Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________123 7. Modeli ocjene rizičnosti poduzeća
7. POGLAVLJE: Modeli ocjene rizičnosti poduzeća
Sadržaj poglavlja:
7. Modeli ocjene rizičnosti poduzeća 124
7.1. Subjektivna ocjena 125
7.2. Kreditni scoring 129
7.3. Neki poznati modeli ocjene rizičnosti poduzeća 131
7.3.1. Beaver model 134
7.3.2. Altmanov z-score model 135
7.3.3. ZETA model kreditnog rizika 137
7.3.4. Zmijewski model 139
7.3.5. Springate model 139
7.3.6. Fulmer model 140
7.3.7. Kralicekov Quicktest 141
7.4. Zadaci - modeli ocjene rizičnosti poduzeća 143
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________124 7. Modeli ocjene rizičnosti poduzeća
7. Modeli ocjene rizičnosti poduzeća
S obzirom na to da kreditni rizik posljednjih godina raste, od izuzetnog su
značaja postali modeli za ocjenu rizičnosti zato što daju donosiocima odluke uvid i
potrebno znanje da se suoče s nastupajućim rizicima.
Modeli kreditnog rizika traže odgovor na slijedeće pitanje: S obzirom na
proteklo iskustvo i pretpostavke o budućnosti, koji je rizik da obećani tijek gotovine
neće dolaziti? Mnogo odvojenih elemenata ulazi u konstrukciju modela kreditnog
rizika:99
1. Moraju biti postavljene veze izmeñu varijabli za koje se smatra da utječu na
rizik neplaćanja. Tu je potrebno znanje teorije.
2. Za izradu formalnog modela, mora biti primijenjen skup alata i metode za
procjenu odnosno simulaciju ishoda. U ovoj su fazi ključni podaci.
3. Mora biti primijenjena serija testova kako bi se utvrdilo da li se zaista dobiveni
model ponaša prema očekivanjima.
Cilj novih kredit skoring modela koji se razvijaju upotrebom različitih metodologija je
povećanje preciznosti što znači dodjeljivanje što više kredita kreditno sposobnim
zajmotražiteljima čega je posljedica povećanje dobiti i odbijanje što više kreditno
nesposobnih zajmotražitelja što znači smanjenje gubitaka.
Područja primjene financijskih modela100:
1. Odobravanje kredita
Modeli se koriste samostalno ili zajedno sa sistemom individualnog
prosuñivanja u odobravanju potrošačkih kredita. U posljednje vrijeme takvi
modeli se koriste za odobravanje kredita malim poduzetnicima kao i za prvi
hipotekarni kredit.
2. Odreñivanje kreditnog rejtinga
Kvantitativni modeli se koriste za izvoñenje rejtinga obveznice.
3. Odreñivanje cijene kredita
Modeli kreditnog rizika mogu biti upotrijebljeni za odreñivanje premije rizika
koji se treba naplatiti kao mjera vjerojatnosti i veličine gubitka.
99
Caouette,J.B., Altman,E.I., Narayanan,P., Managing Credit Risk, op.cit., p. 104 100
Ibidem, p. 105
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________125 7. Modeli ocjene rizičnosti poduzeća
4. Rana financijska upozorenja
Kreditni modeli se upotrebljavaju radi ranog otkrivanja potencijalnih problema
u portfelju kako bi se poduzele rane korektivne mjere.
5. Kreditni modeli se mogu upotrebljavati za odabiranje one imovine iz cijele
aktive radi konstruiranja portfelja koji je prihvatljiv investitorima ili radi
postizanja minimalne kreditne kvalitete potrebne za ostvarivanje željenog
kreditnog rejtinga.
6. Strategije prikupljanja dugovanja
Kreditni modeli mogu biti upotrebljeni za definiranje najbolje strategije praćenja
i prikupljanja dugovanja. Oni mogu pokazati koji je najpovoljniji način
djelovanja prema svakom komitentu.
Poslovni krediti se odobravaju poduzećima radi pomoći u financiranju obrtnih
sredstava (potraživanja i zalihe), radi kupovine opreme te radi ostalih legitimnih
poslovnih potreba. Postoji onoliko tipova poslovnih kredita koji se odobravaju
poduzećima koliko postoji različitih poduzeća zajmotražitelja. Poduzeća mogu koristiti
kredite za financiranje kratkoročnih potreba kao što su privremene potrebe za
obrtnim sredstvima ili za financiranje dugoročnih potreba kao što je kupovina nove
opreme. Potrošački krediti se odobravaju pojedincima za upotrebu pri kupovini
raznovrsnih potrošačkih dobara (kupovina automobila, revolving krediti, kreditne
kartice).
7.1. Subjektivna ocjena
Subjektivna analiza ili klasična kreditna analiza obuhvaća analizu klijenta koju
obavlja skupina eksperata. Kao što sama riječ govori, takva analiza počiva na
subjektivnoj procjeni kvalitetno obučenih profesionalaca - kreditnih referenata i
analitičara koji se obrazuju i godinama stječu iskustvo radeći ocjenu zajmotražitelja u
financijskim institucijama. Odluka koju donose je osobna budući da je temeljena na
osnovi smjernica i analitičkih tehnika, ali se ne može isključiti iskustvo odnosno
«osjećaj» kreditnih referenata prilikom svakog ocjenjivanja pojedinog zajmotražitelja.
Iskustvo starijih kreditnih referenata je vrlo vrijedno.
Kako bi došao do subjektivne ocjene, analitičar ima na raspolaganju
standardne analitičke tehnike za procjenu vjerojatnosti da će poduzeće odnosno
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________126 7. Modeli ocjene rizičnosti poduzeća
fizička osoba udovoljiti nastupajućim obvezama. Jedan od mogućih pristupa je
analiza i vrednovanje klijenata sa 5101 odnosno 6102 točki motrišta, takozvana 5K ili
6K103 analiza koja uključuje: karakter, kapacitet, kapital, kolateral, uvjeti i kontrole104.
Kreditni referent se koristi različitim postupcima kako bi utvrdio kreditnu
sposobnost zajmotražitelja. Neki analitički postupci koji se koriste za utvrñivanje
kreditne sposobnosti poduzeća su slijedeći105:
1. Metode usporedne analize
Kreditni analitičari se kod ove analize uglavnom oslanjaju na bilancu i na račun
dobiti i gubitka gdje kompariraju poslovanje jednog poduzeća prema poduzeću
iz iste grane ili prema nekim referentnim vrijednostima.
2. Metoda analize trenda
Kako bi se napravila ova analiza analitičari se koriste bilancom i računom
dobiti i gubitka tako da usporede nekoliko uzastopnih godina. Pri tome
bilančne stavke, te stavke iz računa dobiti i gubitka prikazuju kako u
apsolutnim tako i u relativnim vrijednostima kao stope odnosno indekse
godišnjih promjena.
