Это исследование направлено на анализ производственного сектора эквадорской экономики с помощью различных финансовых показателей и показателей производительности, а также на получение значения, которое указывает, когда компания является банкротом, и значение производительности для организаций в вышеупомянутом секторе.
Базы данных, предоставленные Управлением компаний, с разбивкой по третьему знаку в соответствии с третьей редакцией МСОК (Международной стандартной отраслевой классификации), содержат счета балансов компаний в этом секторе.
Мы работаем с информационными базами по сегментам крупных, средних и малых компаний, которые имеют полную информацию, и, по крайней мере, за пять лет до периода исследования, стоит отметить, что не делается никаких ссылок на микрокомпании, поскольку существующая информация очень неполная. и в нем представлено огромное количество нетипичных данных, что делает невозможным проведение его исследования. Используется дискриминантный анализ, предложенный (Alman, 1968), который в своих работах применил этот статистический метод, работая с однородными группами, и соответствующие дискриминантные модели рассчитываются для каждого сегмента компаний;После получения дискриминантных оценок на основе исследования Каница готовятся «термометр платежеспособности» и «термометр производительности», и компании классифицируются в соответствии с их ситуацией с точки зрения банкротства и производительности.
Результат этого исследования позволяет определить финансовое и производственное положение компаний в секторе D (обрабатывающая промышленность) и его детерминанты, а также они представлены компаниям с наивысшими показателями.
В конце этого исследования рекомендуется более полная полнота сбора информации из финансовых отчетов компаний, поскольку отсутствие информации и ее неточность уменьшают потенциал этого исследования.
Ключевые слова: несостоятельность, банкротство, производительность, финансовый показатель, дискриминантный анализ, обрабатывающая промышленность.
1. ВВЕДЕНИЕ И ИСТОРИЯ ВОПРОСА
Ограниченное количество инструментов, которые позволяют компаниям предупреждать о возможных банкротствах и, в свою очередь, определять и повышать уровень своей производительности на отраслевом уровне экономики, представляет собой серьезную проблему для развития экономического роста в Эквадоре.
Производительность, несомненно, является определяющим фактором экономического роста страны, поскольку она оказывает такое влияние на уровень жизни общества, а ее повышение влечет за собой возможность повышения заработной платы, окладов и получения более высокой прибыли на вложенный капитал, а также следовательно, больший стимул к инвестициям, который подразумевает рост занятости и, следовательно, вклад в развитие экономики, очень важные факторы, представляющие большой интерес для тех, кто несет ответственность за экономику страны или региона.
Производственный аппарат страны по большей части состоит из компаний, каждая из которых отличается по своему характеру, составу и видам деятельности, которые, нанимая людей, осуществляют свою экономическую деятельность. Важность производственного аппарата страны заключается в его способности поддерживать себя на местном уровне и минимальной внешней зависимости для удовлетворения потребностей, создаваемых в обществе.
В Эквадоре компании представляют собой трансцендентную ось вклада в местную экономику, поскольку, по данным Налоговой службы, 93% собранных сборов приходится на компании, что оказывает большое влияние на вклад в экономику Эквадора (НИИ, 2008 г.)
В такой развивающейся стране, как Эквадор, производственный аппарат является ключом к росту экономики, поэтому сектор «Промышленное производство» очень важен в Эквадоре; По данным Центрального банка Эквадора в 2009 году это был второй сектор с наибольшим вкладом в ВВП (без учета нефтепереработки), кроме того, этот сектор, начиная с долларизации в 2000 году, имеет растущую добавленную стоимость промышленности по сравнению с ВВП, составляющую его влияние на экономику Эквадора очень важно; Аналогичным образом, согласно данным Управления компаний, в 2009 году в секторе «Обрабатывающая промышленность» было 3402 компании, что является четвертым сектором с наибольшим количеством компаний, прикрепленных к этому контрольному органу, в результате чего количество занятых сотрудников составило 259 502 человека.,Это второй сектор, обеспечивающий наибольшую занятость, уступая только сектору «Оптовая и розничная торговля; ремонт автомобилей, мотоциклов, личных вещей и хозтоваров ».
Однако из вышеупомянутого, согласно реестру Управления компаний, количество компаний в Эквадоре имело положительную тенденцию, увеличивая их количество с 37 135 компаний в 2007 году до 40 202 компаний в год. Однако в 2009 году в период с 2008 по 2009 год в секторе «Обрабатывающая промышленность» количество компаний сократилось: в 2008 году было 3 476 компаний, а в 2009 году осталось только 3402 компании.
