9. Lp. 1. 2. 3. 4. 5. 6. 7. 8. 9. Lp. 1. 2. 3. 4. 5. 6. 7. 8. 9. “AO” jest: jest: jest: Small Small Low Small Medium Low Small High Medium Medium Small Low Medium Medium Medium Medium High High High Small Medium High Medium High High High High Ośrodek decyzyjny K3 Jeśli “IK” Jeśli To “K3” jest: “SRP” jest: jest: Small Small Low Small Medium Low Small High Low Medium Small High Medium Medium Medium Medium High Low High Small High High Medium High High High Medium Ośrodek decyzyjny K4 Jeśli Jeśli To “K4” “SRP” “ZK” jest: jest: jest: Small Small Medium Small Medium Low Small High Low Medium Small Medium Medium Medium Low Medium High Low High Small High High Medium Medium High High Low 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. jest: Small Small Small Small Small Small Small Small Small Medium Medium jest: Small Small Small Medium Medium Medium High High High Small Small jest: Small Medium High Small Medium High Small Medium High Small Medium jest: Medium Medium Medium Medium Medium Low Medium Low Low High Medium 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. Medium Medium Medium Medium Medium Medium Medium High High High High Small Medium Medium Medium High High High Small Small Small Medium High Small Medium High Small Medium High Small Medium High Small Medium Medium Medium Medium Medium Medium Low High High High High 23. 24. 25. 26. 27. High High High High High Medium Medium High High High Medium High Small Medium High High Medium Medium Medium Low Źródło: opracowanie własne. Na podstawie 81 reguł decyzyjnych końcowa ocena wskaźnika płynności bieżącej („wynik“) przyporządkowana zostaje do jednej z pięciu funkcji przynależności (rysunek 5) od sytuacji wskazującej na niedobór płynności („Neg_low“), przez stany optymalne – niski („Low“), średni („Medium“), wysoki („High“), aż do nadpłynności finansowej („Neg_high“). Tabela 4. Zbiór reguł decyzyjnych dla ośrodka decyzyjnego K5 – ocena końcowa modelu wskaźnika płynności bieżącej L.p. Jeśli “K1” jest: 1. 2. 3. 4. 5. 6. 7. Low Low Low Low Low Low Low Ośrodek decyzyjny K5 – ocena końcowa Jeśli “K2” Jeśli “K3” jest Jeśli “K4” jest: jest: Low Low Low Low Low Medium Low Low High Low Medium Low Low Medium Medium Low Medium High Low High Low To “wynik” jest: Neg_low Neg_low Low Neg_low Low Medium Neg_low 26 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60. Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Low Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium Medium High High High High High High Low Low Medium Medium Medium Medium Medium Medium Medium Medium Medium High High High High High High High High High Low Low Low Low Low Low Low Low Low Medium Medium Medium Medium Medium Medium Medium Medium Medium High High High High High High High High High Low Low Low Low Low Low High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Medium Medium Neg_low Low Medium Neg_low Medium Medium Neg_low Medium High Neg_low Medium Medium Neg_low Medium High Low Medium High Neg_low Low Medium Neg_low Medium Medium Neg_low Medium High Neg_low Medium Medium Low Medium High Medium Medium High Neg_low Medium High Medium Medium High Medium High High Neg_Low Medium High Neg_Low Medium High 27 61. High 62. High 63. High 64. High 65. High 66. High 67. High 68. High 69. High 70. High 71. High 72. High 73. High 74. High 75. High 76. High 77. High 78. High 79. High 80. High 81. High Źródło: opracowanie własne. Low Low Low Medium Medium Medium Medium Medium Medium Medium Medium Medium High High High High High High High High High High High High Low Low Low Medium Medium Medium High High High Low Low Low Medium Medium Medium High High High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium High Low Medium Neg_high Neg_Low Medium Neg_high Medium Medium Neg_high Medium High Neg_high Medium Medium Neg_high Medium