academia de studii economice -...

ACADEMIA DE STUDII ECONOMICE - COORDONATOR

COFACE ROMANIA CREDIT MANAGEMENT SERVICES S.R.L. - PARTENER

UN NOU MODEL DE EVALUARE A RISCULUI CORPORAȚIILOR: INSTRUMENT

ȘTIINȚIFIC PENTRU MANAGEMENTUL BAZAT PE CUNOȘTINȚE

Raport științific și tehnic

Etapa I

Echipa ASE 2014 Echipa COFACE 2014

Prof.dr. Monica Dudian, director Iancu Guda, coordonator

Prof.dr. Mihai Roman Forika Helga, membru

Prof.dr. Aurelia Stefănescu, membru Maruntelu Maria Nicoleta, membru

Conf.dr. Gabriel Bobeică, membru Neatu Nicolae-Adrian, membru

Conf.dr. Mihaela Hrisanta Mosora, membru Pascu Alexandra, membru

Lect.dr. Raluca Andreea Popa, membru Petcu Ioana-Sorina, membru

Lect.dr. Anca Paraschiv, membru Rotari Elena, membru

Stoicescu Alina-Raluca, membru

Decembrie, 2014

Programul: PN II

Tipul proiectului: PARTENERIATE ÎN DOMENII PRIORITARE

Cod proiect: PN-II-PT-PCCA-2013-4-0873

CUPRINS

ETAPA I. ANALIZA BAZELOR DE DATE DISPONIBILE ŞI CONSTRUIREA

EŞANTIOANELOR PE CARE SE FUNDAMENTEAZĂ ELABORAREA

MODELELOR DE RATING

A. Rezumatul etapei 2

B. Descrierea științifică și tehnică cu punerea în evidență a rezultatelor

etapei și gradul de realizare a obiectivelor

3

B.1. Cercetare industrială 3

I.1. Analiza bazelor de date disponibile 3

I.2. Generarea setului de date pentru sistemul de rating pentru IMM-uri

şi pentru corporaţii

4

I.3. Generarea setului de date pentru sistemul de rating cu variabile

macroeconomice

6

I.5. Studiu asupra tehnicilor predictive utilizate pentru construirea

funcțiilor scoring

9

I.6. Analiza univariată 14

B.2. Diseminarea rezultatelor cercetării 18

I.4. Diseminarea rezultatelor si raportare anuală. Schimburi de bune

practici cu universități din străinătate.

18

I.7. Diseminarea rezultatelor prin participarea la manifestații științifice

în domeniul economic

18

B.3. Rezultatele etapei și gradul de realizare a obiectivelor 19

Bibliografie 20

A. REZUMATUL ETAPEI

Obiectivul general al acestui proiect este să încorporeze informații macroeconomice și

sectoriale în procesul de evaluare a companiilor. Rezultatul esențial constă în realizarea a două

modele noi de rating pentru IMM-uri şi corporaţii, concepute ca instrumente ale unui sistem de

management bazat pe cunoştiinţe. Atingerea obiectivului general implică realizarea a trei obiective

specifice, sintetizate astfel: (i) determinarea probabilității de nerambursare pentru companiile din

România, (ii) determinarea unui indicator de macro-vulnerabilitate specific sectorului de activitate în

care aceste companii activează, ca parte integrantă a modelului de rating și (iii) realizarea unei

analize de tip cluster care să permită ordonarea intertemporală și intersectorială a companiilor.

Prima etapă a proiectului a urmărit în principal construirea bazelor de date relevante pentru

fundamentarea modelelor de rating și selectarea tehnicilor predictive. Principalele activități s-au

succedat astfel: (1) au fost inventariate bazele de date disponibile; (2) a fost generat setul de date

relevant pentru sistemul de rating pentru IMM-uri şi pentru corporaţii; (3) a fost generat setul de

date pentru sistemul de rating cu variabile macroeconomice; (4) au fost selectate tehnicile

predictive care vor fi utilizate pentru construirea funcțiilor scoring în cea de-a doua etapă a

proiectului și (5) s-a realizat analiza univariată. Etapa întâi a prevăzut în plus două tipuri de

activități din categoria diseminare: (1) participarea la manifestări științifice în domeniul

economic și (2) vizite de lucru și schimburi de bune practici cu universități din străinătate.

Analiza bazelor de date disponibile (activitatea I.1) a condus la concluzia ca cea mai

potrivită bază de date pentru realizarea proiectului, din perspectiva completitudinii, este cea a

partenerului Coface, dar vor fi utilizate și baze de date alternative pentru realizarea de studii

comparative și articole științifice. Pornind de la baza de date Coface, a fost generat setul de date

pentru sistemul de rating pentru IMM-uri şi pentru corporaţii (activitatea I.2) pe baza analizei

amănunțite a informațiilor financiare extinse și a celor calitative disponibile pentru toate

companiile pentru perioada 2010 - 2014; s-a constatat ca există cca. 18469 de companii cu date

pentru întreaga perioadă, dintre care 10784 cu informații complete. Baza de date relevantă

incluzând variabilele macroeconomice (activitatea I.3) conţine informaţii care permit

caracterizarea exhaustivă a mediului economic în care operează companiile nefinanciare, precum

şi evidenţierea unor caracteristici structurale ale mediului de afaceri. Variabilele au fost selectate

în funcţie de potenţialul acestora de a identifica poziţia economiei româneşti pe ciclul economic,

principalele influenţe externe, dar şi riscurile cu care se confruntă companiile. Pentru prognoza

funcţiei de distribuție a probabilităților de pierderi asociate portofoliului de credite care va fi

realizată anul viitor au fost selectate următoarele tehnici (activitatea I.5): regresia logistică,

regresia probit, regresia Tobit, arbori de clasificare, rețelele neuronale. Baza de date obținută prin

activitatea I.2. a fost utilizată în analiza determinării factorilor capacității de plata prin utilizarea

unor tehnici diferite (analiza univariată, activitatea I.6).

Diseminarea s-a realizat prin participarea la 4 manifestări știinșifice, dintre care trei

internaționale și două conferințe tip ISI Proceedings și prin publicarea a două articole științifice

în reviste indexate în cel puțin trei baze de date internaționale. Vizita de lucru a presupus un

schimb de experiență cu profesori de la ESSEC Business School Paris.

