dc.contributor.author | Ptak-Chmielewska, Aneta | |
dc.date.accessioned | 2018-02-28T11:45:15Z | |
dc.date.available | 2018-02-28T11:45:15Z | |
dc.date.issued | 2018 | |
dc.identifier.issn | 0208-6018 | |
dc.identifier.uri | http://hdl.handle.net/11089/24180 | |
dc.description.abstract | Credit risk management is a key element in bank management. For credit risk management, statistical models are used, the so‑called scoring and rating models. For enterprise risk assessment, rating models are used. Rating models consist of quantitative models (based on financial ratios) and qualitative models (based on a questionnaire). For estimation of quantitative models, econometric and statistical models are used, mainly logistic regression models. In this paper, statistical models for quantitative assessment are presented, including an empirical example based on the sample of data for SMEs made available by one of Polish banks. A logistic regression model with a nominal variable – the region of activity, including territorial differences, was used. The construction of rating model was presented, including the sector and region of activity. | en_GB |
dc.description.abstract | Zarządzanie ryzykiem kredytowym stanowi kluczowy element w zarządzaniu bankiem. Do zarządzania ryzykiem kredytowym wykorzystywane są modele statystyczne tzw. Modele scoringowe i ratingowe. Do oceny ryzyka kredytowego przedsiębiorstw wykorzystuje się modele ratingowe. Składową modeli ratingowych są modele ilościowe (oparte na wskaźnikach finansowych) oraz modele jakościowe (oparte na ankiecie jakościowej). Do budowy modeli ilościowych wykorzystuje się modele statystyczne i ekonometryczne, głównie modele regresji logistycznej. W artykule omówione zostały modele statystyczne do oceny ilościowej wraz z przykładem empirycznym opartym na danych dla próby MŚP udostępnionej przez jeden z polskich banków. Wykorzystano model regresji logistycznej ze zmienną nominalną – region działalności, uwzględniający zróżnicowanie terytorialne. Pokazana została konstrukcja modelu uwzględniającego zarówno branże działalności, jak i region działalności. | pl_PL |
dc.language.iso | en | en_GB |
dc.publisher | Wydawnictwo Uniwersytetu Łódzkiego | en_GB |
dc.relation.ispartofseries | Acta Universitatis Lodziensis. Folia Oeconomica;333 | |
dc.subject | credit risk | en_GB |
dc.subject | bankruptcy models | en_GB |
dc.subject | logistic regression | en_GB |
dc.subject | ryzyko kredytowe | pl_PL |
dc.subject | modele upadłości | pl_PL |
dc.subject | regresja logistyczna | pl_PL |
dc.title | Bankruptcy Risk Models for Polish SMEs – Regional Approach | en_GB |
dc.title.alternative | Modele ryzyka upadłości polskich MŚP – ujęcie regionalne | pl_PL |
dc.type | Article | en_GB |
dc.rights.holder | © Copyright by Authors, Łódź 2018; © Copyright for this edition by Uniwersytet Łódzki, Łódź 2018 | en_GB |
dc.page.number | [71]-83 | |
dc.contributor.authorAffiliation | Warsaw School of Economics, Institute of Statistics and Demography | |
dc.identifier.eissn | 2353-7663 | |
dc.references | Frątczak E. (ed.) (2009), Wielowymiarowa analiza statystyczna. Teoria i przykłady zastosowań z systemem SAS, Szkoła Główna Handlowa, Warszawa. | pl_PL |
dc.references | Gajdka J., Stos D. (1996), Wykorzystanie analizy dyskryminacyjnej do badania podatności przedsiębiorstwa na bankructwo, [in:] J. Duraj (ed.), Przedsiębiorstwo na rynku kapitałowym, Wydawnictwo Uniwersytetu Łódzkiego, Łódź. | pl_PL |
dc.references | Hadasik D. (1998), Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, „Zeszyty Naukowe Akademii Ekonomicznej w Poznaniu”, no. 153, Wydawnictwo AE w Poznaniu, Poznań. | pl_PL |
dc.references | Hołda A. (2001), Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej, “Rachunkowość”, no. 5, pp. 306–310. | pl_PL |
dc.references | Jagiełło R. (2013), Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw, “Materiały i Studia”, no. 286. | pl_PL |
dc.references | Mączyńska E. (1994), Ocena kondycji przedsiębiorstwa (uproszczone metody), “Życie Gospodarcze”, no. 38, pp. 42–45. | pl_PL |
dc.references | Pociecha J. (ed.) (2014), Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków. | pl_PL |
dc.references | Pogodzińska M., Sojak S. (1995), Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw, “Ekonomia XXV ”, vol. 299. | pl_PL |
dc.references | Prusak B. (2005), Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Difin, Warszawa. | pl_PL |
dc.references | Ptak‑Chmielewska A., Matuszyk A. (2014), Default prediction for SME using discriminant and survival models, evidence from Polish market, “Quantitative Methods in Economics”, vol. XV, no. 2, pp. 369–381. | pl_PL |
dc.references | Sojak S., Stawicki J. (2001), Wykorzystanie metod taksonomicznych do oceny kondycji ekonomicznej przedsiębiorstw, “Zeszyty Teoretyczne Rachunkowości”, vol. 3(59), pp. 45–52. | pl_PL |
dc.references | Wierzba D. (2000), Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie wskaźników finansowych – teoria i badania empiryczne, “Zeszyty Naukowe”, no. 9, Wydawnictwo Wyższej Szkoły Ekonomiczno‑Informacyjnej w Warszawie, Warszawa. | pl_PL |
dc.contributor.authorEmail | aptak@sgh.waw.pl | |
dc.identifier.doi | 10.18778/0208-6018.333.05 | |
dc.relation.volume | 1 | en_GB |
dc.subject.jel | C52 | |
dc.subject.jel | C58 | |
dc.subject.jel | G33 | |