Со временем разработка и внедрение инструментов, которые позволяют предупреждать компании об опасностях банкротства, стали важными, поэтому устойчивость и производительность компаний имеют основополагающее значение для поддержания экономики, и в этом заключается важность наличия этого Тип инструментов, которые выявляют и помогают в предотвращении банкротств бизнеса и, в свою очередь, имеют инструменты, которые распознают уровень производительности бизнеса, даже лучше на уровне сектора, так что конкретный сектор может лучше контролироваться и просматриваться.
- ФИНАНСОВЫЕ ПОКАЗАТЕЛИ
Финансовый анализ - это исследование финансовой отчетности хозяйствующего субъекта с целью оценки его финансовых и операционных показателей, а также содействия правильному принятию решений администраторами, инвесторами, кредиторами и другими третьими сторонами. заинтересован в организации. Это наиболее распространенная форма финансового анализа, которая представляет собой взаимосвязь между двумя счетами или статьями финансовой отчетности, чтобы узнать конкретные аспекты компании, такие как ликвидность, оборот, платежеспособность, прибыльность и задолженность оцениваемой организации.
Теперь, чтобы быть более точным, финансовый индикатор (или финансовый коэффициент) - это статистика об экономике; финансовые показатели позволяют анализировать экономические результаты и прогнозировать будущие результаты; хотя его применение и польза во многом зависят от достоверности доступной информации и способностей финансового аналитика.
В Эквадоре регулирующим органом для компаний является Управление компаний, которое публикует на своем веб-портале таблицу из двадцати финансовых показателей, которые используются для контроля и мониторинга компаний, зарегистрированных в стране; Построение этих показателей станет основой для построения индикатора банкротства сектора «Обрабатывающие производства», указанные коэффициенты представлены в следующей таблице. (www.asesorescorporativos.net, sf)
2.1 ПОКАЗАТЕЛИ ЛИКВИДНОСТИ В СЕКТОРЕ «D», «ПРОИЗВОДСТВЕННЫЕ ПРОМЫШЛЕННОСТИ»
Эти индикаторы предназначены для измерения способности компаний аннулировать свои краткосрочные обязательства, они используются для определения легкости или сложности, с которой компания должна оплачивать свои текущие обязательства при конвертации своих оборотных активов в денежные средства, то есть ее способность ликвидность.
Рисунок 1 Показатели ликвидности в секторе «D», «Обрабатывающие отрасли» (см. PDF)
На рисунке 1 хорошо видно, что для сектора «Промышленность»
Производство », два индекса ликвидности имеют очень схожую тенденцию по величине ликвидности в течение исследуемого периода, другими словами, их компании имеют высокую способность справляться со своими краткосрочными долгами, однако, когда любой из Индексы ликвидности очень высоки, может существовать вероятность неадекватного управления оборотными активами, то есть наличия избыточной ликвидности, которая, как правило, очень непродуктивна.
2.1.2 ПОКАЗАТЕЛИ ПЛАТЕЖНОСТИ В СЕКТОРЕ «D», « ПРОИЗВОДСТВЕННЫЕ ПРОМЫШЛЕННОСТИ »
Эти показатели служат для измерения степени, в которой кредиторы участвуют в финансировании компании, и того, как они это делают, другими словами, они служат для определения способности к возникновению деловой задолженности; С помощью этих индикаторов цель состоит в том, чтобы установить риск, которому подвергаются кредиторы и владельцы компании, в дополнение к удобству или отсутствию исследуемой задолженности; показатели платежеспособности: «Задолженность по активам», «Задолженность по капиталу», «Задолженность по основным активам», показанные на рисунке 4, и «Кредитное плечо» и «Финансовое плечо», показанные на рисунке 2.
Рисунок 2. Показатели платежеспособности в секторе «D», «Обрабатывающие отрасли» (см. PDF)
(«Задолженность по активам», «Родовая задолженность», «Задолженность по основным активам»)
На рисунке 2 четко показано поведение, которое обрабатывающая промышленность поддерживала в течение периода исследования в отношении соотношений «Задолженность по активам», «Имущественная задолженность» и «Задолженность по основным активам».
Рисунок 3. Показатели платежеспособности в секторе «D», «обрабатывающие отрасли» («Кредитное плечо» и «Финансовое плечо») (см. PDF)
На рисунке 3 четко показано поведение, которое обрабатывающая промышленность поддерживала в течение периода исследования в отношении коэффициентов «Кредитного плеча» и «Финансового рычага».
Показатель левериджа соответствует количеству денежных единиц активов, полученных на каждую денежную единицу собственного капитала; Другими словами, он определяет, в какой степени внутренние ресурсы компании поддерживаются сторонними ресурсами; В этом смысле обрабатывающая промышленность показывает положительные индексы, поскольку их всегда около 3, то есть на каждый доллар капитала компании приходится около трех долларов активов.
