ProfileSEEKER — system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem

Andrzej Burda; Paweł Cudek; Zdzisław Hippe

doi:10.56583/br.1230

Data publikacji : 2012-12-21

Nr 3 (29) (2012)

ProfileSEEKER — system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem

Andrzej Burda

Paweł Cudek

Zdzisław Hippe

DOI: https://doi.org/10.56583/br.1230

Abstrakt

W artykule przedstawiono budowę systemu informatycznego ProfileSEEKER do wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem. Opracowany system stanowi zespół pięciu klasyfikatorów, wykorzystujących różnorodne topologie sztucznych sieci neuronowych oraz sieć przekonań Bayesa, wspomagany metodami nadzorowanego uczenia maszynowego. Sprawność systemu oceniono stosując nową metodę walidacji, nazwaną metodą walidacji kolejkowej.

Słowa kluczowe:

predicting economic situation SMEs, artificial neural networks, machine learning, queue validation

Inne teksty tego samego autora

Jarosław Bielak, Andrzej Burda, Mieczysław Kowerski, Krzysztof Pancerz, Modelowanie i prognozowanie wypłat gotówki w banku , Barometr Regionalny. Analizy i Prognozy : Tom 13 Nr 4 (2015)
Krzysztof Pancerz, Andrzej Burda, Piotr Grochowalski, Wiesław Paja, Ontologiczny generator testów wiedzy z tekstów na przykładzie wiedzy o geografii Polski , Barometr Regionalny. Analizy i Prognozy : Tom 19 Nr 1 (2023)
Andrzej Burda, Zdzisław Hippe, Metodyka prognozowania stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw , Barometr Regionalny. Analizy i Prognozy : Nr 1 (19) (2010)
Zbigniew Omiotek, Andrzej Burda, Metody selekcji cech w badaniach przesiewowych, realizowanych w szpitalach pierwszego kontaktu w kierunku wykrywania choroby Hashimoto , Barometr Regionalny. Analizy i Prognozy : Tom 14 Nr 2 (2016)
Andrzej Burda, Wielokryterialna ocena modeli prognozowania stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw , Barometr Regionalny. Analizy i Prognozy : Nr 1 (15) (2009)
Andrzej Burda, Krzysztof Pancerz, Klasteryzacja i wizualizacja wzorców bankructwa przy użyciu samoorganizujących się map Kohonena , Barometr Regionalny. Analizy i Prognozy : Tom 12 Nr 3 (2014)
Andrzej Burda, Prognozowanie kondycji przedsiębiorstw z wykorzystaniem sztucznych sieci neuronowych , Barometr Regionalny. Analizy i Prognozy : Nr 6 (2006)
Andrzej Burda, Analiza nastrojów gospodarczych z wykorzystaniem sieci Kohonena , Barometr Regionalny. Analizy i Prognozy : Nr 4 (14) (2008)
Andrzej Burda, Zdzisław Hippe, Modelowanie stanu małych i średnich przedsiębiorstw w warunkach niepewności , Barometr Regionalny. Analizy i Prognozy : Nr 3 (21) (2010)
Andrzej Burda, Barbara Kuczmowska, Analiza jakości predykcji stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw przy pomocy zespołów sztucznych sieci neuronowych , Barometr Regionalny. Analizy i Prognozy : Nr 2 (12) (2008)

Szczegóły

Bibliografia

Statystyki

Autorzy

Pobierz pliki

PDF

Zasady cytowania

Burda, A., Cudek, P., & Hippe, Z. (2012). ProfileSEEKER — system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem. Barometr Regionalny. Analizy I Prognozy, (3 (29), 99–105. https://doi.org/10.56583/br.1230

Wskaźniki altmetryczne

Cited by / Share

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.

Bibliografia

Altman E.I. (1968): Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy. „Journal of Finance”, nr 23 (4), s. 589–609. DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

Altman E.I. (2001): Predicting Financial Distress of Companies: Revisiting the Z-score and ZETA® Models (Originally Published in, Journal of Banking & Finance, 1 1977). [dostęp: 2012.10.03], [@:] http://people.stern.nyu.edu/ealtman/Zscores.pdf.