3. Metode analize omjera
Ova je metoda zasnovana na analiziranju financijskih omjera gdje se najčešće
koriste omjeri likvidnosti, zaduženosti, profitabilnosti, te pokazatelji
sposobnosti otplate kredita.106
4. Metode analize izvješća o financijskoj snazi poduzeća
Ova je metoda utemeljena na analizi rekonstruirane bilance, a sastoji se od
bilance, računa dobiti i gubitka te projekcije tijeka gotovine.
5. Analiza tijeka gotovine
Ova analiza prikazuje novčane primitke i novčane izdatke iz čega se dobije
stanje o prinosnoj snazi angažiranih novčanih sredstava. Banke i drugi
kreditori imaju više povjerenja u ona poduzeća koja mogu dokazati koliko im je
sredstava potrebno, u što će tražena sredstva biti uložena i odakle će biti
vraćena.
101
Ross, S.A., Westerfield, R.W., Jordan, B.D., op.cit., p. 625 102
Jakovčević, D., op.cit., p. 123 103
u literaturi je moguće pronaći 3K, 4K, 5K ili 6K analizu; u ovom se radu navodi svih 6 karakteristika koje se
ispituju 104
više o 6K analizi pogledajte u poglavlju 1. Kreditna politika poduzeća 105
Kovačević, J., Analiza kreditne sposobnosti, Ekonomski analitičar, Zagreb, 1992, p. 44-54 106
financijski omjeri koji se najčešće koriste su navedeni cf.infra točka 2.1.2. Financijski omjeri kao temelj
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________127 7. Modeli ocjene rizičnosti poduzeća
6. Pro forma financijskih izvješća
Ovdje se radi o analitičkom instrumentu koji se koristi kod provjere kreditnog
zahtjeva u smislu financijskog prognoziranja.
7. Metode predviñanja
Ove metode služe za davanje predviñanja za razdoblje od 5 do 10 godina.
Sastavni dijelovi projekcije su najčešće: tijek gotovine, pokusna bilanca te
račun dobiti i gubitka.
Klasična kreditna analiza se mijenja i razvija u skladu s fundamentalnim
promjenama koje se dogañaju u bankarskom poslu. Kroz vrijeme se pokazalo da je
klasična kreditna analiza zaista neophodna i dragocjena, ali i problematična te da
ima mnoge ozbiljne nedostatke. Najvažniji meñu njima su slijedeći:
1. Klasična kreditna analiza koju provodi stručnjak je dobra koliko je dobar
stručnjak. Naime, različiti bankari odnosno kreditni analitičari analizirajući
jedan te isti dokument mogu doći do različitih zaključaka. Ako banka uposli
kreditnog referenta komu nedostaju osnovni talenti i karakter, to dovodi do
problema, bez obzira na to kako je dobar bio proces obrazovanja i
obučavanja.
2. Sistem temeljen na radu eksperata vrlo je skup za održavanje.
3. Banka cijelo vrijeme mora imati dovoljno eksperata za nastali volumen posla.
4. Banka mora neprestano ulagati u obrazovanje novih stručnjaka.
5. Svaka banka sumnjičavo gleda na eksperte druge banke.
6. Često se dogaña da centrala jedne banke ima paralelan skup pravila i
zahtjeva koje oni koriste, a koji su iznad onoga što je prihvaćeno u
podružnicama te banke. Preklapanje i neefikasnost, koji su rezultat takvog
načina rada, uzrokuju ozbiljne troškovne probleme u mnogim bankama.
7. Klasična kreditna analiza često zna uljuljati banku u lažnu sigurnost
neuspijevajući je zaštititi od sistematskog rizika.
8. Iako se puno stručnjaka kontinuirano obrazuje za obavljanje kreditne analize,
banke često doživljavaju ozbiljne kreditne probleme. Naime, dok su neke
financijske institucije uspjele u kreiranju vrlo efektivnih sustava stručnjaka,
neke nisu dovoljno uložile u razvoj svojih ekspertiza jer su možda naišle na
jače organizacijske potrebe. Ima i takvih slučajeva gdje su neke banke mnogo
uložile u ljude koji su nakon nekog vremena otišli raditi dalje.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________128 7. Modeli ocjene rizičnosti poduzeća
9. Mnoge banke su otkrile da je vrlo teško zadržati tržišni udio bez povećanja
rizika. Naime, bolji komitenti uspiju pronaći jeftiniji izvor financiranja. No,
klasična kreditna analiza ne omogućuje kvalitetno upravljanje kreditnim
rizikom.
10. Klasična kreditna analiza je vrlo tijesno povezana s birokratskim načinom
rada. Zbog hijerarhijske strukture banka je pogodno tlo za konvencionalan
pristup. No, u današnjim tržišnim uvjetima banka nagrañuje agilnost,
sofisticiranost i fleksibilnost.
11. Razlika izmeñu klasične bankovne prakse i financijske realnosti se sve više
povećava. Većina banaka se i dalje oslanja na godišnji izvještaj svakog kredita
bazirajući svoju analizu na objavljenim financijskim izvještajima. No, ti izvještaji
su već zastarjeli kada doñu do banke. Prijavljeni brojevi mogu pokazati samo
vrlo malo od stvarnog rizika kojeg kompanija nosi u buduće razdoblje.
Što se tiče problema koje uzrokuje klasična kreditna analiza, treba istaknuti da su
mnogi kreditni gubici koje su banke pretrpjele rezultat pretjerane koncentracije
portfelja u odreñenim sektorima. Naime, klasična kreditna analiza se bazira na
naputku da svaki kredit treba biti napravljen prema nekim normama. Mudar bankar
pokušava izgraditi snažan kreditni portfelj pažljivo odreñujući veličinu kredita svim
individualnim zajmotražiteljima tako da svaki od njih predstalja prihvatljivi rizik. Oni su
koncentracijski rizik odreñivali limitiranjem veličine rizika svakog pojedinog
zajmotražitelja. No, ta se metoda pokazala neadekvatnom u odreñivanju veličine
kreditnog rizika. Kreditni ciklus pogoršava tendenciju prema koncentraciji.
Koncentracija portfelja se širi i na ljudski faktor. Kako bi osoba postala stručnjak,
mora se fokusirati na relativno uzak skup kompanija unutar jedne industrije. U tom
slučaju je nemoguće stvoriti diverzificirani kreditni portfelj. Nadalje, banke su davale
kredite na tržištima koja su mnogo rizičnija nego ona za koja je dizajnirana klasična
kreditna analiza. K tome, klasičan pristup sagrañen na komitentima i odnosima s
njima, ima tendenciju da proizvede koncentraciju rizika. Problem se pojavljuje kada
postoji signifikantna korelacija izmeñu različitih zajmotražitelja. U modernom svijetu,
donošenje dobre kreditne odluke na osnovi slučaj po slučaj jednostavno nije
dovoljno. Može se dogoditi da se financijsko zdravlje zajmotražitelja odjednom
promijeni, a da se to nije moglo predvidjeti u trenutku davanja kredita.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________129 7. Modeli ocjene rizičnosti poduzeća
7.2. Kreditni scoring
U prethodnom poglavlju navedeni su glavni nedostaci koje uzrokuje primjena
subjektivnog načina ocjene kreditne sposobnosti zajmotražitelja odnosno klasična
kreditna analiza. Unazad nekoliko zadnjih desetljeća, izazvane spomenutim
problemima i nedostacima, započele su promjene u cjelokupnom poslovanju banke.