În concluzie au fost realizate toate activitățile menționate în planul de realizare al

proiectului, etapa întâi și au fost obținute toate rezultatele prevăzute în respectivul plan. Mai mult

decât atât, au fost depășite rezultatele prevăzute pentru diseminare, în condițiile în care au fost

publicate două articole BDI (unul singur era prevăzut) și au fost prezentate două lucrări la

conferințe ISI Proceedings (a fost planificată o singura prezentare).

I. 1. Analiza bazelor de date disponibile

În cadrul acestei activități au fost inventariate și analizate bazele de date disponibile, din

perspectiva completitudinii și relevanței pentru obiectivele specifice proiectului. Principalele

baze de date disponibile în cadrul acestui parteneriat sunt:

1. Baza de date disponibilă de la Oficiul Național al Registrului Comerțului

2. Eikon - Market Data

3. Baza de date privată a Coface Romania

Principalele baze de date utilizate pentru realizarea proiectului vor fi cea a Oficiului Național al

Registrului Comerțului și cea a Coface Romania.

I. 2. Generarea setului de date pentru sistemul de rating pentru IMM-uri şi pentru

corporaţii

In vederea generarii setului de date pentru sistemul de rating pentru IMM-uri si pentru

corporatii au fost incluse urmatoarele:

Tabelul 1. Variabile microeconomice

Nr.

Crt. Nume Frecvența

Prima

observatie

Ultima

observatie

1 Indicatorii de Lichiditate Anuala

1.1. Lichiditatea Curenta Anuala 2010 2014 sem II

1.2. Lichiditatea Imediata Anuala 2010 2014 sem II

1.3. Lichiditatea Numerar Anuala 2010 2014 sem II

1.4. Defensive Interval Ratio (D.I.R.) Anuala 2010 2014 sem II

1.5. Cash Coverage Ratio (C.C.R. ) Anuala 2010 2014 sem II

1.6. Cash Coverage Ratio recalculat-scenarii de stres Anuala 2010 2014 sem II

2 Indicatorii de Activitate & Finantare Anuala

2.1. Durata medie de incasare a creantelor Anuala 2010 2014 sem II

2.2. Durata medie de rotatie a stocurilor Anuala 2010 2014 sem II

2.3. Durata medie de rotatie a datoriilor pe termen scurt Anuala 2010 2014 sem II

2.4. Ciclul de conversie al banilor Anuala 2010 2014 sem II

3 Indicatorii de Profitabilitate Anuala

3.1. Rezultatul Net Anuala 2010 2014 sem II

3.2. Rezultatul Operational Anuala 2010 2014 sem II

3.3. Randamentul Capitalurilor Anuala 2010 2014 sem II

3.4. Randamentul Activelor Anuala 2010 2014 sem II

3.5. Randamentul Operational al Activelor Anuala 2010 2014 sem II

4 Indicatorii de Solvabilitate Anuala

4.1. Gradul de indatorare Anuala 2010 2014 sem II

4.2. Orizontul de finantare Anuala 2010 2014 sem II

4.3. % Active Imobilizate Corporale Anuala 2010 2014 sem II

4.4. Acoperirea Dobanzilor Anuala 2010 2014 sem II

5 Indicatorii privind calitatea Veniturilor |

Cheltuielilor Anuala

5.1. Ritm Capital Expenditure Anuala 2010 2014 sem II

5.2. Ritm Amortizare Anuala 2010 2014 sem II

5.3. Amortizare Anuala 2010 2014 sem II

5.4. Lichiditate v.s. Performanta Anuala 2010 2014 sem II

6 Mediul concurential Anuala

6.1. Cota de piata Anuala 2010 2014 sem II

6.2.

Dinamica cifrei de afaceri precum si cea a

rezultatului operational Anuala

2010 2014 sem II

6.3.

Raportul intre numarul companiilor care isi intrerup

activitatea v.s. numarul companiilor nou inregistrate Anuala

2010 2014 sem II

6.4.

Calibrul companiilor care si-au intrerupt activitatea,

in functie de cifra de afaceri inregistrata Anuala

2010 2014 sem II

6.5. Probabilitatea actiunilor antitrust Anuala 2010 2014 sem II

7 Informatii calitative

7.1. Incidente de plata Nu e cazul Nu e cazul Nu e cazul

7.2. Cereri de insolventa din partea partenerilor Nu e cazul Nu e cazul Nu e cazul

7.3. Importante tranzactii intragrup Nu e cazul Nu e cazul Nu e cazul

7.4.

Actionar persoana fizica implicat in alte companii

in ultimii ani Nu e cazul Nu e cazul

Nu e cazul

7.5.

Articole in presa care denigreaza imaginea

companiei Nu e cazul Nu e cazul

Nu e cazul

7.6. Practici frauduloase Nu e cazul Nu e cazul Nu e cazul

7.7.

Concentrare mare a vanzarilor creantelor in clienti

care comporta risc major Nu e cazul Nu e cazul

Nu e cazul

7.8. Companii infiintare recent Nu e cazul Nu e cazul Nu e cazul

I. 3. Descriere Baza de date relevantă cu variabile macroeconomice

Baza de date relevantă incluzând variabilele macroeconomice (BD-MACRO) a fost

construită prin prisma indicatorului de macro-vulnerabilitate care trebuie elaborat în etapa a

doua. BD-MACRO include: (1) preţuri (în sens larg, nu numai ale bunurilor de consum, ci şi ale

factorilor de producţie); (2) variabile ale sectorului real; (3) variabile ale sectorului financiar; (4)

variabile externe; (5) variabile din sondaj; (6) indicatori structurali.