High Neg_high Medium Neg_high Neg_high Rysunek 5. Funkcje przynależności dla zdezagregowanego wskaźnika płynności bieżącej Źródło: opracowanie własne (program FuzzyTech) Na rysunku 6 przedstawiono zbiory rozmyte wraz z funkcjami przynależności dla przykładowej zmiennej – środków pieniężnych. Udział środków pieniężnych w aktywach obrotowych powyżej 36% klasyfikowany jest jako bezwględnie wysoki (funkcja przynależności „High“). Z kolei udział tego zmiennej w aktywach obrotowych poniżej 13% 28 uznawany jest jako bezwzględnie niski (funkcja przynależności „Small“). Wartości od 13% do 36% częściowo należą do poszczególnych stanów od niskiego przez średni do wysokiego. Rysunek 6. Zbiory rozmyte dla zmiennej wejściowej „środki pieniężne“ wraz z funkcjami przynależności Źródło: opracowanie własne (program FuzzyTech) Przykładową ocenę modelu przedstawiono poniżej. Ocena ta dotyczy scharakteryzowanego w autoreferacie modelu logiki rozmytej dla zdezagregowanego wskaźnika płynności bieżącej. Model badający płynność bieżącą firmy generuje ocenę tego wskaźnika z przedziału wartości od 0 do 5 (rysunek 5). Funkcja przynależności informująca o zbyt niskim poziomie („Neg_low“) omawianego miernika przyjmuje wartości od 0 do 1,9. Przy czym wartości od 0 do 1,2 oznaczają pełną (100%) przynależność do zbioru „Neg_low“, a wartości od 1,9 (należy przypomnieć, że jest to zakres wygenerowanej oceny wskaźnika, a nie wartość wskaźnika płynności bieżącej) oznaczają zerową przynależność do tego zbioru. Autor przyjął punkt przecięcia się (wartość 1,5) funkcji „Neg_low“ z funkcją „Low“ przedstawiającą niski, ale bezpieczny poziom płynności bieżącej, jako punkt graniczny – klasyfikujący spółki na „dobre“ i na „złe“ dla wszystkich trzech prób testowych, czyli niezależnie od regionu funkcjonowania przedsiębiorstwa, kryterium klasyfikacji zostało ustalone takie samo. Na rysunku 7 przedstawiono otrzymane skuteczności ogólne modelu logiki rozmytej na rok i na dwa lata wstecz dla trzech prób testowych („rozmyte“ S1 i S2). Skuteczności te porównano z wynikami jakie otrzymano na podstawie testów badanej populacji przedsiębiorstw przy wykorzystaniu tradycyjnie obliczonego wskaźnika płynności bieżącej („tradycyjny“ S1 i S2). Ostre granice wyznaczono na podstawie podanego przeglądu 29 rekomendowanych norm w rozdziale 2 niniejszej książki. I tak, dla próby testowej zawierającej przedsiębiorstwa z Polski przyjęto wartość minimalną na poziomie 1,3, dla próby testowej składającej się z firm z Ameryki Łacińskiej 1,4, a dla próby testowej ze spółkami międzynarodowymi 1,2. Z rysunku 7 widać, że we wszystkich trzech próbach testowych dla obu lat analizy wykorzystanie modelu opartego na logice rozmytej wyraźnie pozytywnie wpłynęło na poprawę skuteczności oceny płynności bieżącej przedsiębiorstw. Największą poprawę skuteczności odnotowano na próbie testowej nr 3 z firmami międzynarodowymi na dwa lata wstecz (wzrost z 60,87% do 71,74%). Najmniejszy wzrost skuteczności pod wpływem wykorzystania logiki rozmytej widać na próbie testowej nr 2 z firmami z Ameryki Łacińskiej – dla obu lat objętych analizą skuteczność ta zwiększyła się o około 6 punktów procentowych. Najwyższą skuteczność modelu logiki rozmytej zanotowano na próbie testowej nr 1 z firmami z Polski na rok wstecz (90% skuteczność). Kolejną rzeczą na którą warto zwrócić uwagę jest poziom błędów I i II rodzaju wygenerowanych przez model logiki rozmytej i przez wskaźnik w ujęciu tradycyjnym. Z rysunku 8 przedstawiającego te błędy na rok wstecz i z rysunku 9, na którym zaznaczono je na dwa lata wstecz, widać, że w obu latach analizy nie dość, że użycie logiki rozmytej Rysunek 7. Skuteczność ogólna modelu płynności bieżącej na rok (S1) oraz na dwa lata wstecz (S2) Źródło: opracowanie własne 30 wpłynęło na zmniejszego obu rodzajów błędów, to w dodatku przy stosowaniu