Altman E.I., Marco G., Varetto F. (1994): Corporate Distress Diagnosis — Comparisons Using Linear Discriminant-Analysis and Neural Networks (the Italian Experience). „Journal of Banking & Finance”, nr 18 (3), s. 505–529. DOI: https://doi.org/10.1016/0378-4266(94)90007-8

Antonowicz P. (2007): Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstw. Gdańsk, Ośrodek Doradztwa i Doskonalenia Kadr.

Atiya A.F. (2001): Bankruptcy Prediction for Credit Risk Using Neural Networks. A Survey and New Results. „Ieee Transactions on Neural Networks”, nr 12 (4), s. 929–935. DOI: https://doi.org/10.1109/72.935101

Baek J., Cho S.Z. (2003): Bankruptcy Prediction for Credit Risk Using an Auto-Associative Neural Network in Korean Firms. „2003 Ieee International Conference on Computational Intelligence for Financial Engineering, Proceedings”, s. 25–29.

Beaver W.H. (1966): Financial Ratios as Predictors of Failure. „Journal of Accounting Research”, nr 4, s. 71–111. DOI: https://doi.org/10.2307/2490171

Burda A., Hippe Z.S. (2010): Uncertain Data Modeling. The Case of Small and Medium Enterprises. 3rd International Conference on Human System Interaction, 2010.05.13–15, Rzeszów. DOI: https://doi.org/10.1109/HSI.2010.5514586

Chaudhuri A., De K. (2011): Fuzzy Support Vector Machine for Bankruptcy Prediction. „Applied Soft Computing”, nr 11 (2), s. 2472–2486. DOI: https://doi.org/10.1016/j.asoc.2010.10.003

Coats P.K., Fant L.F. (1993): Recognizing Financial Distress Patterns Using a Neural-Network Tool. „Financial Management”, nr 22 (3), s. 142–155. DOI: https://doi.org/10.2307/3665934

Derelioglu G., Gurgen F. (2011): Knowledge Discovery Using Neural Approach for SME’s Credit Risk Analysis Problem in Turkey. „Expert Systems with Applications”, nr 38 (8), s. 9313–9318. DOI: https://doi.org/10.1016/j.eswa.2011.01.012

Frydman H., Altman E.I., Kao D.L. (1985): Introducing Recursive Partitioning for Financial Classification — the Case of Financial Distress. „Journal of Finance”, nr 40 (1), s. 269–291. DOI: https://doi.org/10.1111/j.1540-6261.1985.tb04949.x

Fulmer J.G.J., Moon J.E., Gavin T.A., Erwin M.J. (1984): A Bankruptcy Classification Model For Small Firms. „Journal of Commercial Bank Lending”, nr 66 (11), s. 25–37.

Gajdka J., Stos D. (1996): Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. [w:] R. Borowiecki (red.): Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Kraków, Wydawnictwo Akademii Ekonomicznej w Krakowie.

Greco S., Matarazzo B., Slowinski R. (1998): A New Rough Set Approach to Multicriteria and Multiattribute Classification. „Lecture Notes in Computer Science”, nr 1424, s. 60–67. DOI: https://doi.org/10.1007/3-540-69115-4_9

Hadasik D. (1998): Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Zeszyty Naukowe/Akademia Ekonomiczna w Poznaniu. Seria 2, Prace Habilitacyjne, t. 153, Poznań, Wydawnictwo AE.

Hamrol M., Chodakowski J. (2008): Prognozowanie zagrożenia finansowego przedsiębiorstwa. Wartość predykcyjna polskich modeli analizy dyskryminacyjnej. „Badania operacyjne i decyzje”, nr 3, s. 17–32.

Iwanienko I. (2009): Wpływ fazy rozwoju projektu innowacyjnego na możliwość wyboru źródła finansowania przedsiębiorstw przemysłowych. [w:] A. Nalepka i A. Ujwary-Gil (red.): Organizacje komercyjne i niekomercyjne wobec wzmożonej konkurencji oraz wzrastających wymagań konsumentów, Nowy Sącz, Wyższa Szkoła Biznesu.