BD-MACRO include variabile cu frecvenţă lunară, trimestrială şi anuală. Datele

disponibile cu frecvenţă lunară sunt îndeosebi indicatorii pe termen scurt asupra activităţii reale

(de ex. indicele producţiei industriale, volumul comerţului cu amănuntul, lucrările construcţii

etc.), asupra preţurilor (indicele preţurilor de consum, salariul mediu etc.), precum şi unii

indicatori de sondaj, cum ar fi ESI şi Consumer Sentiment Index. Datele cu frecvenţă trimestrială

sunt, în general, datele din Sistemul Conturilor Naţionale (PIB şi componentele acestuia în

termeni reali, deflatorul PIB etc.). Indicatorii structurali privind activitatea întreprinderilor au

frecvenţă anuală. Variabilele financiare (ratele de dobândă, randamentul titlurilor de stat, cursul

de schimb etc.) au frecvenţă zilnică, dar sunt incluse în baza de date la frecvenţă lunară, datele

lunare fiind calculate ca media datelor zilnice.

BD-MACRO include variabilele în forma publicată de către sursa iniţială, dar şi într-o

formă prelucrată, în scopul asigurării unei uniformităţi în ceea ce priveşte modul de exprimare şi

unităţile de măsură. În cazul variabilelor cu frecvenţă lunară sau trimestrială cu comportament

sezonier, pentru care sunt disponibile oficial date ajustate sezonier, în baza de date sunt incluse

seriile de date ajustate sezonier. În cazul variabilelor lunare (de exemplu câştigul salarial mediu

brut, rata înregistrată a şomajului) pentru care nu sunt disponibile oficial date ajustate sezonier,

în baza de date sunt incluse datele ajustate sezonier utilizând metoda TramoSeats implementată

în programul informatic specializat Demetra.

Datele sunt exprimate în forma în care sunt disponibile în sursa iniţială sau într-o formă

echivalentă cu aceasta. De exemplu, indicatorii pe termen scurt (producţia industrială, volumul

comerţului cu amănuntul, lucrările de construcţii, preţurile producţiei industriale etc.) sunt

exprimaţi ca indici cu bază fixă, iar indicatorii din Sistemul Conturilor Naţionale sunt exprimaţi

în preţurile medii ale unui an de bază. Indicatorii financiari sunt exprimaţi în procente sau

lei/euro. Pornind de la forma iniţială în sunt care sunt exprimaţi indicatorii, în baza de date se

calculează automat, în cazul în care acestea sunt relevante, rate de creştere: (a) în raport cu

perioada anterioară, (b) în raport cu aceeaşi perioadă a anului anterior, (c) medii, pentru

intervalul care se termină cu perioada curentă.

b) Actualizare

BD-MACRO se actualizează lunar, prin adăugarea informaţiilor nou disponibile.

Actualizarea nu se limitează însă la adăugarea valorilor nou disponibile, ci implică şi revizuirea

seriilor istorice, ori de câte ori aceasta se realizează de către instituţia care publică oficial datele

respective. Aceasta poate fi rezultatul ajustării sezoniere a seriilor de date completate prin

adăugarea unei noi observaţii, a modificării structurii pe baza cărora sunt calculate valorile

agregate sau a schimbării de metodologie.

Regularitatea cu care sunt disponibile datele:

datele financiare (cursul de schimb, ratele de dobândă de pe piaţa interbancară,

randamentele titlurilor de stat în lei şi CDS România) sunt disponibile zilnic, dar

sunt actualizate în baza de date lunar; datele lunare sunt calculate ca medii ale

datelor zilnice;

variabilele din sondaj (ESI şi Consumer Sentiment Index) sunt disponibile în

timp real, la sfârşitul perioadei de referinţă; de ex. pe 27 noiembrie 2014, pentru

perioada de referinţă noiembrie 2014;

Indicele Preţurilor de Consum (IPC) este disponibil cu o lună întârziere, faţă de

perioada de referinţă; de ex. pe 11 noiembrie 2014 s-a publicat valoarea IPC

pentru luna octombrie 2014;

indicatorii pe termen scurt ai sectorului real (volumul producţiei industriale,

cifra de afaceri în industrie, volumul comerţului cu amănuntul, lucrările de

construcţii, serviciile de piaţă prestate populaţiei şi întreprinderilor), rata

şomajului BIM, preţurile producţiei industriale, câştigul salarial mediu nominal

brut sunt disponibile cu o întârziere de două luni, în raport cu luna de referinţă;

variabilele din conturile naţionale (PIB – total şi pe sectoare, din punctul de

vedere al cererii şi al ofertei, deflatorul PIB) sunt disponibile în cel mult 75 de

zile de la încheierea trimestrului de referinţă;

costul orar al forţei de muncă se publică concomitent cu datele provizorii (1)

pentru PIB şi componente;

indicele preţurilor proprietăţilor rezidenţiale este disponibil la două luni după

încheierea trimestrului de referinţă;

ratele de dobândă la creditele acordate companiilor şi rata creditelor

neperformante sunt disponibile la două luni după încheierea lunii de referinţă;

indicele preţurilor mărfurilor pe pieţele internaţionale este disponibil cu o

întârziere de 1 lună;

sondajul privind standardele de creditare se publică în a doua lună a trimestrului

T(n+1) pentru trimestrul T(n);

datele structurale privind activitatea întreprinderilor se publică spre finalul

anului curent, pentru anul anterior;

publicarea ratei înregistrate a şomajului nu are caracter regulat.

c) Implementare

Baza de date macro este implementată sub forma unui fişier MS Excel. Acesta permite

calculul automat al diverselor forme de exprimare a datelor (diverse forme ale ratelor de creştere,

medii mobile etc.), precum şi importarea în programe specializate, cum ar fi Eviews, SAS sau

Matlab.

Fişierul este structurat în funcţie de frecvenţa datelor: lunară, trimestrială, respectiv

anuală, fiecăreia dintre acestea fiindu-i alocată o foaie de calcul (en. sheet). În interiorul unei foi

de calcul, datele sunt structurate în funcţie de conţinutul economic, urmând clasificarea de la

punctul I. O foaie de calcul este dedicată descrierii variabilelor, fiind prezentate codificarea

acestora, denumirea, sursa, frecvenţa, prima observaţie disponibila, ultima observaţie

disponibilă, unitatea în care sunt exprimate şi alte observaţii. Aceste informaţii sunt prezentate,

pentru varianta iniţială a BD-MACRO, şi în Anexa 1.

d) Sursa datelor

Datele sunt preluate din sursele oficiale, autorizate să calculeze şi să disemineze date

macroeconomice sau referitoare la sistemul financiar-bancar: Institutul Naţional de Statistică

(INS), Banca Naţională a României (BNR), Agenţia Naţională pentru Ocuparea Forţei de Muncă

(ANOFM), Oficiul Naţional pentru Registrul Comerţului (ONRC), EUROSTAT, Comisia

Europeană, Fondul Monetar Internaţional (FMI).