ujęcia tradycyjnego analizy wskaźnikowej błędy I rodzaju były większe od błędów II typu. Przy wykorzystaniu logiki rozmytej sytuacja się odwróciła, czyli błędy I typu znacznie bardziej zostały zmniejszone niż II typu, przez co ich poziom był mniejszy od wartości błędów II rodzaju. Taka pozytywna tendencja miała miejsce dla obu lat we wszystkich trzech próbach testowych. W literaturze przedmiotu błąd I rodzaju uważa się za kosztowniejszy od błędu II rodzaju. Polega on na zaklasyfikowaniu firmy o złej sytuacji ekonomiczno-finansowej jako spółki o nienagannej kondycji. W takim wypadku zakup akcji „złej“ spółki (błąd I rodzaju) oznacza w przyszłości straty wynikające początkowo ze spadku notowań takiej spółki, a następnie z jej upadłości. Z kolei błąd II rodzaju oznacza utratę „jedynie” potencjalnych zysków przy rezygnacji z zakupu akcji „zdrowej” spółki uważając, iż jest to spółka „zła“. Najwyższe błędy I i II rodzaju w obu latach analizy zarówno w ujęciu tradycyjnym i rozmytym odnotowano dla próby testowej zawierającej przedsiębiorstwa międzynarodowe z różnych krajów na świecie – błędy te kształtowały się na poziomie powyżej 30% przy zastosowaniu tradycyjnego wskaźnika oraz powyżej 20% przy wykorzystaniu logiki rozmytej. Z kolei najniższe błędy zostały wygenerowane przy testowaniu próby składającej się z przedsiębiorstw z Polski. Rysunek 8. Błędy I (E1) i II (E2) rodzaju modelu płynności bieżącej na rok wstecz Źródło: opracowanie własne 31 Rysunek 9. Błędy I (E1) i II (E2) rodzaju modelu płynności bieżącej na dwa lata wstecz Źródło: opracowanie własne 6. Wnioski i rekomendacje W niniejszej monografii przedstawiono problematykę efektywności najstarszej i najpopularniejszej metody analizy finansowej – analizy wskaźnikowej. We wstępie książki zadano pytanie o jej aktualność i tym samym skuteczność w czasach postępującej globalizacji i informatyzacji przedsiębiorstw. Dodatkowo globalny kryzys finansowy, który rozpoczął się w połowie 2008 roku, spowodował zwiększoną niepewność i złożoność zjawisk zachodzących w gospodarce światowej. Takie wydarzenia, jak pojawienie się ryzyka upadłości krajów (na przykład Grecji) czy masowe obniżanie ich ratingu kredytowego, bezpośrednio i pośrednio wpływają na sytuację finansową firm. Autor ma nadzieję, że książka ta spotka się z zainteresowaniem analityków gospodarczych, przedsiębiorców, studentów i naukowców z dziedziny nauk ekonomicznych ze względu na: 1. Zaproponowanie dezagregacji, dzięki której można nie tylko obliczyć dany wskaźnik finansowy, ale także dodatkowo ocenić wpływ poszczególnych mierników finansowych na jego wielkość. Na przykład poprzez wprowadzenie dynamicznego ujęcia analityk może porównać dynamikę wzrostu danych czynników (np. dynamikę wybranych pasywów w stosunku do dynamiki wybranych aktywów) oraz dodatkowo ocenić na podstawie wartości z okresu poprzedniego, jak mocno wzrost lub spadek tych składowych wpływa na obecny stan badanego wskaźnika. Zalety łącznego stosowania dezagregacji wskaźników finansowych i 32 logiki rozmytej widać na praktycznych przykładach przedstawionych w aneksie do niniejszej książki. I tak na przykład rozpisanie wskaźnika pokrycia aktywów trwałych kapitałem stałym na czynniki w ujęciu dynamicznym i statycznym pozwoliło autorowi jednoznacznie wskazać zagrożenia wynikające z nieodpowiedniej struktury kapitałowej w badanej spółce. Co ważne, można je było dostrzec już na dwa lata przed przeprowadzeniem analizy. W ujęciu tradycyjnym (tj. w ujęciu statycznym i bez zastosowania zbiorów rozmytych) wskaźnik ten pozostawał na wysokim, bardzo bezpiecznym poziomie, przez co analityk nie mógł zauważyć sygnałów ostrzegawczych. 2. Uszeregowanie wskaźników finansowych według kryterium najczęstszego stosowania. Kwerendy tej dokonano na podstawie studiów literaturowych obejmujących 600 artykułów. 