Analiza jakości predykcji stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw przy pomocy zespołów sztucznych sieci neuronowych

Andrzej Burda; Barbara Kuczmowska

doi:10.56583/br.1487

Data publikacji : 2008-05-23

Nr 2 (12) (2008)

Analiza jakości predykcji stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw przy pomocy zespołów sztucznych sieci neuronowych

Andrzej Burda

Barbara Kuczmowska

DOI: https://doi.org/10.56583/br.1487

Abstrakt

W artykule przedstawiono wyniki przewidywania stanu ekonomiczno-finansowego dla małych i średnich firm regionu lubelskiego i podkarpackiego. W odróżnieniu od innych badań w tym obszarze, wykorzystano koncepcję modelowania mikro-makro (mezzo). Porównano wyniki predykcji samodzielnych perceptronów neuronowych oraz dwóch typów zespołów sztucznych sieci neuronowych. Przedstawiono wnioski oraz nakreślono kierunki dalszych badań nad wzrostem jakości modelu oraz rozszerzeniem jego funkcjonalności.

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, 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, Zdzisław Hippe, Metodyka prognozowania stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw , Barometr Regionalny. Analizy i Prognozy : Nr 1 (19) (2010)
Andrzej Burda, Paweł Cudek, Zdzisław Hippe, ProfileSEEKER — system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem , Barometr Regionalny. Analizy i Prognozy : Nr 3 (29) (2012)
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, Prognozowanie kondycji przedsiębiorstw z wykorzystaniem sztucznych sieci neuronowych , Barometr Regionalny. Analizy i Prognozy : Nr 6 (2006)
Andrzej Burda, Zdzisław Hippe, Modelowanie stanu małych i średnich przedsiębiorstw w warunkach niepewności , Barometr Regionalny. Analizy i Prognozy : Nr 3 (21) (2010)
Andrzej Burda, Analiza nastrojów gospodarczych z wykorzystaniem sieci Kohonena , Barometr Regionalny. Analizy i Prognozy : Nr 4 (14) (2008)

1 2 > >>

Szczegóły

Bibliografia

Statystyki

Autorzy

Pobierz pliki

PDF

Zasady cytowania

Burda, A., & Kuczmowska, B. (2008). Analiza jakości predykcji stanu ekonomiczno-finansowego małych i średnich przedsiębiorstw przy pomocy zespołów sztucznych sieci neuronowych. Barometr Regionalny. Analizy I Prognozy, (2 (12), 109–114. https://doi.org/10.56583/br.1487

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.: Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, Journal of Finance 23(1968), p. 589-609. DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

Altman E.I.: Predicting financial distress of companies: revisiting the Z-score and ZETA® models (2000), http://www.stern.nyu.edu/~ealtman/Zscores.pdf.

Altman E.I., Marco G., Varetto F.: Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks, Journal of Banking & Finance 18(1994), p. 505-529. DOI: https://doi.org/10.1016/0378-4266(94)90007-8

Back B., Laitinen T., Sere K.: Neural networks and bankruptcy prediction: Funds flows, accrual ratios, and accounting data, Advances in Accounting 14(1996), p. 23-37.

Beaver W.H.: Financial Ratios as Predictors of Failure Empirical Research in Accounting: Selected Studies, Supplement to Journal of Accounting Research 4(1966), p. 71-111. DOI: https://doi.org/10.2307/2490171

Burda A.: Prognozowanie kondycji ekonomiczno-finansowej przedsiębiorstw z wykorzystaniem sztucznych sieci neuronowych, Barometr Regionalny 6(2006), p. 67-75. DOI: https://doi.org/10.56583/br.1657

Burda A., Kuczmowska B., Hippe Z.S.: Ensembles of Artificial Neural Networks for Predicting Economic Situation of Small and Medium Enterprises In: Kurzyński, M.; Puchala, E.; Wozniak, M.; Zolnierek, A. (Eds.) Computer Recognition Systems 2, Springer, Berlin-Heidelberg 2007, p. 808-815. DOI: https://doi.org/10.1007/978-3-540-75175-5_100

Burda A., Kuczmowska B., Hippe Z.S.: Zespoły sztucznych sieci neuronowych do przewidywania stanu ekonomicznego małych i średnich przedsiębiorstw, Zamojskie Studia i Materiały 23(2007), p. 113-126.

Coats, P.K. & L.F. Fant : A neural network approach to forecasting distress, The Journal of Business Forecasting (Winter 1991), p. 9-12.

Fletcher D., Goss E.: Forecasting with neural networks. An application using bankruptcy data, Information & Management. 24(1993), p. 159-167. DOI: https://doi.org/10.1016/0378-7206(93)90064-Z

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

Odom M., Sharda R.: A neural network model for bankruptcy prediction, International Joint Conference on Neural Networks, San Diego, cz. II(1990), p. 163-168. DOI: https://doi.org/10.1109/IJCNN.1990.137710

Ohlson J.A.: Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research 18(1980), p. 109-131. DOI: https://doi.org/10.2307/2490395

Osowski S.: Sieci neuronowe, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 1994, s. 75-79.

Salchenberger, L., Cinar E., Lash N.: Neural networks: A new tool for predicting thrift failures, Decision Sciences, Vol. 23, No. 4(1992), p. 899-916. DOI: https://doi.org/10.1111/j.1540-5915.1992.tb00425.x

Sarkar S., Sriram R. S.: Bayesian Models for Early Warning of Bank Failures, Management Science 47(2001), p. 1457-1475. DOI: https://doi.org/10.1287/mnsc.47.11.1457.10253

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

Tam K., Kiang M.: Managerial applications of neural networks: The case of bank failure predictions, Management Science 38:7(July 1992), p. 926-947. DOI: https://doi.org/10.1287/mnsc.38.7.926

Trigueiros D., Taffler R.: Neural networks and empirical research in accounting, Accounting and Business Research 26:4(1996), p. 347-355. DOI: https://doi.org/10.1080/00014788.1996.9729524

Wilson R.L., Sharda R.: Bankruptcy prediction using neural networks, Decision Support Systems 11(1994), p. 545-557. DOI: https://doi.org/10.1016/0167-9236(94)90024-8

Andrzej Burda

br@akademiazamojska.edu.pl

Afiliacja:

Wyższa Szkoła Zarządzania i Administracji w Zamościu Polska

Barbara Kuczmowska

br@akademiazamojska.edu.pl

Afiliacja:

Wyższa Szkoła Zarządzania i Administracji w Zamościu Polska