I. 5. Studiu asupra tehnicilor predictive utilizate pentru construirea funcțiilor

scoring

Modelele de rating definesc riscul de credit într-un mod operațional, ca "distribuţia pierderilor

financiare atunci când au loc modificări imprevizibile în calitatea creditului unei contrapartide

implicate într-un contract financiar" (Giesecke, 2004). Modelele referitoare la riscul de credit au

ca scop principal prognoza funcţiei de distribuție a probabilităților de pierderi asociate

portofoliului de credite (Lopez și Saindenberg, 1999).

În 1936, Fischer a introdus funcția liniara discriminantă cu scopul de a găsi o combinație

de variabile care separă cât mai eficient două grupuri ale căror caracteristici erau disponibile.

Fie orice combinație liniară a caracteristicilor

.

Fisher propune ca și măsura de separație

ț ă

ț ș ă

(1)

Regresia logistică

Fie probabilitatea ca i este in incapacitate de plata, scopul este aflarea lui care

aproximeaza cel mai bine

(2)

Partea dreaptă a ecuatiei ia valori intre ș dar partea stanga a ecuatiei este o

probabilitate, drept urmare ia valori intre 0 și 1. Scopul a fost folosirea unei funcții care sa

satisfaca aceasta conditie, si anume functia logistica.

Combinatia liniara a variabilelor este :

(3)

Aplicand exponentiala in ambele parti ale ecuatiei obtinem

(4)

Impartind la ,ecuatia devine:

(5)

Regresia Probit

In 1934, Bliss a introdus modelul probit in care a sugerat transformarea procentului intr-o

unitate de probabilitate. Grablowsky and Talley (1981) au folosit pentru prima data in credit

scoring modelul probit.

Fie N(x) distributia normală cumulata:

(6)

Atunci scopul este estimarea ca si o functie liniara de caracteristici ale variabilelor:

(7)

Asemanator, ia valori intre 0 și 1 0, ia valori intre .

In 2006 Bishop a concluzionat ca rezultatele din regresia probit tind sa fie similare

regresiei logistice.

Regresia Tobit

In 1958 James Tobin a propus modelul care ii poarta numele pentru a descrie relatia

dintre variabile dependente non-negative si un vector independent, astfel estimarea lui se

realizeaza conform relației:

(8)

Un aspect important este partea dreapta a ecuatiei, care trebuie sa fie pozitivă si desi

transformarea tobit trateaza probabilitatile negative, probabilitățile estimate nu sunt mai mari de

1. Un model simetric poate fi scris in modul urmator:

(9)

Arbori de clasificare.

Ideea principală este de a împărți un set de răspunsuri în diferite seturi și apoi stabili

dacă aceste seturi sunt bune sau rele, în funcție de majoritatea din fiecare set. În credit scoring

ideea a fost dezvoltată de Makowski ( 1985) și Coffman ( 1986) .

Setul de date A este primul împărțită în două subgrupuri și fiecare dintre aceste seturi este

apoi din nou împărțit în două, scopul fiind de a produce cat mai multe subseturi omogene, astfel

procesul se repetă, din acest motiv numele tehncii fiind de abordare de partiționare recursivă.

Procesul se oprește atunci când subseturile îndeplinesc cerințele pentru a fi nodurile terminale ale

arborelui. Fiecare nod terminal este apoi clasificat ca membru in A sau B.

Deciziile implica trei proceduri :

• Ce regula ar trebui folosită pentru a împărți seturile în două alte subseturi - regula de împărțire ;

• Cum se decide dacă un set este un nod terminal - regula de oprire ;

• Cum se alocă nodurile terminale pe categorii - regula de alocare .

În realizarea activității I.6 s-a utilizat această tehnică, alături de cea sintetizată în continuare.

Rețelele neuronale

Modele neuronale datează din 1943, o dată cu prima apariție a modelului neuron, model

propus de neurofiziologul WS McCulloch și matematicianul W. Pitts. A fost observant un

interes crescut pentru acest tip de model după prima apariție a lucrărilor în modelarea

matematică a proceselor de învățare. O primă apariție de acest gen a avut loc în 1947, și este

reprezentată de modelul de învățare a D.O Hebb , care a deschis direcții nebănuite în calculele

neuronale. Un alt pas important in cadrul procesului dezvoltării rețelelor neuronale a fost făcut

în 1957, prin apariția lucrarii lui Rosenblatt (1962) care cuprinde un model neuronal cu caracter

probabilistic simplificat, cunoscut sub numele de perceptron. Element fundamental al oricărei

rețele neuronale este un neuron artificial. Neuronii care fac parte din rețele neuronale , au funcții

diferite , ele sunt specializate în efectuarea anumitor tipuri de activități. Din acest punct de

vedere, o rețea neuronală conține trei tipuri de bază de neuroni:

Unități de intrare , care stocheaza valorile variabilelor de intrare sau valorile standard ale

variabilelor de intrare , acest lucru înseamnă că neuronii de intrare nu au nici o

funcționalitate de calcul propriu în sine , ci un rol de interfață , neuronii de intrare

formează așa - numitul strat de intrare;

Neurornii intermediari sunt celulele creierului ce sunt situate între stratul de intrare și

stratul de ieșire având o funcție pur calculator ;

Neuroni de ieșire, care calculează valorile rețelelor neuronale prezise și compara aceste

valori cu valori specifice țintă sau valori de referință; în funcție de rezultatul comparației

ponderile sau conexiunile sunt actualizate .

Fiecare unitate elementară a unei rețele neuronale, adică fiecare neuron are una sau mai multe

stari internă și o ieșire. Funcționalitatea unui neuron constă în aceea că produce o singură ieșire ,

reprezentată de o singură valoare numerică , în funcție de natura sau starea unei astfel de unități ,

stabilite pe baza informațiilor de intrare in neuron .