2.1.3 ПОКАЗАТЕЛИ УПРАВЛЕНИЯ В СЕКТОРЕ «D», «ПРОИЗВОДСТВЕННЫЕ ПРОМЫШЛЕННОСТИ»
Управленческие показатели служат для измерения эффективности использования компаниями своих ресурсов, они измеряют уровень ротации компонентов активов; степень возврата кредитов и погашения обязательств; эффективность, с которой компания использует свои активы, в зависимости от скорости восстановления применяемых к ним ценностей и веса различных расходов компании по отношению к доходу от продаж; Рассматриваются следующие показатели управления: «Оборачиваемость портфеля», «Оборачиваемость основных средств» и «Оборот продаж», показанные на рисунке 4, «Средний период сбора» и «Средний период выплаты», показанные в Рисунок 5, а также «Влияние административных расходов и расходов на продажу» и «Влияние финансового бремени», представленное на рисунке 6 для обрабатывающей промышленности.
Рисунок 4. Индикаторы управления в секторе «D», «Обрабатывающие отрасли» («Ротация портфеля», «Ротация основных средств» и «Ротация продаж») (см. PDF)
На рисунке 4 четко показано поведение, которое обрабатывающая промышленность поддерживала в течение периода исследования в отношении соотношений «Оборачиваемость портфеля», «Оборачиваемость основных средств» и «Оборот продаж».
Оборачиваемость портфеля показывает, сколько раз в среднем происходит ротация дебиторской задолженности за определенный период времени, обычно за один год, таким образом, для обрабатывающей промышленности в среднем дебиторская задолженность превратилась в денежные средства 17 раз в период обучения, что, безусловно, является положительным фактором.
Оборачиваемость основных средств, в свою очередь, показывает количество проданных денежных единиц на каждую денежную единицу, вложенную в основные средства.
Оборот продаж - это коэффициент, используемый для измерения эффективности использования общих активов, а также количества раз, когда активы используются на определенном уровне продаж.
Рисунок 5. Индикаторы управления в Секторе «D», «Обрабатывающие отрасли» («Средний период сбора» и «Средний период оплаты») (см. PDF)
На рисунке 5 четко показано поведение, которое обрабатывающая промышленность поддерживала в течение периода исследования в отношении соотношений «Влияние административных расходов и продаж» и «Влияние финансового бремени».
Влияние административных и коммерческих расходов позволяет связать административные и коммерческие расходы с продажами; Хотя компания может иметь относительно приемлемую валовую прибыль, она может уменьшаться из-за сильных операционных расходов (административных и торговых), которые будут определять низкую операционную маржу и снижение чистой прибыли компании. Что касается обрабатывающей промышленности, наблюдается, что влияние снизилось на протяжении всего периода, немного увеличившись в 2009 году, то есть, хотя затраты на продажу увеличились, их влияние на валовую прибыль не является значительным.
Влияние финансовой нагрузки позволяет узнать, как финансовые расходы отражаются на доходах компании; В этом смысле обрабатывающая промышленность - это сектор, обязательства которого перед финансовыми организациями очень низки по отношению к уровню продаж, что показывает, что в целом этот сектор самофинансируется.
2.1.4 ПОКАЗАТЕЛИ РЕНТАБЕЛЬНОСТИ В СЕКТОРЕ «D», «ПРОИЗВОДСТВЕННЫЕ ПРОМЫШЛЕННОСТИ»
Показатели прибыльности или производительности используются для измерения эффективности менеджмента компании в контроле затрат и расходов и, благодаря вышеупомянутой эффективности, преобразования продаж в прибыль.
С точки зрения инвестора, наиболее важным при использовании этих индикаторов является анализ того, каким образом происходит отдача от вложенных в компанию ценностей (рентабельность собственного капитала и рентабельность совокупных активов). Рассматриваются следующие показатели прибыльности: «Чистая рентабельность активов (Du Pont)», «Валовая маржа», «Операционная маржа», «Чистая рентабельность продаж (маржа).
Чистая) »,« Операционная рентабельность собственного капитала »и« Финансовая прибыльность »; и представлены на рисунке 6 для обрабатывающей промышленности.
Рисунок 6. Показатели рентабельности в секторе «D», «Обрабатывающие отрасли» («Чистая рентабельность активов (Du Pont)», «Валовая маржа», «Операционная маржа», «Чистая прибыль от продаж (чистая маржа)», «Операционная прибыльность акционерного капитала» и «Финансовая прибыльность» (см. PDF)
На Рисунке 6 показано поведение сектора «Обрабатывающая промышленность» по показателям рентабельности.
Чистая прибыльность актива показывает способность актива воспроизводить прибыль без учета его финансирования, которое может быть за счет заемных средств или капитала. Для сектора «Обрабатывающая промышленность» этот индикатор показывает, что в среднем его чистая прибыль составляет 12% от общих активов и со временем увеличивается.