3. Zaprezentowanie teoretycznych założeń metody uwzględniającej logikę rozmytą. 4. Opracowanie 13 modeli logiki rozmytej dla najpopularniejszych wskaźników finansowych, za pomocą których oceniana jest kondycja finansowa przedsiębiorstw. 5. Opracowanie modelu logiki rozmytej umożliwiającego syntetyczną ocenę sytuacji finansowo-ekonomicznej przedsiębiorstwa. 6. Przetestowanie 13 modeli logiki rozmytej na trzech różnych próbach testowych obejmujących firmy z następujących krajów: Polska, Niemcy, Francja, Japonia, Tajwan, Szwecja, Finlandia, Korea Południowa, Wielka Brytania, Meksyk, Argentyna, USA, Brazylia, Chile, Peru, Wenezuela. 7. Zweryfikowanie uniwersalności, tj. właściwości predykcyjnych, zaproponowanych modeli na podstawie różnorodnej populacji 166 przedsiębiorstw. 8. Sprawdzenie zachowania się modeli w wypadku wydłużenia okresu analizy do dwóch lat. 9. Porównanie skuteczności analizy wskaźnikowej opartej na zbiorach rozmytych ze skutecznością analizy wskaźnikowej tradycyjnej (zero-jedynkowej). Ponadto przeprowadzone przez autora badania pozwoliły wyciągnąć kilka wniosków na temat samej analizy wskaźnikowej. Po pierwsze, wyodrębniono następujące wskaźniki finansowe generujące mocne symptomy ostrzegawcze złej kondycji finansowej przedsiębiorstwa z dwuletnim wyprzedzeniem: • płynność bieżąca, • płynność szybka, • pokrycie aktywów trwałych kapitałem stałym, • rotacja zobowiązań krótkoterminowych, • produktywność aktywów ogółem. Po drugie, wyszczególniono również wskaźniki finansowe, które generują słabe sygnały 33 ostrzegawcze: • rotacja zapasów, • okres ściągania należności krótkoterminowych, • grupa wskaźników rentowności (ROS3, ROA i ROE). Po trzecie, wykazano, że zastosowanie logiki rozmytej w analizie wskaźnikowej jest nie tylko możliwe, ale również pożądane. Nawet w przypadku wskaźników generujących słabe sygnały ostrzegawcze wykorzystanie zbiorów rozmytych zwiększyło skuteczność analizy wskaźnikowej niezależnie od rodzaju próby testowej. Tym samym udowodniono przydatność i uniwersalność analizy wskaźnikowej opartej na logice rozmytej. Po czwarte, wykazano zalety stosowania logiki rozmytej w analizie finansowej, takie jak: • zdolność do wyjaśnienia sposobu rozwiązania problemu oraz jawna wiedza (wszystkie reguły decyzyjne wraz z funkcjami przynależności zostały przedstawione w książce, przez co każdy czytelnik bez problemu sam może je wykorzystać i wyjaśnić sposób działania opisanych modeli), • szybkość i łatwość aktualizacji zastosowanych zmiennych wejściowych i ich funkcji przynależności, dzięki czemu analitycy mogą dostosować opisane modele do swoich potrzeb, zdobywając własne doświadczenia analityczne. Podsumowując, głównym celem zaprezentowanych badań była ocena powiązań systemowych wskaźników finansowych, a następnie próba implementacji logiki rozmytej w wykorzystywanej w przedsiębiorstwach analizie wskaźnikowej oraz w syntetycznej ocenie sytuacji finansowej firm przy uwzględnieniu wybranych zależności systemowych (dezagregacji wskaźników). Weryfikacja ta została przeprowadzona na różnorodnej populacji przedsiębiorstw (z Polski, z Ameryki Łacińskiej oraz firm globalnych). W niniejszej rozprawie zweryfikowano pozytywnie postawioną we wstępie pracy tezę badawczą. Udowodniono, że logika rozmyta pozytywnie wpłynęła na jakość prognoz. Przez jakość prognozy autor rozumie zarówno jej skuteczność (osobno na rok i osobno na dwa lata wstecz), jej uniwersalność (stosując te same kryteria oceny wskaźników finansowych dla różnorodnej populacji firm uzyskano wysoką skuteczność modelu), jak i jej stabilność (zachowanie właściwości predykcyjnych modelu wraz z wydłużeniem okresu analizy). W pracy wykazano również inne walory zastosowania logiki rozmytej w analizie wskaźnikowej. Udowodniono, że implementacja logiki rozmytej zwiększa użyteczność wskaźników finansowych generujących nawet słabe sygnały ostrzegawcze nadchodzącego kryzysu w firmie. 