Fiecare valoare a lui este o variabila iar ponderile, cunoscute si sub numele de

ponderi sinaptice sunt scrise in ordinea (k,p) unde k indica neuronul la care ponderea se aplica

iar p indica variabila.

(10)

(11)

Valoarea este apoi transformata folosind o funcție de activare cunoscuta sub numele de

functie de transfer. Diferite funcții poti fi folosite, ca de exemplu

Threshold (Prag)

(12)

Logistic

(13)

Tangenta hiperbolica

(14)

Pentru a aplica tehnica rețele neuronale problema de a specifica ponderile care sunt utilizate în

arhitectura construita este rezolvată de către algoritmul de învățare care învață rețeaua și iterativ

modifică aceste ponderi până cand o condiție este îndeplinită, in special când eroarea dintre

rezultatul dorit și cel produs de model este minima. Un perceptron pe mai multe nivele este

format dintr-un strat de invatare, un strat de iesire si un numar de neuroni numiti neuroni ascunsi.

Ponderile aplicate neuronilor de intrare pot diferi de ponderile aplicate neuronilor ascunsi. O

retea de acest tip are urmatoarea forma:

Stratul de intrare cu p valori Stratul ascuns cu r neuroni Stratul de iesire cu s neuroni

q=1,... ,p k=1,.., r v=1,..s

Fig.1. Rețea neuronală

(15)

Unde 1 indica primul strat, iar reprezinta outputul din prim strat ascuns; outputul unui strat

devine intrare pentru urmatorul strat, astfel relatia devine:

(16)

unde este rezultatul neuronului v in stratul de rezultate, v=1...s, F2 este functia de transfer din

stratul de rezultate și ponderile aplicate lui sunt .

În 1997, Hand şi Henley au făcut o comparaţie între regresia logistica, reţelele neuronale

şi alte tehnici şi în lucrarea lor se prezintă, de asemenea, criteriul valorii informaţionale

(Information Value) folosit pentru selectarea variabilelor. West et al. (2000) au investigat

acurateţea modelelor de credit scoring prin compararea a cinci tipuri de reţele neuronale cu alte

tehnici cum ar fi regresia logistică, arbori decizionali etc. Rezultatele indică faptul că deşi

reţelele neuronale au furnizat rezultate mai bune, regresia logistică este o bună alternativă la

reţelele neuronale artificiale.

Komorád (2002) a investigat precizia de predicţie şi performanţa modelelor de credit

scoring pe un set de date de la o bancă din Franţa. Au fost comparate rezultatele de la regresia

logistică, multi-layer perceptron (MLP), reţelele neuronale şi reţelele radiale neuronale. O

comparaţie între regresia logistică şi arborele decizional a fost dezvoltată de Kocenda şi Vojtek

(2009); lucrarea lor de cercetare a condus la ideea că, în ciuda faptului că variabilele socio-

demografice sunt importante pentru model, variabilele de comportament ar trebui să fie incluse

pentru gestiunea completă de portofoliu. Andreica et al. (2009) aplică o parte dintre metodele

descrise anterior pe un grup de companii aflate în dificultate și non-dificultate din România,

listate la bursă în perioada 2006-2008, concluzionând că modelele sunt potrivite pentru a

prevedea dificultățile viitoare de plată.

I. 6. Analiza univariată

a) Serii de date

Esantionul de date pentru 10784 de societati a fost utilizat in analiza determinarii

factorilor capacitatii de plata prin utilizarea unor tehnici diferite. Setul de date cuprinde o serie de

indicatori din arii diferite: profitabilitate, solvabilitate si indicatori de crestere. Utilizarea acestor

indicatori nu este una limitativa, ei fiind utilizati in alte cercetari specializate, scopul primar fiind

observarea eficientei tehnicilor utilizand o varietate de factori. Ca si structura a datelor se poate

observa o rentabilitate medie a activelor de 9.6% si una a capitalului de 23.78%; cresterea medie

a cifrei de afaceri este undeva la 61%.

b) Rețele neuronale

Un prim pas in determinarea capacitatii de plata a societatilor analizate a fost stabilirea

unei definitii a societatii de tip “Bun” si “Rau”. Ca si variabila de determinare am considerat

platile restante ale furnizorilor la 90 de zile ca fiind un semnal suficient de semnificativ. Astfel

avand definitia de impartire a societatilor, am incercat comparatia functiilor de activare a

neuronilor in cadrul unei estimari de probabilitati de neplata utilizand tehnica retelelor neuronale.

Un prim pas a fost impartirea seriilor de date intr-un esantion de pregatire si unul de testare.

Astfel esantionul de pregatire constituit din 70% din date a fost utilizat pentru procesul de

invatare din cadrul tehnicilor retelelor neuronale. O data ce aceasta impartire a fost realizata pe

esantionul de pregatire s-au aplicat doua functii de activare si anume logistica si tangenta

hiperbolica. Pentru fiecare din acestea s-au folosit doua metrici de minimizare a erorilor, entropia

si suma patratelor. In tabelul de mai jos sunt prezentate rezultatele pentru cele patru combinatii

pentru fiecare retea neuronala (in continuare denumita RN) fiind prezentare testele de eficienta.

Tabelul 3. Rezultatele aplicării rețelelor neuronale Retea Performanta

pe esantionul

de pregatire

Performanta

pe esantionul

de test.

Metrica

de

eroare

Functia de activare

RN1 78.46546 78.20037 Entropia Tangenta

Hiperbolica

RN2 78.83635 77.96846 Entropia Logistica

RN3 79.38108 78.15399 SPE Tangenta

Hiperbolica

RN4 79.04497 78.06122 SPE Logistica

Prima concluzie pe care o putem trasa este faptul ca prima retea neuronala a inregistrat

cea mai mare acuratete pe esantionul de testare desi pe esantionul de pregatire o performanta mai

mare a avut-o a treia retea. Ce este comun celor doua retele este functia de activare si anume

tangenta hiperbolica. Metoda de oprire a procesului de invatare este data de metrica de eroare, si

anume daca suma patratrelor erorilor scade sub un anumit prag pre-stabilit, procesul reiterativ se

incheie. Rezultatele obtinute sunt apoi aplicate pe esantionul de testare, ceea ce explica de ce

apar diferente de acuratete intre cele doua esantioane pentru cele patru retele comparate.