Валовая прибыль позволяет узнать рентабельность продаж по сравнению с себестоимостью продаж и способность компании покрывать операционные расходы и получать прибыль до вычетов и налогов33. Продажи в обрабатывающей промышленности приносят в среднем 46% валовой прибыли за год, однако диаграмма 14 показывает, что этот показатель снижается настолько, что в 2009 году он упал только до 38%, что Это вызывает беспокойство для такого сектора, поскольку его производство и последующая продажа являются бизнес-мотивом.
Операционная маржа имеет большое значение при изучении прибыльности компании, поскольку она показывает, является ли бизнес прибыльным сам по себе, независимо от того, как он финансировался. В секторе «Обрабатывающие производства» операционная прибыль в среднем соответствует 5,93% от продаж, в целом этот показатель за период рос, и в 2008 году он достиг значения 8,77%., Чистая рентабельность продаж или чистая маржа показывает, сколько осталось от каждого проданного доллара для покрытия налогов и получения прибыли для партнеров; в процентных пунктах указывает процент продаж, оставшихся для распределения чистой прибыли между партнерами. Для обрабатывающей промышленности в среднем чистая прибыль соответствует 8,41% от чистых продаж за год, однако за 2009 год этот показатель снизился до 7,97%.
Операционная рентабельность собственного капитала показывает, в зависимости от капитала, который партнеры или акционеры вложили в компанию, предлагаемую им прибыльность без учета финансовых расходов, налогов и участия работников. В случае с Эквадором, сектор «Обрабатывающая промышленность» в среднем представляет операционную прибыль в размере 29,2% от капитала, высокий уровень прибыльности, при этом 2008 год был годом с наибольшим отскоком с 39,95%, и всегда растет; Следует отметить, что информация за 2009 год не была предоставлена Управлением компаний.
Под финансовой рентабельностью рассчитывается чистая прибыль (за вычетом финансовых расходов, налогов и участия сотрудников), полученная в связи с инвестициями владельцев компании. В этом смысле обрабатывающая промышленность в среднем за исследуемый период имела финансовую рентабельность 33,13%, что является максимальным пиком в 2008 году с 36,90% и падением на пару процентных пунктов в 2009 году. достигнув 34,07%. (http://www.infosigma.com/diagnostico_financiero.htm, SF)
2.3 МЕТОДОЛОГИЧЕСКИЙ ОБЗОР
Измерение платежеспособности компании или прогнозирование банкротства бизнеса, как описано в определенных документах, было предметом нескольких исследований и анализов, в принципе многие из этих работ пришли к выводу, что финансовые показатели, основанные на данных бухгалтерского учета, могут различать обанкротившиеся компании и здоровые компании.
Речь идет об анализе различных методологий на основе их основных теорий, а также различных приложений, изучаемых в Латинской Америке, поскольку это регион, где их страны находятся в схожих условиях и принадлежит Эквадору; Необходимо принимать во внимание анализы, которые можно было бы считать генераторами значительного вклада в нашей стране, поскольку измерение платежеспособности - это проблема, которая приобретает все большее значение в связи с целью снижения рисков в компаниях.
Первоначально попытки измерить и уменьшить риск убытков, а также банкротства предпринимались в течение нескольких десятилетий, даже начиная с 1930-х годов (Winakor, 1935). Первые исследования с математическим и статистическим анализом для получения более последовательных и достоверных результатов были проведены годы спустя; (Beaver, 1968) был одним из предшественников одномерных моделей для прогнозирования бизнес-неудач.
Это видение было быстро заменено многовариантным подходом, так что можно было рассматривать различные аспекты компаний, в этот момент возникает очень полезный инструмент, такой как Дискриминантный анализ, предложенный (Fisher, 1925), такими авторами, как (Альтман, ФИНАНСОВЫЕ СООТНОШЕНИЯ, ДИСКРИМИНАНТНЫЙ АНАЛИЗ И ПРОГНОЗ КОРПОРАТИВНОГО БАНКРОТСТВА, 1968), (Blum, 1974), (Deakin, 1972), среди прочего, используют дискриминантный анализ для оценки компаний, получающих очень хорошие результаты в некоторых приложениях.
Однако позже возникают вопросы относительно методологии, поскольку этот инструмент влечет за собой определенные требования, которые должны быть соблюдены для его достоверности, такие как предположения о нормальности данных. Таким образом, возникают несколько более сложные модели, которые не обязательно требуют соблюдения допущений дискриминантного анализа, такие как модели логита, пробита или искусственного интеллекта (нейронные сети), первые две из которых основаны на моделях условной вероятности.
Такие авторы, как (Marti, 1977), (Ohlson, 1980), (Ohlson, 1980), (Golinsky, 1998), (Golinsky, 1998), (Platt, 1991) среди многих других проводили исследования в различных областях с помощью этих методов, более даже на эти описанные инструменты, а также на Дискриминантный анализ распространяются другие ограничения модели.