Naime, klasična kreditna analiza se pokazala nedovoljnom za upravljanjem kreditnim
rizikom. Stoga su se u zadnjih 20 godina pojavile nove tehnike, a čije je pojavljivanje
uvjetovano slijedećim107:
� Deregulacija, što je potaklo financijske inovacije i omogućilo novim subjektima
ulaz na tržište
� Širenje kreditnih tržišta
� Pomak s pozajmljivanja temeljenog na bilanci na pozajmljivanje temeljeno na
tijeku gotovine
� Porast izvanbilančnih rizika
� Smanjivanje zarada na kreditima što je prisililo banke da istraže jeftinije načine
mjerenja i upravljanja kreditnim rizikom
� Sekuritizacija, što je potaklo i ubrzalo razvoj efikasinijih i standardiziranijih
alata za kreditni rizik
� Napredak u financijskoj teoriji što je dalo nove načine gledanja na kreditni rizik
U proteklom desetljeću, inovacije su promijenile klasičnu kreditnu analizu u
dva fundamentalna smjera.108 Što se tiče transakcija, razvoj davanja kredita na
temelju imovine je popločao put za pojavljivanjem osiguranog financiranja i
sekuritizacije. Što se tiče kreditnog managementa, niz prednosti je napravljeno u
kvantifikaciji kreditnog rizika. Kreditni skoring modeli, 'rejting' sustavi, kreditni rizici
bazirani na tržišnoj vrijednosti, portfelj modeli itd. Dugo se smatralo da je upravljanje
kreditnim rizikom umjetnost. No, današnja metodologija daje prizvuk znanosti. No i
dalje tu postoji nedostatak preciznosti i sigurnosti. Možda se u ovoj fazi razvoja,
upravljanje kreditnim rizikom može opisati u obliku inženjeringa, gdje se modeli
stvaraju radi prevencije financijskog neuspjeha ili radi pružanja zaštite od njih.
107
Caouette,J.B., Altman,E.I., Narayanan,P., Managing Credit Risk, op.cit, p. 102 108
Ibidem, p. 94
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________130 7. Modeli ocjene rizičnosti poduzeća
Modeli kreditnog rizika su naročito važni danas zato što daju donosiocima
odluke uvid i potrebno znanje da se suoče s nastupajućim rizicima. Naime, u
uvjetima gdje su zarade male i gdje stalno postoji pritisak za smanjivanje troškova,
kada banka posluje na različitim geografskim područjima s mnogo zaposlenih,
kvantitativni modeli kreditnog rizika svojom objektivnošću svakako pomažu u
donošenju pravilnih poslovnih odluka.
Ono što je svakako važno istaknuti jest da se klasična kreditna analiza mijenja
i razvija u skladu s fundamentalnim promjenama koje se dogañaju u bankarskom
poslu.109 Naime, kada su u pitanju krediti poduzećima, prvotno je banka financirala
radni kapital i trgovinu, a krediti su bili osigurani aktivom ili drugim oblicima kolaterala.
K tome, banke su tradicionalno davale jednogodišnje ili kraće zajmove kako bi
omogućile svojim komitentima da podmire svoje sezonske potrebe. Banke su bile
fokusirane na radni kapital nastojeći odrediti da li će biti dovoljno sredstava da bi se
otplatio kredit ako posao propadne što zapravo znači da su kreditni analitičari
detaljno analizirali bilancu stanja, ali su zanemarivali račun dobiti i gubitka. No, u
zadnjih 50-ak godina dogodio se pomak pa su banke prešle sa financiranja radnog
kapitala na financiranje fiksne aktive. Budući da se dug mora isplatiti u gotovini,
bankari su shvatili da se treba fokusirati na tijek gotovine zajmotražitelja.
Statistički utemeljen kredit skoring sistem omogućuje financijskim institucijama
da automatski prihvate ili odbace rutinske odluke te da preostalo vrijeme poklone
onim zajmotražiteljima koji su granični slučajevi i kod kojih nije sasvim jasno treba li
ih odbaciti ili prihvatiti. Banka može koristiti samo kreditni skoring, a može i dopuniti
skor sa skupom pravila koji su bazirani na specifičnim potrebama, zahtjevima i
karakteristikama financijske institucije, a može se uvesti i prethodno procesiranje koje
podrazumijeva svojstvene kriterije.110
Financijske institucije i kreditne organizacije upotrebljavaju različite alate i
sustave kojima se služe radi donošenja odluka o tome odobriti li kredit ili ne. Iz
perspektive upravljanja rizicima, najvažniji alat je postao kredit skoring kao statistički
izveden alat za donošenje odluka koji obuhvaća skor-karticu i skup statističkih
pokazatelja.111 Predviñanje kreditne sposobnosti zajmotražitelja je od izuzetnog
109
Tintor, J., Potraživanja, kreditna sposobnost i zarada, Poslovna analiza i upravljanje, Zagreb, 1996, p. 3-8 110
Rowland,J., Credit Scoring – Big Opportunities for Small and Start-up Businesses, Credit World, Sep/Oct95,
Vol.84, Issue 1, p. 21-25 111
McNab, H., Wynn, A., Principles nad Preactice of Consumer Credit Risk Management, CIB Publishing,
Canterbury, 2000, p.5
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________131 7. Modeli ocjene rizičnosti poduzeća
značaja za svakog kreditora. Naime, odobravanje kredita zajmotražitelju koji će
kasniti u plaćanju ili koji uopće neće u cijelosti vratiti kredit rezultira gubicima za
kreditora dok, s druge strane, odbijanje zajmotražitelja koji je potencijalno dobar
rezultira manjom zaradom za kreditora.112 Kreditni skoring je sistem dodjeljivanja
bodova zajmotražitelju čiji zbroj predstavlja numeričku vrijednost koja pokazuje koliko
je vjerojatno da zajmotražitelj kasni u otplati kredita.113 Kredit skoring sistem
dodjeljuje jednu kvantitativnu mjeru, nazvanu skor, potencijalnom komitentu
predstavljajući buduće ponašanje u otplati dodijeljenog kredita. Analitičari koji
razvijaju skoring sisteme identificiraju one karakteristike komitenata koje najbolje
predviñaju otplatu kredita. Statističkim procedurama dodjeljuju svakoj karakteristici
numeričku vrijednost tako da skoring sistem mjeri relativnu važnost dane
karakteristike u točnom predviñanju otplate.