Performanta data ca medie ne arata eficienta tehnicii utilizate pentru intreg modelul, insa un

lucru de analizat este eficienta clasificarii corecte pe fiecare clasa stabilita. Astfel se defineste

senzitivitatea ca si rata societatilor “rele” ce sunt corect identificate si specificitatea ca rata

societatilor “bune” ce sunt correct clasificate.

Fig. 3. Senzitivitatea modelului

Un model bine definit trebuie sa aiba senzitivitate mare si specificitate mare atat pe

esantionul de pregatire cat si pe cel de testare. In graficele de mai sus, se observa ca pe

esantionul de pregatire nu exista diferente semnificative intre cele patru retele, insa pe

estantionul de testare se evidentiaza cum a doua retea a performat cel mai prost dintre cele patru

analizate.

c) Arbori decizionali

O alta tehnica de clasificare este cea a utilizarii arborilor decizionali, iar pentru aceasta

analiza se pot observa urmatoarele elemente:

Firmele cu o scadere a profitului net mai mare de 100% sunt clasificati “Rai”

Firmele cu un profit per cifra de afaceri negativ sunt clasificati “Rai”

Firmele ce se incadreaza in companii medii, un nivel mare al datoriilor in total active sunt

clasificate ca fiind rau-platnice. Tot din aceasta categorie, dar cu un nivel mai mic al

datoriilor si cu o rentabilitate a activelor negativa sunt clasificate ca fiind “rele”.

Fig. 4. Arborele decizional

In functie de fiecare nod terminal firmele sunt impartite in prognozat bun sau prognozat rau. O

data ce s-a incheiat procesul de impartire, am analizat performanta metodei de clasificare. In

graficul de mai jos se observa cum detectia pentru firmele bune este mult mai mare decat pentru

firmele rele.

Figura 5. Matricea de clasificare

Acest lucru ne indica faptul ca factorii comuni ai societatilor rau-platnice nu sunt omogeni.

Pentru o mai buna detectie a acestor firme, vom compara mai multe reguli de clasificare si mai

multi indicatori.

B.2. Diseminarea rezultatelor cercetării

I.4. Diseminarea rezultatelor si raportare anuală. Schimburi de bune practici cu

universități din străinătate

Schimbul de bune practici s-a realizat în cadrul unei vizite de lucru la ESSEC Business

School din Paris, la invitația unui cercetător cu experiență în metode cantitative și calitative de

cercetare. S-a discutat pe marginea acestor metode și a rezultatelor aplicării lor în cadrul

proiectului de față.

Totodată, prin raportarea anuală și avizarea internă s-a realizat diseminarea internă, în

cadrul ASE, a rezultatelor cercetării.

I.7. Diseminarea rezultatelor prin participarea la manifestări stiintifice in domeniul

economic

a) Conferințe

1. Dudian, M., The Sustainability of SMEs in Romania in the Economic Crisis Context: a

Regional Approach, The 8th International Management Conference. Management Challenges

for Sustainable Development, Academia de Studii Economice, București, 6-7 noiembrie 2014 în

curs de indexare ISI Proceedings;

2. Popa, R.A., The Corporate Social Responsibility Practices in the Context of Sustainable

Development. The Case of Romania, The 2nd Global Conference on Business, Economics,

Management and Tourism, Praga, Republica Cehă, 29 - 31 octombrie 2014;

3. Popa, R.A., Perspectives on FDI. The Case of Sustainable Development, Post-Crisis

Developments in Economics, Academia de Studii Economice, București, 21 - 22 noiembrie 2014,

lucrare acceptată spre publicare în Theoretical and Applied Economics, ISSN 1841-8678;

A fost acceptată la conferința menționată lucrarea:

4. Dudian, M, Biro (Vasile), D., Involvment of the SMEs in the 7th Framework Programme of

the EU. Case Study for Romania, The 15th Eurasia Business and Economics Society Conference,

ISCTE-IUL Instituto Universitario de Lisboa, Portugalia, 8 - 10 ianuarie 2015, de tip ISI

Proceedings.

Toate lucrările vor fi publicate în volumul conferinței sau în revistele participante la conferință.

b) Articole publicate și în curs de publicare

b1) Publicat:

Stefănescu, A. (2014). Difficultes related to the financial position reporting into the public sector

in Romania, SEA - Practical Application of Science, vol. II, 3 (5) /2014, ISSN 2360 – 2554,

pag. 611 - 616.

b2) În curs de publicare

Popa, R.A., Alexa, L. (2014). The Relationship between Profit and Productivity in the IT Sector

from Romania. Analysis with Panel Method, The Annals of “Dunarea de Jos” University -

Fascicle I. Economics and Applied Informatics, vol. 2/2014, ISSN 1584-0409.

Toate lucrările au specificat acknowledgement.

B.3. Rezultatele etapei și gradul de realizare a obiectivelor

Toate obiectivele științifice și tehnice aferente activitățiilor etapei curente au fost

realizate integral, astfel:

Rezultat prevăzut Rezultat obținut Grad de realizare

Baze de date ordonate pentru

selectarea eșantioanelor.

Baza de date ordonată pentru

selectarea eşantioanelor,

rezultat al activității I.1.

Total

Baza de date relevantă cu

companii din România, în

principal IMM-uri, descrisă în

capitolul I.2.

Baza de date relevantă cu

variabile macroeconomice,

descrisă în capitolul I.3.

Pagina web Pagina web Total, actualizată periodic

O lucrare prezentată la o

conferință internațională sau

publicată în revistă BDI.

2 lucrări prezentate la

conferințe internaționale (ISI

Proceedings)

Total

O lucrare acceptată la o

conferință internațională (ISI

Proceedings)

O lucrare prezentată la o

conferință națională

Un articol publicat în revistă

BDI

Un articol acceptat spre

publicare în revistă BDI

pentru luna decembrie

Raport științific de progres Raport științific și tehnic de

progres

Total

În plus, datorită suplimentării finanțării pe parcursul perioadei de derulare a etapei întâi, au mai

fost realizate următoarele:

1. Sinteza tehnicilor predictive pentru construirea funcțiilor scoring, descrise în capitolul I.5;

2. Raport cu privire la analiza univariată, subiect al capitolului I.6.

Bibliografie selectivă

[1] Andreica, M.E., Andreica, M.I., Andreica, M.(2009). Using financial ratios to identify

Romanian distressed companies, Economie. Seria Management, vol 12 (1 special): 47-55.