Jo H.K., Han I.G., Lee H.Y. (1997): Bankruptcy Prediction Using Case-Based Reasoning, Neural Networks, and Discriminant Analysis. „Expert Systems with Applications”, nr 13 (2), s. 97–108. DOI: https://doi.org/10.1016/S0957-4174(97)00011-0

Kaski S., Sinkkonen J., Peltonen J. (2001): Bankruptcy Analysis with Self-Organizing Maps in Learning Metrics. „Ieee Transactions on Neural Networks”, nr 12 (4), s. 936–947. DOI: https://doi.org/10.1109/72.935102

Kim H.S., Sohn S.Y. (2010): Support Vector Machines for Default Prediction of SMEs Based on Technology Credit. „European Journal of Operational Research”, nr 201 (3), s. 838–846. DOI: https://doi.org/10.1016/j.ejor.2009.03.036

Korol T., Prusak B. (2005): Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. Warszawa, CeDeWu.

Lech P. (2003): Zintegrowane systemy zarządzania ERP/ERP II. Wykorzystanie w biznesie, wdrażanie. Warszawa, LST — Logika Systemy Technologia: “Difin”.

Littlestone N., Warmuth M.K. (1994): The Weighted Majority Algorithm. „Information and Computation”, nr 108 (2), s. 212–261. DOI: https://doi.org/10.1006/inco.1994.1009

Łapiński J. (2011): Stan sektora małych i średnich przedsiębiorstw w Polsce. [w:] A. Brussa i A. Tarnawa (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce, Warszawa, Polska Agencja Rozwoju Przedsiębiorczości.

Marjański A. (2011): Najnowsze badania w kontekście rozwoju przedsiębiorstw rodzinnych w Polsce. Firmy rodzinne — nowe drogi rozwoju. Zakończenie Projektu Szkoleniowo-Doradczego Firmy Rodzinne, 2011.09.07–09, Zawiercie.

McKee T.E., Greenstein M. (2000): Predicting Bankruptcy Using Recursive Partitioning and a Realistically Proportioned Data Set. „Journal of Forecasting”, nr 19 (3), s. 219–230. DOI: https://doi.org/10.1002/(SICI)1099-131X(200004)19:3<219::AID-FOR752>3.0.CO;2-J

Nowak E. (2006): Propozycje zmiennych oceniających kondycję ekonomiczno-finansową przedsiębiorstw. „Barometr Regionalny. Pismo społeczno-gospodarcze”, nr 6, s. 35–41. DOI: https://doi.org/10.56583/br.1653

Odom M.D., Sharda R. (1990): A Neural Network Model for Bankruptcy Prediction. „International Joint Conference on Neural Networks, Vols 1–3”, s. B163-B168. DOI: https://doi.org/10.1109/IJCNN.1990.137710

Ohlson J.A. (1980): Financial Ratios and the Probabilistic Prediction of Bankruptcy. „Journal of Accounting Research”, nr 18 (1), s. 109–131. DOI: https://doi.org/10.2307/2490395

Piramuthu S., Ragavan H., Shaw M.J. (1998): Using Feature Construction to Improve the Performance of Neural Networks. „Management Science”, nr 44 (3), s. 416–430. DOI: https://doi.org/10.1287/mnsc.44.3.416

Ranjan J. (2009): Business Intelligence: Concepts, Components, Techniques and Benefits. „Journal of Theoretical and Applied Information Technology”, nr 9 (1), s. 60–70.