Kreditni skoring omogućuje kreditnim managerima da:114
1. Bolje upravljaju rizikom omogućavajući preciznije i konzistentnije odluke.
2. Smanje operativne troškove štedeći vrijeme zaposlenika.
3. Implementiraju konzistentan sistem donošenja kreditnih odluka i kreditnu
politiku na različitim lokacijama i brojnom pučanstvu.
7.3. Neki poznati modeli ocjene rizičnosti poduzeća
Poduzeća uzimaju poslovne kredite radi pomoći u financiranju obrtnih
sredstava (potraživanja i zalihe), radi kupovine opreme te radi ostalih legitimnih
poslovnih potreba. Ima onoliko tipova poslovnih kredita koji se odobravaju
poduzećima koliko ima različitih poduzeća zajmotražitelja. Poduzeća mogu koristiti
kredite za financiranje kratkoročnih potreba kao što su privremene potrebe za
obrtnim sredstvima ili za financiranje dugoročnih potreba kao što je kupovina nove
opreme. Bilo da se radi o jednom ili o drugom obliku kredita, kreditni referent mora
provesti detaljnu analizu prije odobravanja kredita. Proces procjene kreditnog rizika
poduzeća koje traži kredit prije 30-ak godina se obavljao upotrebom znanja ekperata
koji se sastojao u pregledavanju financijskih izvještaja poduzeća, poslovnog plana te
112
Hancock, S., Developing a More Accurate and Efficient Scorecard, Credit Control, Vol. 20, No. 8, 1999, p.
10-15 113
Mays, E., op.cit., p. 89 114
Rowland,J., op.cit.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________132 7. Modeli ocjene rizičnosti poduzeća
razgovora s vlasnikom poduzeća. Rezultat takvog procesa je rasporeñivanje
poduzeća u jednu od rizičnih kategorija koje označavaju odobravanje ili odbijanje
kreditnog zahtjeva. No, takvi sistemi nisu bili dovoljni kako bi se donosile odluke u
sve složenijoj bankarskoj praksi. Stoga su se počeli razvijati statistički modeli. U
univarijatnim kredit skoring sistemima, donosioci odluke u financijskim institucijama
usporeñuju različite financijske pokazatelje zajmotražitelja s industrijskim normama
odnosno normama grane djelatnosti. Beaver115 prezentira moderan statistički model
za predviñanje financijskog neuspjeha. Kod korištenja multivarijatnih modela, ključne
računovodstvene varijable se kombiniraju kako bi se proizveo skor kreditnog rizika ili
mjera vjerojatnosti da će komitent kasniti u plaćanju. Do sada se najviše primjenjivala
diskriminacijska analiza koju slijedi logit regresija. Prvi model u kojemu počinje
primjena takvog pristupa bio je Altmanov Z-skor model116 koji koristi multivarijatni
pristup koji uključuje omjerne i kategorijalne vrijednosti koje se kombiniraju kako bi se
dobila mjera, nazvana skor kreditnog rizika, koja najbolje diskriminira izmeñu
uspješnih i neuspješnih poduzeća. Scott117 je komparirao brojne empirijske modele s
teorijskim modelima. On je zaključio da ZETA model najbliže aproksimira njegov
teoretski model bankrota. Svrha ZETA modela118 bila je analizirati i testirati
klasificiranje poduzeća na ona koja će bankrotirati i na ona koja neće bankrotirati.
Zmijewski119 razvija model za predviñanje bankrota u koji uključuje mjere uspješnosti
poslovanja, zaduženosti i likvidnosti poduzeća. Springate120 model je razvijen 1978.
godine po uzoru na Altmanov, ali prilagoñen kanadskom tržištu. Fulmer121 je takoñer
primjenom stepwise višestruke diskriminacijske analize napravio model korištenjem
financijskih omjera koji predviña bankrot poduzeća. Bardos122 odabire metodologiju
statističkog kredit skoringa kako bi odredila rizik neuspjeha poduzeća. Upotrijebila je
Fisherovu linearnu diskriminacijsku analizu čiji se princip sastoji u pronalasku
115
Beaver,W., Financial Ratios as Predictors of Failure, Empirical Research in Accounting, 1966 116
Altman,E.I., Financial Ratios, Disriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of
Finance 23, 1968, p.189-209 117
Scott, J., The Probability of Bancruptcy, Journal of Banking and Finance 5, 1981, p. 317-344 118
Altman, E.I., Haldeman, R.G., Narayanan, P., ZETA Analysis, Journal of Banking and Finance, 1, 1977, p.
29-54 119
Zmijewski, M., E., Methodological issues related to the estimation of financial distress prediction models,
Journal of Accounting Research 24 120
Springate, Gordon L.V., "Predicting the Possibility of Failure in a Canadian Firm". Unpublished M.B.A.
Research Project, Simon Fraser University, January 1978. 121
Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J., "A Bankruptcy Classification
Model For Small Firms". Journal of Commercial Bank Lending (July 1984): pp. 25-37 122
Bardos, M., Detecting the Risk of Company Failure, Journal of Banking and Finance, 22, 1998, p. 1-13
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________133 7. Modeli ocjene rizičnosti poduzeća
optimalne granice izmeñu uspješnih i neuspješnih poduzeća. Platt i Platt123 koriste
logit regresiju kako bi otkrili jesu li za predviñanje bankrota poduzeća bolji financijski
omjeri u odnosu na industriju od jednostavnih financijskih omjera poduzeća. Johnsen
i Melicher124 upotrebljavaju multinomne logit modele kako bi predvidjeli bankrot
poduzeća. Altman, Marco i Varetto125 na uzorku talijanskih banaka usporeñuju
rezultate u identificiranju poduzeća s financijskim poteškoćama dobivene
diskriminacijskom analizom i neuralnim mrežama. Piramuthu126 se bavi upotrebom
neuralnih mreža i 'fuzzy' sistema pri donošenju odluka o odobravanju kredita
poduzećima.
Ekonomski pritisci koji su rezultirali iz povećane potražnje za kreditima zajedno
s povećanom konkurencijom poduzeća na tržištu, te razvijanje kompjutorske
tehnologije dovelo je do razvoja statističkih kredit skoring modela kako bi bio
potpomognut proces donošenja odluka vezanih uz odobravanje kredita. Standardne
statističke metode korištene u industriji razvoja skor-kartica su: diskriminacijska
analiza, linearna regresija, logistička regresija i stablo odlučivanja. U univarijatnim
kredit skoring modelima različiti financijski pokazatelji zajmotražitelja usporeñuju se s
industrijskim normama odnosno normama grane djelatnosti. Kod korištenja
multivarijatnih modela, ključne računovodstvene varijable se kombiniraju kako bi se
proizveo skor kreditnog rizika ili mjera vjerojatnosti da će komitent kasniti u plaćanju.