34 Mimo coraz głośniejszej krytyki analizy wskaźnikowej w środowisku ekonomistów, zwracających między innymi uwagę na problemy z dezaktualizacją norm czy ze stosowaniem innych kryteriów oceny wskaźników w poszczególnych krajach – zdaniem autora – warto próbować wykorzystywać tę analizę, ale z pomocą nowszych technik przetwarzania informacji, które uwzględniają istnienie stanów pośrednich, niepełnych czy nieprecyzyjnych. Przeprowadzone badania wykazały, że nie ma możliwości opracowania jednego globalnego modelu, który byłby w jednakowym stopniu skuteczny w każdym przedsiębiorstwie, niezależnie od regionu, w którym ono funkcjonuje. Ale badania te również pokazały, że zastosowanie nowszych sposobów obliczeń wskaźników (przetworzenia informacji), które zostały opracowane przeszło sto lat temu, skutecznie zwiększa zarówno trafność dokonywanych ocen, jak i uniwersalność analizy wskaźnikowej. Dlatego też – w opinii autora – należałoby dążyć do opracowania modeli logiki rozmytej osobno dla każdego regionu świata (np. z podziałem na grupy krajów Ameryki Łacińskiej, Ameryki Północnej, Europy, Dalekiego Wschodu, Bliskiego Wschodu itp.). W ten sposób analitycy otrzymaliby narzędzie, które z jednej strony uwzględniałoby warunki ekonomiczne panujące w danym regionie świata, a z drugiej strony charakteryzowałoby się znacznie większą uniwersalnością niż pozostałe metody stosowane w analizie ekonomicznej firm. Autor ma więc nadzieję, że niniejsza książka wzbogaci literaturę ekonomiczną o nowe spojrzenie na problematykę analizy wskaźnikowej i spotka się z zainteresowaniem czytelników. Literatura wykorzystana w autoreferacie: 1. Altman E., Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, Journal of Finance, nr 4, 1968, 2. Asgharian H., Are highly leveraged firms more sensitive to an economic downturn? The European Journal of Finance, nr 9, 2003, 3. Bartkiewicz W., Sztuczne sieci neuronowe, [w:] Inteligentne systemy w zarządzaniu – teoria i praktyka, red.nauk. Zieliński J., PWN, Warszawa 2000, 4. Bednarski L., Analiza finansowa w przedsiębiorstwie, PWE, Warszawa 2006, 5. Bednarski L., Borowiecki R., Duraj J., Kurtys E., Waśniewski T., Wersty B., Analiza ekonomiczna przedsiębiorstwa, Wydawnictwo Akademii Ekonomicznej im. Oskara Langego we Wrocławiu, Wrocław 2003, 6. Berkson J., Application of the Logistic Function to Bio-assay, Journal of the American Statistical Association, nr 9, 1944, 7. Bhattacharjee A., Highson C., Holly S., Kattuman P., Business failure in UK and US quoted firms-impact of macroeconomic instability and the role of legal institutions, Applied Economics Department Working Paper 2003, Cambridge University, 8. Bliss C., The Method of Probits, Science, nr 79, 1934, 9. Bławat F., Analiza ekonomiczna, Wydawnictwo Politechniki Gdańskiej, Gdańsk 2001, 10. Cramer J.S., The Origins of Logistic Regression, Tinberger Institute Discussion Paper, University of Amsterdam, Holandia, 2002, 35 11. Czeszejko-Sochacki M., Przyczyny upadłości przedsiębiorstw z rejonu województwa warmińskomazurskiego w latach 1999-2004, (w:) Ekonomiczne i prawne aspekty upadłości przedsiębiorstw (red.nauk. Prusak B.), Difin, Warszawa 2007, 12. Czyżewski A., Dźwięk cyfrowy – wybrane zagadnienia teoretyczne, technologia, zastosowania, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2001, 13. Dudycz T., Siła prognostyczna wskaźników płynności finansowej, Materiały i Prace Instytutu Funkcjonowania Gospodarki Narodowej Szkoły Głównej Handlowej, Warszawa 2005, 14. Dudycz T., Wrzosek S., Analiza finansowa, problemy metodologiczne w ujęciu praktycznym, Wydawnictwo Akademii Ekonomicznej we Wrocławiu, Wrocław 2000, 15. Duraj J., Analiza ekonomiczna przedsiębiorstwa, PWE, Warszawa 2004, 16. Dyrberg A., A comparative analysis