В области Латинской Америки мы находим (Arroyo, 2009) в качестве справочного материала при сравнении, описании и оценке основных моделей кредитного риска (Merton, 1974) пробит-моделей и моделей продолжительности в колумбийских обществах в период 1994–2004 годов.
В Перу (Mongrut, 2011) с использованием логистической модели, применяемой к компаниям с финансовыми трудностями и без них в период 1995-2007 гг., Были обнаружены некоторые макроэкономические факторы, которые влияют на вероятность несостоятельности бизнеса перуанских компаний, такие как рост внутреннего продукта. валовая отрасль (ВВП), годовой рост инфляции и эпизоды финансового кризиса.
Исследования, проведенные в Чили (Romani, 2002), направлены на определение модели, которая классифицирует и предсказывает с большей точностью степень надежности компаний в Чили, результаты показывают, что модель нейронных сетей превосходит модель логистической регрессии и Дискриминантный анализ, однако, позволяет объяснить феномен, что означает выявление переменных, которые лучше всего объясняют проблему.
В целом, на основе исследований, рассмотренных в этой области, можно подчеркнуть, что предлагаемые инструменты могут быть рассмотрены в различных исследованиях в соответствии с условиями и реалиями окружающей среды; таким образом, использование любого из различных рассмотренных методов будет зависеть от соблюдения ограничений, доступной информации, программного обеспечения и методологии в дополнение к желаемым результатам.
2.4 ОБОСНОВАНИЕ СЛЕДУЮЩЕЙ МОДЕЛИ
Как указывалось в предыдущей части, различные методологии, которые могут применяться для оценки бизнес-неудач, сформулированы в собственных ограничениях исследования. В случае настоящего исследования создание индикатора платежеспособности в секторе «Обрабатывающие отрасли» будет осуществляться с применением Дискриминантного анализа Фишера, что связано с адаптацией информации, гибкостью и простотой методологии.
Использование финансовых коэффициентов (имеющихся исходных данных) также очень важно при выборе дискриминантного анализа, несколько исследований, проведенных в финансовой области, были проведены с использованием этой техники, а также в других дисциплинах. В настоящее время крупные компании, особенно финансовые, используют методики, основанные на получении баллов или индивидуальных баллов.
Техника дискриминантного анализа имеет преимущества, заключающиеся в рассмотрении полного профиля характеристик, общих для компаний, а также взаимодействия этих свойств, поэтому этот статистический метод используется для классификации наблюдения в одну из многих априорных групп, которые зависят от индивидуальные особенности наблюдения. (Альтман., 2000)
Этот статистический инструмент позиционируется как надежный метод в своих приложениях. Проведенные исследования подтверждают, что сравнение результатов дискриминантного анализа, где его ограничения не выполняются, с другой моделью, которая не требует, например, допущений нормальности, таких как логит-анализ, его результаты не показывают значительных различий, 39 потому что в случае логита это также требуется. выполнение нескольких предположений.
В данном случае это определяет, что Дискриминантный анализ является очень действенной методологией, когда дело доходит до создания функции, которая поглощает реальность для определения баллов (индекса) каждой компании, и что таким образом оценивается, является ли компания платежеспособной или находится в стадии неплатежеспособности.
2.5 МОДЕЛЬ
Дискриминантный анализ используется для классификации различных лиц в альтернативные группы или популяции на основе значений набора переменных для лиц, подлежащих классификации. Каждый человек может принадлежать только к одной группе. Принадлежность к той или иной группе вводится в анализ посредством категориальной переменной, которая принимает столько же значений, сколько и существующие группы.
В дискриминантном анализе эта переменная играет роль зависимой переменной. Переменные, которые используются для классификации людей, будут называться классифицирующими переменными. Также используются наименования критериальных переменных или прогнозных переменных, или общее обозначение объясняющих переменных. В дискриминантном анализе информация от классифицирующих переменных синтезируется в функции, называемые дискриминантными функциями, которые в конечном итоге используются в процессе классификации.
Дискриминантный и множественный линейный корреляционный анализ применяется для объяснительных и прогностических целей. Объяснительное использование пытается определить вклад каждой классифицирующей переменной в правильную классификацию каждого из лиц. В прогностическом приложении цель состоит в том, чтобы определить группу, к которой принадлежит человек, для которой известны значения, принимаемые классифицирующими переменными. (Санчис, 2003)
Дискриминантный анализ - это один из методов многомерного анализа, в котором дисперсионный анализ является фундаментальным условием, при котором роль различных типов переменных в обоих методах меняется на противоположную. Таким образом, при дисперсионном анализе категориальная переменная (фактор) является объясняющей переменной, тогда как в дискриминантном анализе категориальная переменная является именно зависимой переменной (Uriely Aldás 2005).