Disponibil pe http://www.management.ase.ro/reveconomia/2009-1s/10.pdf

[2] Bishop, Christopher (2006). Pattern recognition and machine learning. Berlin: Springer.

[3] Bliss, Cl. (1934). The methods of probits, Science 79 (2037): 38-39.

[4] J. Y. Coffman (1986) The Proper Role of Tree Analysis in the Forecasting the Risk

Behaviour of Borrowers, MDS Reports, Management Decision Systems, Atlanta, pp.47-59.

[5] Fisher, R. A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of

Eugenics 7 (2): 179–188.

[6] Giesecke, K. (2005). Default and Information. Journal of Economic Dynamics & Control 30 :

2281–2303. Disponibil pe http://web.stanford.edu/dept/MSandE/cgi-

bin/people/faculty/giesecke/pdfs/paper3.pdf

[7] Grablowsky, B.J., Talley, W. K. (1981) Probit and discriminant functions for classifying

credit applicants: a comparison, Journal of economics and business, vol. 33(3): 254-261

[8] Hand, D.J., Henley, W.E. (1997). Statistical classification methods in consumer credit

scoring: a review, Journal of the Royal Statistical Society, Series A 160: 523–541

[9] Hebb DO (1947). The effects of early experience on problem solving at maturity. American

Psychologist 2: 306–7.

http://www.management.ase.ro/reveconomia/2009-1s/10.pdf

http://en.wikipedia.org/wiki/Ronald_Fisher

http://en.wikipedia.org/wiki/Annals_of_Eugenics

http://en.wikipedia.org/wiki/Annals_of_Eugenics

[10] Kočenda E, Martin Vojtek (2009), “Default Predictors and Credit Scoring Models for Retail

Banking”,Working paper, Prague. Disponibil pe

http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1519792

[11] Komorád K.(2002), “On Credit Scoring Estimation” Master’s Thesis, Institute for Statistics

and Econometrics, Humboldt University, Berlin. Disponibil pe http://edoc.hu-

berlin.de/master/komorad-karel-2002-12-18/PDF/komorad.pdf

[12] Lopez, J. A., Saindenberg, M. R., (1999). Evaluating Credit Risk Models, Economic

Research Department Federal Reserve Bank of San Francisco. Disponibil pe


[13] Makowski, P. (1985). Credit Scoring Branches Out. The Credit World, 75: 30 - 37.

[14] McCulloch, W. S., Pitts, W (1943). A logical calculus of the ideas immanent in nervous

activity. Bulletin of Mathematical Biophysics 5: 115–133.

[15] Rosenblatt, F. (1962). Principles of Neurodynamics:Perceptrons and the Theory of Brain

Mechanisms. Washington: Spartan Books.

[16] Scholkopf, B., A. Smola, R. C. Williamson, and P. L. Bartlett (2000). New support vector

algorithms.Neural Computation 12(5): 1207–1245.

[17] Tobin, J. (1958). Estimation of relationships for limited dependent

variables. Econometrica 26 (1): 24–36. doi:10.2307/1907382

[18] West, D. (2000). Neural network credit scoring models. Computers and Operations

Research, 27(11/12): 1131–1152.


http://en.wikipedia.org/wiki/Digital_object_identifier

http://dx.doi.org/10.2307%2F1907382

Anexa 1. Variabilele incluse în baza de date relevantă cu variabile macroeconomice (BD-MACRO).

Nr. Nume/ descriere Codificare Sursa Frecvenţa

Prima observaţie

Ultima observaţie

Unitatea de măsură Alte observaţii

1 Date lunare 1.1 Preţuri

1.1.1

Indicele preţurilor producţiei industriale INPP_B-E36 INS Lunară 2000M01 2014M09

Indice cu bază fixă, 2010=100. Date brute, neajustate sezonier.

1.1.2

Indicele preţurilor de consum CPL_IPCT INS Lunară 1990M10 2014M10

Indice cu bază fixă, 2010=100.

Date brute, neajustate sezonier, calculate pe baza datelor INS.

1.1.3

Câştigul salarial mediu nominal brut WB INS Lunară 2000M01 2014M09


Date ajustate sezonier cu programul Demetra, pe baza datelor INS.

1.2 Sector real

1.2.1

Volumul producţiei industriale IND_B-D INS Lunară 1990M01 2014M09


Date ajustate sezonier; ruptură structurală în 2000M01.

1.2.2

Cifra de afaceri din Industrie, în termeni reali TN_B-C INS Lunară 2000M01 2014M09


Calculată pe baza datelor INS, ajustate sezonier. Include Industria extractiva şi Industria prelucrătoare. Deflatarea s-a realizat cu Indicele preturilor producţiei industriale din Industria extractivă şi Industria prelucrătoare.

1.2.3

Volumul cifrei de afaceri din comerţul cu amănuntul COM107B_G47 INS Lunară 2000M01 2014M09

Indice cu bază fixă, 2010=100. Date ajustate sezonier.

1.2.4

Volumul lucrărilor de construcţii CONS105B_F INS Lunară 2000M01 2014M09


1.2.5

Indicele volumului cifrei de afaceri pentru serviciile de piaţă PSC107SA_ALL INS Lunară 2000M01 2014M09


prestate populaţiei

1.2.6

Cifra de afaceri în serviciile de piaţă prestate în principal întreprinderilor, în termeni reali PSC108B_ALL INS Lunară 2000M01 2014M09


Calculată pe baza datelor INS, ajustate sezonier. Deflatarea s-a realizat cu indicele preţurilor producţiei industriale.

1.2.7

Rata înregistrată a şomajului REMPB ANOFM Lunară 1991M02 2014M10 %

Date ajustate sezonier cu programul Demetra, pe baza datelor ANOFM. Ruptură structurală la începutul anului 2002, ca urmare a implementării Legii venitului minim garantat.