Reich Y., Barai S.V. (1999): Evaluating Machine Learning Models for Engineering Problems. „Artificial Intelligence in Engineering”, nr 13 (3), s. 257–272. DOI: https://doi.org/10.1016/S0954-1810(98)00021-1

Ribeiro B., Silva C., Chen N., Vieira A., das Neves J.C. (2012): Enhanced Default Risk Models with SVM. „Expert Systems with Applications”, nr 39 (11), s. 10140–10152. DOI: https://doi.org/10.1016/j.eswa.2012.02.142

Salchenberger L.M., Cinar E.M., Lash N.A. (1992): Neural Networks — a New Tool for Predicting Thrift Failures. „Decision Sciences”, nr 23 (4), s. 899–916. DOI: https://doi.org/10.1111/j.1540-5915.1992.tb00425.x

Sarkar S., Sriram R.S. (2001): Bayesian Models for Early Warning of Bank Failures. „Management Science”, nr 47 (11), s. 1457–1475. DOI: https://doi.org/10.1287/mnsc.47.11.1457.10253

Schmiemann M. (2008): Enterprises by Size Class — Overview of SMEs in the EU. „Statistics in focus”, nr 31, s. 1–8.

Serrano-Cinca C. (1996): Self Organizing Neural Networks for Financial Diagnosis. „Decision Support Systems”, nr 17 (3), s. 227–238. DOI: https://doi.org/10.1016/0167-9236(95)00033-X

Starczewska-Krzysztoszek M. (2008): Bariery rozwoju małych i średnich przedsiębiorstw w Polsce. „Infos”, nr 4 (28), s. 1–4.

Sun J., Li H. (2008): Listed Companies’ Financial Distress Prediction Based on Weighted Majority Voting Combination of Multiple Classifiers. „Expert Systems with Applications”, nr 35 (3), s. 818–827. DOI: https://doi.org/10.1016/j.eswa.2007.07.045

Tam K.Y. (1991): Neural Network Models and the Prediction of Bank Bankruptcy. „Omega”, nr 19 (5), s. 429–445. DOI: https://doi.org/10.1016/0305-0483(91)90060-7

Tam K.Y., Kiang M.Y. (1990): Predicting Bank Failures: A Neural Network Approach. „Applied Artificial Intelligence”, nr 4 (4), s. 265–282. DOI: https://doi.org/10.1080/08839519008927951

Torabi K., Sayad S., Balke S.T. (2005): On-Line Adaptive Bayesian Classification for In-Line Particle Image Monitoring in Polymer Film Manufacturing. „Computers & Chemical Engineering”, nr 30 (1), s. 18–27. DOI: https://doi.org/10.1016/j.compchemeng.2005.06.008

Tseng F.M., Hu Y.C. (2010): Comparing Four Bankruptcy Prediction Models: Logit, Quadratic Interval Logit, Neural and Fuzzy Neural Networks. „Expert Systems with Applications”, nr 37 (3), s. 1846–1853. DOI: https://doi.org/10.1016/j.eswa.2009.07.081

Varetto F. (1998): Genetic Algorithm Applications in the Analysis of Insolvency Risk. „Journal of Banking and Finance”, nr 22, s. 1421–14–39. DOI: https://doi.org/10.1016/S0378-4266(98)00059-4

Waniak-Michalak H. (2007): Pozabankowe źródła finansowania małych i średnich przedsiębiorstw: fundusze pożyczkowe, fundusze poręczeniowe, rynek venture capital. Kraków–Warszawa, Wolters Kluwer Polska.

Wu Y., Gaunt C., Gray S. (2010): A Comparison of Alternative Bankruptcy Prediction Models. „Journal of Contemporary Accounting & Economics”, nr 6 (1), s. 34–45. DOI: https://doi.org/10.1016/j.jcae.2010.04.002

Żołnierski A. (2009): Znaczenie sektora MŚP w Polsce. [w:] A. Żołnierski (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2007–2008, Warszawa, Polska Agencja Rozwoju Przedsiębiorczości.

Andrzej Burda

br@akademiazamojska.edu.pl

Afiliacja:

Wyższa Szkoła Zarządzania i Administracji w Zamościu Polska

Paweł Cudek

br@akademiazamojska.edu.pl

Afiliacja:

Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Polska

Zdzisław Hippe

br@akademiazamojska.edu.pl

Afiliacja:

Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie Polska