Дискриминантный анализ можно рассматривать как множественный регрессионный анализ, где зависимая переменная является категориальной, а метка каждой из групп - это ее категории, независимые переменные являются непрерывными и определяют, к каким группам принадлежат объекты. Цель состоит в том, чтобы найти линейные отношения между непрерывными переменными, которые лучше всего различают группы, данные объектам. Другая цель - построить правило принятия решения, которое относит новый объект, который ранее не классифицировался, к одной из заранее определенных групп с определенной степенью риска.
Перед использованием дискриминантного анализа необходимо учесть ряд ограничений или предположений:
- Существует только одна категориальная переменная, а остальные переменные представляют собой интервальные или относительные переменные и независимы по отношению к ней. Должно быть как минимум две группы, и для каждой группы необходимо два или более случаев. Количество различающих переменных должно быть меньше, чем количество объектов минус 2: и n - количество объектов. Никакая дискриминантная переменная не может быть линейной комбинацией других дискриминантных переменных. Максимальное количество дискриминантных функций равно минимуму между числом переменных и числом групп минус 1 (с K группами, (K - 1) Ковариационная матрица всех групп равна Σ. (Гипотеза гомоскедастичности) Каждая из групп имеет многомерное нормальное распределение. Из предыдущих гипотез следует, что (2.1)Предполагается, что в каждой из групп G была составлена независимая многомерная случайная выборка.
2.5.1 ДИСКРИМИНАЦИОННАЯ ФУНКЦИЯ FISHER
Задача относительно классифицирующих переменных была решена аналитически статистикой Фишера в 1936 г. для общего случая p переменных.
Дискриминантная функция Фишера D получается как линейная функция от K переменных
объяснительный X, то есть (2.2)
Задача заключается в получении весовых коэффициентов. Если учесть, что имеется n наблюдений, дискриминантная функция может быть выражена для n наблюдений:
(2.3)
Таким образом, это дискриминантная оценка, соответствующая i-му наблюдению. Выражая объясняющие переменные в отклонениях от среднего, это тоже будет. Предыдущая связь может быть выражена в матричной форме для набора наблюдений:
(2.4)
Или, в более компактной матричной записи:
(2.5)
Вариабельность дискриминантной функции, то есть сумма квадратов дискриминантных переменных в отклонениях от их среднего, может быть выражена следующим образом: (2.6)
Второй член (2.6) представляет собой квадратичную форму матрицы +,. Эта матрица, поскольку переменные выражены в отклонениях по отношению к среднему, представляет собой матрицу общей суммы квадратов и перекрестных произведений (SCPC) переменных X. Эта матрица может быть разложена на матрицу SCPC между группами и SCPC. остаточная или внутригрупповая; разложение X'X можно выразить так:
(2.7)
Где T, F и W - матрицы общего SCPC, между группами и внутри групп соответственно. Подставляя (2.7) в (2.6), получаем:
(2.8)
Следует отметить, что в предыдущем выражении T, F и W могут быть вычислены с использованием выборочных данных, а коэффициенты должны быть определены. Для своей оценки Фишер использовал следующие критерии:
Критерий получения дискриминантной функции Фишера
(2.9)
С помощью этого критерия мы пытаемся определить ось различения таким образом, чтобы проецируемые на нее распределения были как можно дальше друг от друга (большая вариабельность между группами) и, в то же время, чтобы каждое из распределений было наименее рассредоточенным (меньше изменчивость внутри групп).
Аналитически критерий Фишера можно выразить следующим образом:
Критерий получения дискриминантной функции
(2,9 бис)
Как видно, речь идет о том, чтобы первый член (между группами) в (2.8) был как можно большим в ущерб второму члену (внутригруппы).
Дискриминантная функция Фишера (2.3) обычно сопровождается классификатором linear, поскольку она получается как линейная комбинация исходных переменных.
(Нормализованные) коэффициенты, полученные в процессе максимизации (2.9), можно рассматривать как набор косинусов, которые определяют положение оси дискриминанта. Для этой интерпретации упоминается нормализация: сумма ее квадратов равна единице.
Таким образом, оценки дискриминанта являются значениями, полученными путем задания значений a в уравнении (2.3), и соответствуют значениям, полученным путем проецирования каждой точки K-мерного пространства исходных переменных на ось дискриминанта.
Центры тяжести или центроиды (то есть вектор средних) - это основная статистика, которая суммирует информацию о группах. Имена, используемые для обозначения центроидов групп I и II, следующие:
Подставляя в (2.3), по элементам вектора получаем, что
Действуя аналогично для группы II, получаем:
(2.12)
Точка отсечения дискриминанта C вычисляется путем усреднения:
Дискриминантная точка отсечения:
(2.13)
Критерий классификации индивидуума i следующий:
Да, человек i отнесен к группе I.