Ako skor kreditnog rizika odnosno vjerojatnost da će doći do kašnjenja zauzme
vrijednost iznad odabrane kritične vrijednosti, zajmotražitelj će biti odbijen ili
podvrgnut pomnoj kontroli. Najuobičajeniji oblik diskriminacijske analize pokaušava
pronaći linearnu funkciju knjigovodstvenih i tržišnih varijabli koja najbolje diskriminira
izmeñu dvije grupe zajmotražitelja – onih koji plaćaju i onih koji ne plaćaju. To
zahtijeva analizu skupa varijabli kako bi se maksimizirala varijanca izmeñu grupa i
minimizirala varijanca unutar grupe. Slično tome, logit analiza koristi skup
knjigovodstvenih varijabli za predviñanje vjerojatnosti da će zajmotražitelj kasniti u
plaćanju, pretpostavljajući da je ta vjerojatnost logistički distribuirana.
123
Platt, H.D., Platt, M.B., A Linear Programming Aproach to Bond Portfolio Selection, Economic Financial
Computing, 1991, p.71-84, citirano u: Altman,E.I., Saunders,A., Credit Risk Measurement: Development Over
the last 20 Years, Journal of Banking and Finance, 21, 1998, p.1721-1742 124
Johnsen, T., Melicher, R.W., Predicting Corporate Bankruptcy and Financial Distress: Information Value
Added by Multinomial Logit Models, Journal of Economics and Business, 1994, p. 269-286 125
Altman, E.I., Marco, G., Varetto, F., Corporate Disteress Diagnosis: Comparison Using Linear Discriminant
Analysis and Neural Networks (the Italian Experience), Journal of Banking and Finance, 18, 1994, p. 505-529 126
Piramuthu,S., Financial Credit-Risk Evaluation with Neural and Nerofuzzy Systems, European Journal of
Operational Research, 112, 1999, p.310-312
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________134 7. Modeli ocjene rizičnosti poduzeća
7.3.1. Beaver model
Beaver127 prezentira prvi moderan statistički model za predviñanje financijskog
neuspjeha. On je svoj model bazirao na financijskim omjerima koje je izračunava na
temelju računovodstvenih podataka. Od 30 omjera, pokazalo se da 3 najbolje
predviñaju financijski neuspjeh:
1.) tijek novca/ukupna imovina
2.) čisti prihod/ukupni dugovi
3.) tijek novca/ukupni dugovi
Za svaki pojedini omjer Beaver je izračunavao graničnu vrijednost pa je poduzeće s
omjerom iznad te vrijednosti smješteno u grupu potencijalno uspješnih dok je
poduzeće s vrijednošću omjera ispod definirane smješteno u grupu potencijalno
neuspješnih poduzeća.
Tablica 1: Preciznost klasifikacije Beaverovog modela Broj godina prije
neuspjeha tijek novca
/ukupna imovina
čisti prihod/ ukupni dugovi
tijek novca/ ukupni dugovi
Veličina uzorka
1 0.10 (0.10)
0.13 (0.10)
0.15 (0.08)
158
2 0.20 (0.17)
0.21 (0.18)
0.20 (0.16)
153
3 0.24 (0.20)
0.23 (0.21)
0.22 (0.20)
150
4 0.28 (0.26)
0.24 (0.24)
0.26 (0.26)
128
5 0.28 (0.25)
0.22 (0.22)
0.32 (0.26)
117
Izvor: Beaver,W., Financial ratios as predictors of failure, Empirical Research in Accounting, 1966. Prvi broj u svakoj ćeliji tablice 1. prikazuje udio pogrešno klasificiranih poduzeća u
test uzorcima, a brojevi u zagradama prikazuju udio pogrešno klasificiranih
poduzeća u originalnom uzorku. Može se primijetiti da udio pogrešno klasificiranih
poduzeća raste zajedno s brojem godina koje prethode neuspjehu.
Iako je Beaverov model bio vrlo jednostavan univarijatni statistički model, on
predstavlja početak upotrebe i primjene statističke metodologije u problemima
kreditnog rizika.
127
Beaver,W., op.cit.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________135 7. Modeli ocjene rizičnosti poduzeća
7.3.2. Altmanov z-score model
Prvi model u kojemu počinje primjena multivarijatnog pristupa bio je Altmanov
Z-skor model.128 On koristi multivarijatni pristup koji uključuje omjerne i kategorijalne
vrijednosti koje se kombiniraju kako bi se dobila mjera, nazvana skor kreditnog rizika,
koja najbolje diskriminira izmeñu poduzeća koja su neuspješna i onih koja su
uspješna. Očekuje se da će neuspješna poduzeća imati kretanje financijskih omjera
drugačije no što to imaju financijski zdrava poduzeća. I kod Altmanovog modela se
definira granična vrijednost na temelju koje financijska institucija donosi odluku.
Naime, zahtjevi za kredit se prihvaćaju ako je Z-skor poduzeća iznad definiranog Z-
skora i obrnuto.
Istraživanje koje je proveo Altman napravljeno je na uzorku koji se sastojao od
33 neuspješna i 33 uspješna poduzeća. Kao rezultat višestruke diskriminacijske
analize, dobiveni su slijedeći financijski omjeri:
1.) obrtni kapital/ukupna imovina (X1)
Mjera neto likvidnosti u odnosu na ukupnu kapitalizaciju. Firma koja doživljava
operativne gubitke imat će smanjenje tekuće imovine prema ukupnoj imovini.
2.) zadržana zarada/ukupna imovina (X2)
Kod relativno mladih firmi će ovaj omjer biti niži jer one nisu imale vremena
kumulirati dobit.
3.) dobit/ukupna imovina (X3)
Kako se egzistencija poduzeća bazira na mogućnosti firme da svojim
sredstvima ostvari zaradu, ovaj je omjer naročito prikladan za zaključivanje o
mogućnosti bankrota poduzeća.
4.) tržišna vrijednost vlastitog kapitala /knjigovodstvena vrijednost pasive (X4)
Ovaj omjer pokazuje koliko sredstva poduzeća gube na svojoj vrijednosti prije
no što obveze premaše imovinu i poduzeće postane nesolventno.
5.) prodaja/ukupna imovina (X5)
Rezultirajuća diskriminacijska funkcija:129
54321999,0006,0033,0014,0012,0 XXXXXZ ++++= (3.1)
128
Altman,E.I., Financial Ratios, Disriminant Analysis and the Prediction of Corporate Bankruptcy, op.cit. 129
Ibidem
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________136 7. Modeli ocjene rizičnosti poduzeća
Donja granična vrijednost iznosi 1.81, što znači da će poduzeća čiji je Z-skor ispod te
granice bankrotirati, dok je gornja granična vrijednost 2.99 iznad koje poduzeća neće
bankrotirati. Za skorove izmeñu 1.81 i 2.99 su pronañene greške u originalnom
uzorku. Preciznost kojom model diskriminira izmeñu uspješnih i neuspješnih
poduzeća 1 godinu prije bankrota iznosi 95%, a dvije godine prije bankrota 82%.