1.2.8 Rata şomajului BIM BURM EUROSTAT Lunară 1997M01 2014M09 % Date ajustate sezonier.

1.3 Sector financiar

1.3.1

Cursul de schimb EUR/RON EUR BNR Lunară 1996M01 2014M10 RON/EUR

Date calculate ca media valorilor zilnice din luna respectivă.

1.3.2

Rata de dobândă de pe piaţa interbancară, în lei ROBOR3M BNR Lunară 1995M08 2014M10 %

Date calculate ca media valorilor zilnice din luna respectivă, pentru ROBOR 3M.

1.3.3

Rata de dobândă la creditele acordate companiilor, în lei N14RL_CSN BNR Lunară 2007M01 2014M09 % Credite noi.

1.3.4

Rata de dobândă la creditele acordate companiilor, în euro N14EL_CSN BNR Lunară 2007M01 2014M09 % Credite noi.

1.3.5

Randamentul titlurilor de stat cu maturitatea de 10 ani, în lei TSFZ_10YMID BNR Lunară 2011M01 2014M10 %

Date calculate ca media valorilor mid zilnice din luna respectivă.

1.3.6 CDS România CDS5YROEUR Reuters Lunară 2012M11 2014M10 % Date calculate ca media valorilor zilnice din luna

respectivă, CDS 5Y, EUR.

1.3.7 Rata creditelor neperformante NPL1,2 BNR Lunară 2009M09 2014M10 %

Modificare de metodologie începând cu 2014M03. Raportul este marcat până la jumătatea anului 2014 de imposibilitatea băncilor de a elimina din bilanţ creditele neperformante, dar provizionate integral.

1.3.8

Număr societăţi intrate în insolvenţă NINS ONRC Lunară 2010M01 2014M10 - Date neajustate sezonier.

1.4 Variabile externe

1.4.1

Indicele preţurilor materiilor prime pe pieţele internaţionale IPCOMM FMI Lunară 1992M01 2014M10


1.4.2

Rata de dobândă de pe piaţa interbancară, în euro I3MEUR EUROSTAT Lunară 1990M01 2014M10 % Maturitatea de 3 luni.

1.5 Variabile din sondaj

1.5.1

Economic Sentiment Index ESI

Comisia Europeană Lunară 1991M07 2014M10 Puncte

1.5.2

Consumer Sentiment Index HHCONF

Comisia Europeană Lunară 2001M05 2014M10 Puncte

2

Date trimestriale

2.1 Preţuri

2.1.1 Deflatorul PIB PIB_P INS Trimestrială 2000Q1 2014Q2


Calculate pe baza valorilor publicate de către INS, ajustate sezonier.

2.1.2

Indicele trimestrial al costului orar al forţei de muncă LC INS Trimestrială 2000Q1 2014Q2

Indice cu bază fixă, 2010=100. Calculate pe baza datelor INS, ajustate sezonier.

2.1.3

Indicele preţurilor proprietăţilor rezidenţiale PRPI INS Trimestrială 2009Q1 2014Q2

Indice cu bază fixă, 2010=100. Calculate pe baza datelor INS.

2.2 Sector real

2.2.1 Produsul intern brut PIB INS Trimestrială 2000Q1 2014Q2

Milioane lei, preţuri medii ale anului 2000. Date ajustate sezonier.

2.2.2

Consumul individual efectiv al gospodăriilor populaţiei CONS_PRIV INS Trimestrială 2000Q1 2014Q2


2.2.3

Consumul colectiv efectiv al administraţiilor publice CONS_PUB INS Trimestrială 2000Q1 2014Q2


2.2.4 Formarea brută de capital fix GFCF INS Trimestrială 2000Q1 2014Q2


2.2.5 Exportul de bunuri şi servicii EXXP INS Trimestrială 2000Q1 2014Q2


2.2.6 Importul de bunuri şi servicii IMP INS Trimestrială 2000Q1 2014Q2


2.2.7

Valoarea adăugată brută în Agricultură, silvicultura şi pescuit AGR INS Trimestrială 2000Q1 2014Q2


2.2.8

Valoarea adăugată brută în Industrie IND INS Trimestrială 2000Q1 2014Q2

Milioane lei, preţuri medii ale anului 2000.

Date ajustate sezonier. Include Industria extractivă; industria prelucrătoare; producţia şi furnizarea de energie electrică şi termică, gaze, apă caldă şi aer condiţionat; distribuţia apei; salubritate, gestionarea deşeurilor, activităţi de decontaminare.

2.2.9

Valoarea adăugată brută în Construcţii CONSTR INS Trimestrială 2000Q1 2014Q2


2.2.10

Valoarea adăugată brută în Comerţ COMM INS Trimestrială 2000Q1 2014Q2


Date ajustate sezonier. Include Comerţul cu amănuntul şi ridicata; repararea autovehiculelor şi motocicletelor; transport şi depozitare; hoteluri şi restaurante.

2.2.11

Valoarea adăugată brută în Serviciile private SERV_PRIV INS Trimestrială 2000Q1 2014Q2


Date ajustate sezonier. Include Informaţii şi comunicaţii; Intermedieri financiare şi asigurări; Tranzacţii imobiliare; Activităţi profesionale, ştiinţifice şi tehnice; activităţi de servicii administrative şi activităţi de servicii suport; Activităţi de spectacole, culturale şi recreative; reparaţii de produse de uz casnic şi alte servicii.

2.2.12

Valoarea adăugată brută în Serviciile publice SERV_PUB INS Trimestrială 2000Q1 2014Q2


Date ajustate sezonier. Include Administraţie publică şi apărare; asigurări sociale din sistemul public; învăţământ; sănătate şi asistenţă socială.

2.3 Variabile externe

2.3.1 PIB al zonei euro PIB_EA EUROSTAT Trimestrială 1995Q1 2014Q2

Milioane euro, preţuri medii ale anului 2010. Date ajustate sezonier.

3 Date anuale

3.1 Indicatori structurali

INS Anuală 2008 2013

Sectoarele sunt clasificate în conformitate cu CAEN2.

academia de studii economice -...

Documents