Да, человек i отнесен к группе II.
Обычно, когда применяется дискриминантный анализ, значение C вычитается из функции. Таким образом, дискриминантная функция определяется следующим образом:
Используя приведенное выше уравнение, человек классифицируется в группе I, если 0, и в группу II, в противном случае.
Если второй член (2.14) равен 0, то в случае двух переменных получается уравнение прямой:
Которая разграничивает группы I и II на плоскости.
Существует альтернативный способ использования (2.14), заключающийся в построении дискриминантных функций для каждой группы, также основанный на критерии (2.9).
Эти функции, называемые F1 и F2, имеют следующую структуру:
Когда используются эти функции, человек классифицируется в группе, для которой функция является наибольшей. Этот тип функций-классификаторов имеет то преимущество, что их легко обобщить на случай, когда имеется более двух групп. Из коэффициентов функций (2.16) коэффициенты функции (2.14) могут быть получены с помощью следующей эквивалентности:
2.5.2 АЛЬТМАН-МОДЕЛЬ Z
«Z Score» или «Z-модель» Альтмана - это модель, созданная Эдвардом Альтманом в 1966 году, которая была основана на итеративном статистическом анализе множественной дискриминации.
Эта модель состоит из пяти финансовых коэффициентов, которые взвешиваются и складываются (независимые переменные) и дискриминантной переменной (зависимая переменная), которая классифицирует различные компании на платежеспособные и неплатежеспособные.
При разработке модели Альтмана была выбрана выборка из 66 компаний, разделенных на 33 компании, потерпевшие крах за последние 20 лет, и 33 компании, которые все еще действовали на момент проведения исследования; Он приступил к расчету 22 финансовых коэффициентов для каждой из компаний, которые он классифицировал по 5 стандартным категориям: ликвидность, прибыльность, левередж, платежеспособность и активность.
После многих попыток найти надежную модель он выбрал 5 переменных, которые вместе дали лучший результат в отношении прогнозирования неплатежеспособности, в этом смысле дискриминантная функция выглядит следующим образом:
Куда:
Таким образом были установлены 3 различных области, в которых можно было найти дискриминантные оценки:
(Альтман, ПРОГНОЗИРОВАНИЕ ФИНАНСОВОГО БЕДСТВИЯ КОМПАНИЙ: ПЕРЕСМОТР Z-SCORE AND, 2000 г.)
ВЫВОДЫ
- Обрабатывающая промышленность вносит значительный вклад в формирование ВВП Эквадора за счет существующих компаний, создания новых компаний и слияний предприятий, что обеспечивает динамизм эквадорской экономики. Обрабатывающая промышленность в основном состоит из малых и микрокомпаний; Тем не менее, в этих бизнес-сегментах самый высокий процент компаний, находящихся в «распущенном и / или ликвидированном» состоянии, поэтому их контроль важен для сокращения числа компаний, попадающих в это состояние. Сектор «Обрабатывающая промышленность» его кредиторов является управляемым, поскольку сектор (на совокупном уровне) примерно на 55% привязан к своим кредиторам. Обрабатывающая промышленность не имеет автономии по отношению к третьим сторонам,В связи с тем, что показатель его задолженности по собственному капиталу колеблется около 2, что означает, что его собственного капитала недостаточно для выполнения своих обязательств, управление обрабатывающей промышленностью хорошее, учитывая, что оборот его активов и продаж всегда колеблется в пределах Относительно адекватные значения, которые необходимо поддерживать. Со временем измерение платежеспособности компаний стало важным и позволило использовать для этой цели различные математические методы; Однако эти инструменты могут быть рассмотрены в различных исследованиях в зависимости от условий и реалий окружающей среды; В этом смысле использование любого из различных методов будет зависеть от соблюдения ограничений, доступной информации, программного обеспечения и / или методологии,Платежеспособность крупных компаний обрабатывающей промышленности в основном определяется уровнем левериджа, который они могут создать, и их ликвидностью. Определена платежеспособность средних компаний обрабатывающей промышленности. определяется в основном их уровнем ликвидности и прибыльностью, которую они генерируют за счет своих активов, не считая финансовой прибыльности, которая в этом сегменте бизнеса не является трансцендентной. Платежеспособность малых компаний в обрабатывающей промышленности определяется в основном из-за его управленческих способностей и прибыльности, которая может быть достигнута за счет финансирования его деятельности; то естьпотенциал внешнего долга, которым он может управлять для своего развития из-за своей собственной небольшой природы Платежеспособность компаний в обрабатывающей промышленности не может быть объяснена в общем для всех типов компаний, их собственных качеств (таких как рыночная ниша) К крупным, средним и малым компаниям относятся те, которые по-разному определяют платежеспособность компании в том или ином сегменте. Разработка показателей банкротства для сектора «Производственные отрасли» позволяет анализировать платежеспособность бизнеса компании в этом секторе, становясь инструментом предотвращения банкротств.Определение показателей производительности для сектора "Обрабатывающая промышленность" позволяет диагностировать производственную ситуацию компаний в этом секторе для принятия деловых решений и, таким образом, разрабатывать производственные методы, способствующие развитию сектора. Снижение рисков банкротства предприятий позволяет им быть более продуктивными в сектор «Обрабатывающие производства», поскольку стабильность платежеспособности является ключевым фактором в поддержании производительности бизнеса.