Altman je 1993 revidirao originalan model kako bi se mogao napraviti skor za
privatna poduzeća, zamjenjujući tržišnu vrijednost knjigovodstvenom vrijednosti
prilikom izračunavanja X4. Rezultat toga je Z'-skor model:130
54321998,0420,0107,3847,0717,0' XXXXXZ ++++= (3.2)
Donja granica iznosi Z'=1.23. Poduzeća ispod te granice se smatraju takvima da će
bankrotirati, pa im neće biti odobren kredit, a gornja granica Z'=2.90 predstavlja
granicu iznad koje se poduzeće smatra uspješnim.
Dakle, uz originalni model, kasnije su razvijena još dva oblika: model A Z-
score, koji se odnosi na proizvodna poduzeća u privatnom vlasništvu, i model B Z-
score, koji obuhvaća ostala (neproizvodna) poduzeća. Vrijednost Z-score-a se može
kretati u rasponu od -4,0 do +8,0, a oblici modela se razlikuju u granicama
vjerojatnosti odlaska u stečaj, kao što je prikazano sljedećom tablicom.
Tablica 2: Determinirane granice ocjene za Altman Z-Score
Raspon ocjene (-4,0 do +8,0) rizik stečaja
„sivo područje“
Altmanov
Z-score model Vrlo mali
zabrinutost u roku od 2 godine
vrlo veliki
(95%)*
Originalni ≥ 3,0 2,99 – 2,79 2,78 – 1,81 ≤ 1,80
Model A ≥ 2,9 2,89 – 2,69 2,68 – 1,24 ≤ 1,23
Model B ≥ 2,6 2,59 – 2,39 2,38 – 1,11 ≤ 1,10
* Napomena: 95% je vjerojatnost da će se u poduzeću dogoditi stečaj u roku godinu dana, te je 70% vjerojatnost da će se stečaj dogoditi u roku dvije godine s ovakvom ocjenom.
Što je vrijednost Z-score-a veća, rizik za odlazak u stečaj je manji (to se odnosi na
poduzeća čija je vrijednost pokazatelja veća od 3.0, 2.9 ili 2.6, ovisno o djelatnosti).
Poduzeća s niskim rizikom stečaja smatraju se financijski zdravim poduzećima.
130
Caouette,J.B., Altman,E.I., Narayanan,P., Managing Credit Risk, op.cit., p. 119
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________137 7. Modeli ocjene rizičnosti poduzeća
Ukoliko se vrijednost Z-scora nalazi u tzv. „sivom području“, riječ je o poduzeću
podložnom stečaju ali on se neće dogoditi bar unutar godinu ili dvije. Poduzeća sa
niskom vrijednosti pokazatelja karakterizira izrazito nepovoljna financijska situacija i
visok rizik odlaska u stečaj. Obzirom da je Altmanov model nastao kao rezultat
empirijskih istraživanja, prigovara mu se nedovoljna teorijska utemeljenost u izbora
pokazatelja. Prilikom primjene Altmanovog modela u našim uvjetima posebno je
važno imati na umu kako su ponderi i navedene usporedne veličine rezultat
istraživanja američkog gospodarstva sedamdesetih godina prošlog stoljeća.
Meñutim, kontinuirano praćenje Z-score-a u odreñenim vremenskim razdobljima, te
primjena dobivenih vrijednosti u horizontalnoj analizi dat će korisnu sliku o kretanju
financijske snage poduzeća tijekom vremena.
Izražen formulom, Z-score izgleda ovako:
A) za poduzeća u državnom vlasništvu
Z-score = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 0,999X5
A) za poduzeća u privatnom vlasništvu
Z'-score = 0,717X1 + 0,847X2 + 3,107X3 + 0,420X4 + 0,998X5
7.3.3. ZETA model kreditnog rizika
Nakon Z-skor modela Altman, Haldeman i Narayanan131 kreiraju ZETA model.
Svrha ZETA modela, koji je kreiran 1977, bila je analizirati i testirati klasificiranje
poduzeća na ona koja će bankrotirati i na ona koja neće. Model je uspješan u
klasificiranju poduzeća 5 godina prije bankrota na uzorku proizvodnih i trgovačkih
poduzeća. Prosječna visina imovine analiziranih poduzeća bila je približno 100
milijuna dolara. Niti jedno poduzeće nije bilo slabije od 20 milijuna dolara u aktivi.
Točnost modela iznosi više od 90% za klasificiranje poduzeća jednu godinu
prije bankrota i 70% pet godina prije bankrota.
Iako je uzorak bio sastavljen od proizvodnih i trgovačkih poduzeća, to nije
negativno utjecalo na rezultat. Uzorak za ovo istraživanje sastojao se od 53 131
Altman, E.I., Haldeman, R.G., Narayanan, P., ZETA Analysis, op.cit.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________138 7. Modeli ocjene rizičnosti poduzeća
neuspješna poduzeća od kojih je 29 proizvodnih i 24 trgovačkih, te od 58 uspješnih
poduzeća meñu kojima je bilo 32 proizvodna i 26 trgovačkih poduzeća.
Analizirano je 27 varijabli132 dok se konačan model sastoji od sljedećih sedam:
1.) Povrat na imovinu – dobit/ukupna imovina
2.) Stabilnost zarade
3.) Dobit/ukupne plaćene kamate
4.) Kumulativna profitabilnost – zadržana zarada/ukupna imovina
Ovo je najvažnija varijabla u modelu. Ona uključuje starost poduzeća,
dividendnu politiku kao i profitabilnost mjerenu tijekom vremena
5.) Likvidnost – ukupna tekuća aktiva/ukupna tekuća pasiva
6.) Kapitalizacija – vlasnički kapital/ukupni kapital
Obe su vrijednosti mjerene kao 5 godišnji prosjek ukupne tržišne vrijednosti.
7.) Veličina poduzeća – mjerena ukupnom imovinom poduzeća
Upotrebljena je multivarijatna diskriminacijska analiza uz primjenu linearne i
kvadratne strukture. Točnost linearnog modela, za klasificiranje poduzeća jednu
godinu prije bankrota, iznosi 96.2% za grupu neuspješnih poduzeća i 89.7% za grupu
uspješnih poduzeća. Kod kvadratne strukture, točnost za uspješna poduzeća iznosi
91.4%, a za neuspješna 94.3%. Prema očekivanjima, točnost se smanjuje za
neuspješna poduzeća kako podaci postaju udaljeniji od bankrota. Najznačajnija
razlika izmeñu kvadratne i linearne strukture je u testiranju test uzoraka za grupu
neuspješnih poduzeća. Ovdje se linearni model pokazao puno uspješnijim za razliku
od kvadratnog koji bilježi pogrešku preko 50% za bankrote pet godina ranije.