of the determinants of financial distress in French, Italian and Spanish firms, Working Papers, Danmarks Nationalbank, nr 26, 2005, 17. Fischer R., The use of multiple measurements in taxonomic problems, Annals of Eugenics, nr 7, 1936, 18. Fitzpatrick P., A comparison of the ratios of successful industrial enterprises with those of failed companies, The Accountants Publishing Company, USA 1932, 19. Foulke R., Three important balance sheet ratios, Dun&Bradstreet Monthly Review, Sierpień 1933, 20. Foulke R., Three important inventory ratios, Dun&Bradstreet Monthly Review, Grudzień 1933, 21. Foulke R., Three important sales ratios, Dun&Bradstreet Monthly Review, Maj 1934, 22. Gabrusewicz W., Podstawy analizy finansowej, PWE, Warszawa 2005, 23. Holland J., Adaptation in natural and artificial systems, University of Michigan Press, 1975, 24. Horrigan J., A short history of financial ratio analysis, The Accounting Review, Kwiecień 1968, 25. Hunter J., Isachenkova N., Aggregate economy risk and company failure: An examination of UK quoted firms in the early 1990s, Journal of Policy Modeling, nr 28, 2006, 26. Jerzemowska M. (red.nauk.), Analiza ekonomiczna w przedsiębiorstwie, PWE, Warszawa 2006, 27. Kash T., Darling J., Crisis management-prevention, diagnosis and intervention, Leadership and Organization Development Journal, nr 19/4, 1998, 28. Kędzierski L., Czynniki determinujące sytuację finansową przedsiębiorstwa, Pieniądze i Więź, nr 1 (2), 1999, 29. Korol T., Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Oficyna Wolters Kluwer Business Polska, Warszawa 2010, 30. Leszczyński Z., Skowronek-Mielczarek A., Analiza ekonomiczno-finansowa spółki, PWE, Warszawa 2004, 31. Morgan J., Sonquist J., Problems in the analysis of survey data and a proposal, Journal of the American Statistical Association, nr 58, 1963, 32. Robson M., Macroeconomic factors in the birth and death of UK firms, Manchester School Papers, nr 64 (2), 1996, 33. Rogowski W., Możliwości wczesnego rozpoznawania symptomów zagrożenia zdolności płatniczej przedsiębiorstwa, Bank i Kredyt, nr 6, 1999, 34. Rutkowski L., Metody i techniki sztucznej inteligencji, PWN, Warszawa 2005, 35. Siemińska E., Metody pomiaru i oceny kondycji finansowej przedsiębiorstw, TNOiK, Toruń 2002, 36. Sierpińska M., Jachna T., Ocena przedsiębiorstwa według standardów światowych, Wydawnictwo Naukowe PWN, Warszawa 1993, 37. Sierpińska M., Wędzki D., Zarządzanie płynnością finansową w przedsiębiorstwie, Wydawnictwo Naukowe PWN, Warszawa 2005, 38. Stokes D., Blackburn R., Learning the hard way – the lessons of owner/managers who have closed their businesses, Journal of Small Business and Enterprise Development, volume 9, nr 1, 2002, 39. Urbanek M., Klasyfikacja i selekcja wskaźników finansowych. Ekonometryczne modelowanie danych finansowo-księgowych, red. E.Nowak., Wydawnictwo UMCS, Lublin 1996, 40. Wall A., Study of credit barometrics, Federal Reserve Bulletin, Marzec 1919, 41. Warren M., Pitts W., A logical calculus of ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, nr 5 (4), 1943, 42. Watson J., Everett J., Small business failure and external risk factors, Small Business Economics Journal, nr 11, 1998, 36 43. Waśniewski T., Skoczylas W., Kierunki analizy w zarządzaniu finansami firmy, Wydawnictwo Zachodniopomorskiej Szkoły Biznesu w Szczecinie, Szczecin 1996, 44. Wędzki D., Analiza wskaźnikowa sprawozdania finansowego, tom 1 i tom 2, Wolters Kluwer, Warszawa 2009, 45. Wierzba D., Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych – teoria i badania empiryczne, Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, nr 8, 2000, 46. Winakor A., Smith R., A test analysis of unsuccessful industrial companies, Bulletin nr 31, University of Illinois, 1930, 47. Zadeh L., Fuzzy sets, Information and Control, nr 8 (3), 1965. 37