Библиография
- (SF). Получено с http://www.infosigma.com/diagnostico_financiero.htm. Alman, EI (1968). ФИНАНСОВЫЕ ПОКАЗАТЕЛИ, ДИСКРИМИНАНТНЫЙ АНАЛИЗ И ПРОГНОЗ КОРПОРАТИВНОГО БАНКРОТСТВА. Анонсы редакции // Альтман. (1968). ФИНАНСОВЫЕ ПОКАЗАТЕЛИ, ДИСКРИМИНАНТНЫЙ АНАЛИЗ И ПРОГНОЗ КОРПОРАТИВНОГО БАНКРОТСТВА. Альтман. (2000). ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ БЕДСТВИЙ КОМПАНИЙ: ПЕРЕСМОТР Z-SCORE AND. Альтман, Э.И. (2000). ПРОГНОЗИРОВАНИЕ ФИНАНСОВЫХ БЕДСТВИЙ КОМПАНИЙ: ПЕРЕСМОТР ZSCORE AND. Поток. (2009) Бобр. (1968). Уменьшилось ли информационное содержание объявлений о годовой прибыли за последние три десятилетия? Блюм. (1974). гигиена труда. Дикин, Е.Б. (1972). «Дискриминантный анализ бизнес-неудач». Эквадор, SI (SF). www.supercias.gob.ec. Студент, Э. (1999). GF Printing. Мадрид Испания Фишер. (1925).СТАТИСТИЧЕСКИЕ МЕТОДЫ ДЛЯ ИССЛЕДОВАТЕЛЕЙ. Golinsky. (1998) Голинский. (1998) Марти. (1977) Марти, П. (2 апреля 2008 г.). http://webs.ono.com/martipascual. Получено с http://www.derechoecuador.com.Revista Judicial.Merton. (1974) Монгрут. (2011) Олсон. (1980) Олсон. (1980) Платт П. и. (1991) Романи. (2002) Санчис. (2003). Дискриминантный анализ в прогнозе неплатежеспособности страховых компаний России. SRI. (2008). Годовой управленческий отчет. Винакор, А. а. (1935). Изменения в финансовой структуре неудачных промышленных корпораций, Бюро бизнес-исследований, Урбана, Иллинойс., Иллинойс: Бюллетень № 51, Университет Иллинойса,. www.asesorescorporativos.net. (SF).com.Revista Judicial.Merton. (1974) Монгрут. (2011) Олсон. (1980) Олсон. (1980) Платт П. и. (1991) Романи. (2002) Санчис. (2003). Дискриминантный анализ в прогнозе неплатежеспособности страховых компаний России. SRI. (2008). Годовой управленческий отчет. Винакор, А. а. (1935). Изменения в финансовой структуре неудачных промышленных корпораций, Бюро бизнес-исследований, Урбана, Иллинойс., Иллинойс: Бюллетень № 51, Университет Иллинойса,. www.asesorescorporativos.net. (SF).com.Revista Judicial.Merton. (1974) Монгрут. (2011) Олсон. (1980) Олсон. (1980) Платт П. и. (1991) Романи. (2002) Санчис. (2003). Дискриминантный анализ в прогнозе неплатежеспособности страховых компаний России. SRI. (2008). Годовой управленческий отчет. Винакор, А. а. (1935). Изменения в финансовой структуре неудачных промышленных корпораций, Бюро бизнес-исследований, Урбана, Иллинойс., Иллинойс: Бюллетень № 51, Университет Иллинойса,. www.asesorescorporativos.net. (SF).Изменения в финансовой структуре неудачных промышленных корпораций, Бюро бизнес-исследований, Урбана, Иллинойс., Иллинойс: Бюллетень № 51, Университет Иллинойса,. www.asesorescorporativos.net. (SF).Изменения в финансовой структуре неудачных промышленных корпораций, Бюро бизнес-исследований, Урбана, Иллинойс., Иллинойс: Бюллетень № 51, Университет Иллинойса,. www.asesorescorporativos.net. (SF).