ZETA model ima veću točnost u odnosu na Z-skor model u klasifikaciji
neuspješnih poduzeća u razdoblju od 2 do 5 godina prije bankrota, dok je točnost za
prvu godinu gotovo jednaka za oba modela. Z-model je pokazao nešto veću točnost
u odnosu na ZETA model u klasificiranju uspješnih poduzeća za razdoblje od dvije
godine u slučaju kada je moguća direktna usporedba.
132
lista svih varijabli nalazi se u cf. Altman, E.I., Haldeman, R.G., Narayanan, P., ZETA Analysis, op.cit., p. 54
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________139 7. Modeli ocjene rizičnosti poduzeća
7.3.4. Zmijewski model
Zmijewski133 model za predviñanje bankrota razvijen je 1984. godine. U svom
izračunu uključuje pokazatelje koji mjere uspješnost poslovanja, zaduženost i
likvidnost poduzeća134. Zmijewski model temelji se na podacima 800 poduzeća koja
nisu bankrotirala i 40 poduzeća čije je poslovanje završilo bankrotom135, a pri izradi
modela upotrebljena je probit analiza.
Osnovna jednadžba modela glasi:
X = - 4,3 – 4,5X1 + 5,7X2 – 0,004X3
gdje X1, X2, X3 predstavljaju najznačajnije varijable:
X1 = neto dobit / ukupna imovina,
X2 = ukupni dug / ukupna imovina,
X3 = kratkotrajna imovina / kratkoročne obveze.
Odluka se donosi izračunavanje vjerojatnosti za postizanje statusa neispunjavanja
obveza na sljedeći način:
OREadjustedSCeP
−+
=1
1
Ako je dobivena vjerojatnost veća od 0,5, tada poduzeće ima velike šanse za
bankrot.
7.3.5. Springate model
Springate136 model je razvijen 1978. po uzoru na Altmanov, ali prilagoñen
kanadskim tržišnim uvjetima. Pri izradi modela korištena je step-wise multiple
discriminate analysis. Analizom uzorka od 40 poduzeća izabrano je 19 financijskih
pokazatelja koji omogućuju razlikovanje “zdravih” poduzeća od onih kojima prijeti
133
Zmijewski, M., E., Methodological issues related to the estimation of financial distress prediction models,
Journal of Accounting Research 24 134
Navedena kombinacija pokazatelja ne proizlazi isključivo iz teorijske osnove, već je nastala kao rezultat
prijašnjih studija. 135
Omjer 40:800 korišten pri razvoju Zmijewski modela zapravo je najčešće korišten omjer u istraživanjima
ovakve vrste. 136
Springate, Gordon L.V., "Predicting the Possibility of Failure in a Canadian Firm". Unpublished M.B.A.
Research Project, Simon Fraser University, January 1978.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________140 7. Modeli ocjene rizičnosti poduzeća
bankrot. Model procjenjuje financijsko stanje poduzeća sa 92,5% sigurnošću (kasnija
testiranja modela utvrdila su da je sigurnost izmeñu 83% i 88%).
Varijable u modelu su:
X1 = obrtni kapital/ukupna imovina
X2 = dobit prije kamata i poreza/ukupna imovina
X3 = dobit prije poreza/kratkoročne obveze
X4 = prihodi od prodaje/ukupna imovina
Z = -4.3 - 4.5X1 + 5.7X2 – 0.004X3
Ako je Z < 0.862, to označava prijetnju financijskog neuspjeha.
7.3.6. Fulmer model
Fulmer137 model nastao je metodom step-wise multiple discriminate analysis
računato je 40 financijskih pokazatelja na uzroku od 60 poduzeća – 30 uspješnih i 30
čije poslovanje je završilo bankrotom (prosječna vrijednost imovine iznosila je
455000$). Model procjenjuje vjerojatnost odlaska u bankrot u roku godine dana sa
98% sigurnošću, te odlazak u bankrot u razdoblju dužem od 1 godine sa 81%
sigurnošću.
Varijable u modelu su:
V1 = zadržana dobit/ukupna imovina
V2 = prihod od prodaje/ukupna imovina
V3 = dobit prije poreza/glavnica
V4 = novčani tok/ukupan dug
V5 = dug/ukupna imovina
V6 = kratkoročne obveze/ukupna imovina
V7 = log(ukupna materijalna imovina)
V8 = obrtni kapital/ukupni dug
V9 =log(dobit prije poreza i kamata/kamate)
137
Fulmer, John G. Jr., Moon, James E., Gavin, Thomas A., Erwin, Michael J., "A Bankruptcy Classification
Model For Small Firms". Journal of Commercial Bank Lending (July 1984): pp. 25-37
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________141 7. Modeli ocjene rizičnosti poduzeća
Osnovna formula modela glasi:
H = 5.528V1 + 0.212V2 + 0.073V3
+ 1.270V4 - 0.120V5 + 2.335V6
+ 0.575V7 + 1.083V8 + 0.894V9
- 6.075
Ako je H < 0, to označava prijetnju financijskog neuspjeha.
7.3.7. Kralicekov Quicktest
Za razliku od Altmanovog modela koji podrazumijeva uglavnom statične pokazatelje,
Kralicekov Quicktest se podjednako oslanja na statične i dinamične pokazatelje.
Kreator ovog analitičkog financijskog testa je Austrijanac Peter Kralicek, a praktična
uporaba ovog testa više je ograničena na zemlje Srednje Europe. Svrha modela je
procjenjivanje financijske uspješnosti poduzeća i rentabilnosti sredstava. Pomoću
četiri zasebna odnosa kojima mjeri rizičnost financiranja, likvidnost, rentabilnost i
uspjeh, Quicktest daje jedinstvenu ocjenu od 1 do 5, pri čemu je 1 najveća ocjena.
Izračun pokazatelja je neovisan o djelatnosti u kojoj poduzeće posluje. Veličine koje
ulaze u izračun pokazatelja su:
• kratkotrajna imovina,
• zalihe,
• vlastiti kapital,
• ukupne obveze,
• ukupno kapital i obveze,
• poslovni prihodi,
• kamate na kapital,
• amortizacija, te
• dobit nakon oporezivanja.
Sve navedene veličine moguće je pronaći u finacijskim izvještajima bilanca i račun
dobiti i gubitka. Postupak izračuna podrazumijeva, slično kao i u Altmanovom
modelu, stavljanje u odnos odreñenih veličina i to na način prikazan u tablici:
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________142 7. Modeli ocjene rizičnosti poduzeća
Tablica 2: Pokazatelji za Kralicekov Quicktest
Pokazatelj Brojnik Nazivnik
Udio vlastitog kapitala u
ukupnom kapitalu
vlastiti kapital ukupno kapital i obveze
Vrijeme otplativosti u
godinama
ukupne obveze umanjene za
vrijednost kratkotrajne imovne
dobit nakon oporezivanja
uvećana za iznos amortizacije
Postotak rentabilnosti
ukupnog kapitala
dobit nakon oporezivanja +
kamate na kapital
ukupno kapital i obveze
Udio gotovinskog tijeka u
poslovnim prihodu
dobit nakon oporezivanja +
amortizacija
poslovni pihod
Dobivene vrijednosti pojedinačnih pokazatelja se ocjenjuju prema unaprijed
utvrñenim kriterijima, a iz pročitanih ocjena računa se prosječna ocjena koja može biti
u razredu od 1 do 5 (ocjena 1 je izvrsna, dok ocjena 5 predstavlja najlošiju ocjenu).
Tablica 3.: Skala rangiranja uspjeha i ocjene prema Kraliceku
Pokazatelj Izvrsno (1) Vrlo dobro
(2)
Dobro (3) Loše (4) Opasnost od
insolventnosti (5)
Koeficijent vlastitog
financiranja
> 30 ≥ 20 ≥ 10 < 10 negativan rezultat
Vrijeme otplativosti duga u
godinama
< 3 ≤ 5 ≤ 12 ≤ 30 > 30
Postotak rentabilnosti
ukupnog kapitala
> 15 >12 ≥ 8 < 8 negativan rezultat
Udio gotovinskog tijeka u
poslovnom prihodu
> 10 ≥ 8 ≥ 5 < 5 negativan rezultat
Srednja vrijednost prva dva pokazatelja je zapravo ocjena financijske stabilnost, dok
srednja vrijednost druga dva pokazatelja predstavlja kombinaciju pokazatelja
ukupnog uspjeha i rentabilnosti.
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________143 7. Modeli ocjene rizičnosti poduzeća
7.4. Zadaci - modeli ocjene rizičnosti poduzeća
Odaberite 5 poznatih modela za ocjenu rizičnosti poduzeća i izračunajte ih za dane
podatke. Dajte svoj komentar vezan uz rizičnost poduzeća čije ste podatke analizirali.
BILANCA I RAČUN DOBITI I GUBITKA
AOP AKTIVA 31.12.2001 31.12.2002 31.12.2003
1 2 1 2
001 Potraživanja za upisani neuplaćeni kapital
0,00 0,00 0,00
002 Dugotrajna imovina 1.284.138,31 1.298.326,43 1.350.306,87
003 Nematerijalna imovina 1.420,00
009 Materijalna imovina 1.281.542,80 1.297.150,92 1.349.131,36
018 Financijska imovina 1.175,51 1.175,51 1.175,51
027 Potraživanja 0,00 0,00 0,00
031 Kratkotrajna imovina 2.049.847,48 2.881.292,71 3.367.492,49
032 Zalihe 1.080.742,13 1.269.264,60 1.420.626,83
038 Potraživanja 853.125,41 1.331.904,91 1.714.702,93
045 Financijska imovina 0,00 155.300,00 155.300,00
052 Gotovina i računi kod banaka 115.979,94 124.823,20 76.862,73
053 Plaćeni troškovi budućeg razdoblja 0,00 0,00 1.550,70
054 Gubitak iznad visine kapitala 0,00 0,00 0,00
055 Ukupna aktiva 3.333.985,79 4.179.619,14 4.719.350,06
056 Izvanbilančni zapisi 0,00 0,00
PASIVA
057 Kapital i rezerve 651.724,06 1.021.625,79 1.096.042,30
058 Upisani kapital 150.000,00 150.000,00 150.000,00
059 Kapitalni dobitak 0,00 0,00 0,00
060 Revalorizacijske rezerve 0,00 0,00 0,00
061 Rezerve 0,00 0,00 0,00
062 Zadržana dobit 150.000,00 456.991,18 565.269,17
063 Preneseni gubitak 0,00 0,00 0,00
064 Dobitak tekućeg razdoblja 351.724,06 414.634,61 380.773,13
065 Gubitak tekućeg razdoblja 0,00 0,00 0,00
Dugoročna rezerviranja 0,00 0,00 0,00
067 Dugoročne obveze 1.211.348,92 1.347.188,76 1.658.776,15
068 obveze prema povezanim poduzećima 0,00 0,00 0,00
Predavanja za kolegij 'Kreditna analiza' Šarlija, 2008. __________________________________________________________________________
____________________________________________________________________144 7. Modeli ocjene rizičnosti poduzeća
069 obveze s osnova zajmova 0,00 0,00 0,00
070 obveze prema kreditnim institucijama 1.211.348,92 1.347.188,76 1.658.776,15
072 obveze prema dobavljačima
074 ostale dugoročne obveze 0,00 0,00 0,00
075 Kratkoročne obveze 1.470.912,81 1.810.804,59 1.964.531,61
077 obveze s osnova zajmova 26.263,11 0,00 0,00
078 obveze prema kreditnim institucijama 153.266,73 156.266,52 169.568,26
079 obveze za predujmove, depozite I jamstva 67.583,23 78.563,23 76.852,23
080 obveze prema dobavljačima 1.074.274,98 1.399.211,26 1.533.092,90
081 obveze po mjenicama I čekovima 0,00 0,00 0,00
082 obveze prema zaposlenima 67.897,67 72.520,23 72.560,23
083 obveze za poreze, dopr. I druge pristojbe 23.831,02 35.258,36 39.875,63
084 obveze s osnove udjela u rezultatu 57.796,07 68.985,35 72.582,36
085 ostale kratkoročne obveze 0,00 0,00 0,00
086 Odgoñeno plaćanje troš. i prihod budućeg razdoblja 0,00 0,00 0,00
087 Ukupna pasiva 3.333.985,79 4.179.619,14 4.719.350,06
088 Izvanbilančni zapisi 0,00 0,00 0,00
RAČUN DOBITI I GUBITKA
089 Poslovni prihodi 5.803.118,43 6.313.466,50 7.206.909,74
095 Poslovni rashodi 5.274.162,27 5.766.995,44 6.615.491,72
110 Financijski prihodi 8.533,77 206,85
117 Financijski rashodi 176.996,23 135.318,49 115.658,46
122 Izvanredni prihodi
123 Izvanredni rashodi
124 UKUPNI PRIHODI 5.803.118,43 6.322.000,27 7.207.116,59
125 UKUPNI RASHODI 5.451.158,50 5.902.313,93 6.731.150,18
126 Dobit prije oporezivanja 351.959,93 419.686,34 475.966,41
127 Gubitak prije oporezivanja 0,00 0,00 0,00
128 Porez na dobit 1.892,43 10.227,66
130 Dobit nakon oporezivanja 351.959,93 417.793,91 465.738,75
131 Gubitak nakon oporezivanja 0,00 0,00 0,00