Upload
duongthuan
View
227
Download
2
Embed Size (px)
Citation preview
Marcin Spychała*
Zastosowanie analizy wskaźnikowej oraz modeli
wczesnego ostrzegania w prognozowaniu upadłości
przedsiębiorstw na przykładzie spółek
Irena S.A. i Krosno S.A.
Wstęp Trwający od 2007 roku kryzys gospodarczy spowodował, iż przez
świat przetoczyła się fala bankructw nie tylko małych podmiotów,
ale również globalnych korporacji. Światowa recesja, która zaostrzyła się
i rozprzestrzeniła na większość państw i branż na początku 2009 roku,
była najpoważniejszym spadkiem koniunktury od czasów II wojny
światowej. Towarzyszyły jej niezwykle gwałtowne pogorszenie sytuacji
finansowej spółek, a także trudności płatnicze, a co za tym idzie – nagły
wzrost liczby upadłości. Trafność przewidywania bankructwa ma zatem
olbrzymie znaczenie, zwłaszcza w obecnym okresie – ogranicza bowiem
ryzyko strat akcjonariuszy, kredytodawców czy pracowników.
Celem artykułu jest przedstawienie przydatności analizy wskaźni-
kowej oraz modeli wczesnego ostrzegania do prognozowania upadłości
przedsiębiorstw. W artykule zweryfikowano hipotezę, według której
modele wczesnego ostrzegania uwzględniające specyfikę polskiej go-
spodarki trafnie przewidują zagrożenie upadłością przedsiębiorstw,
podczas gdy klasyczna analiza wskaźnikowa często nie prowadzi do
jednoznacznych wniosków. Badania przeprowadzone zostały na pod-
stawie jednostkowych sprawozdań finansowych Krośnieńskich Hut
Szkła Krosno S.A. oraz Huty Szkła Gospodarczego Irena S.A. Zakres
czasowy badań przedstawionych w artykule ogranicza się do lat 2006
do 2008.1
* Mgr, Katedra Finansów Publicznych, Wydział Ekonomii, Uniwersytet Ekonomiczny
w Poznaniu, [email protected] 1 Zakres czasowy analizy empirycznej podyktowany został tym, iż 27 marca 2009 roku
Sąd Rejonowy w Krośnie ogłosił upadłość Krośnieńskich Hut Szkła Krosno S.A.
Marcin Spychała 468
1. Analiza wskaźnikowa w prognozowaniu upadłości
przedsiębiorstw
W pierwszej fazie badań dokonano analizy wskaźnikowej kondycji
finansowej dwóch hut szkła notowanych na Giełdzie Papierów Warto-
ściowych w Warszawie. Analizę przeprowadzono na podstawie wskaź-
ników: zadłużenia, płynności, sprawności oraz rentowności. Do prze-
prowadzenia wskaźnikowej analizy spółek Krosno S.A. i Irena S.A. wy-
korzystano dane zamieszczone w sprawozdaniach za lata 2006-2008
powyższych podmiotów, opublikowanych w Monitorze Polskim B.
Tablica 1. Wskaźniki zastosowane w prognozowaniu upadłości
Nazwa wskaźnika Formuła obliczeniowa
Stopa zadłużenia aktywów Zobowiązania ogółem
Aktywa ogółem
Zadłużenie kapitału własnego Zobowiązania ogółem
Kapitał własny
Wskaźnik pokrycia odsetek Zysk operacyjny
Odsetki
Wskaźnik bieżącej płynności Aktywa bieżące
Zobowiązania bieżące
Wskaźnik wysokiej płynności Aktywa bieżące - Zapasy
Zobowiązania bieżące
Wskaźnik środków pieniężnych Inwestycje krótkoterminowe
Zobowiązania bieżące
Udział kapitału obrotowego netto
w aktywach ogółem
Aktywa obrotowe - Zobowiązania
krótkoterminowe
Aktywa ogółem
Okres obrotu operacyjnego Okres obrotu zapasami +
Okres ściągania należności
Okres obrotu gotówką
Okres obrotu zapasami +
Okres ściągania należności -
Okres spłaty zobowiązań
Rentowność sprzedaży Zysk netto
Przychody ze sprzedaży
Rentowność aktywów (ROA) Zysk netto
Aktywa ogółem (przeciętnie)
Rentowność kapitału własnego (ROE) Zysk netto
Kapitał własny (przeciętnie)
Źródło: Opracowanie własne na podstawie [Rutkowski, 2007, s. 85-100], [Brigham, Hou-
ston, 2005, s. 113-133], [Pomykalska, Pomykalski, 2007, s. 67-97].
Zastosowanie analizy wskaźnikowej oraz modeli… 469
W tablicy 1 przedstawione zostały wskaźniki zastosowane w anali-
zie upadłości przedsiębiorstw wraz ze sposobem ich wyliczenia. Warto-
ści poszczególnych wskaźników obliczone dla Huty Szkła Gospo-
darczego „Irena” S.A. oraz Krośnieńskich Hut Szkła „Krosno” S.A. za-
prezentowane zostały w tablicy 2.
Tablica 2. Wartości wskaźników dla spółek Krosno S.A. i Irena S.A. w latach
2006-2008
Nazwa wskaźnika Spółka 2006 2007 2008
Stopa zadłużenia aktywów Krosno 53,83% 54,42% 110,38%
Irena 38,71% 39,67% 76,04%
Zadłużenie kapitału własnego Krosno 116,60% 119,40% -1064%
Irena 63,17% 65,74% 317,40%
Wskaźnik pokrycia odsetek Krosno 0,94 0,30 •
Irena • 0,45 •
Wskaźnik bieżącej płynności Krosno 1,60 1,52 0,35
Irena 1,04 0,99 0,60
Wskaźnik wysokiej płynności Krosno 0,79 0,78 0,17
Irena 0,58 0,51 0,29
Wskaźnik środków pieniężnych Krosno 0,42% 0,72% 0,37%
Irena 2,05% 0,31% 0,70%
Udział kapitału obrotowego netto w
aktywach ogółem
Krosno 13,45% 12,49% -70,36%
Irena 2,61% 5,66% -14,53%
Okres obrotu operacyjnego Krosno 180 162 178
Irena 185 189 170
Okres obrotu gotówką Krosno 76 47 -142
Irena 10 -15 -52
Rentowność sprzedaży Krosno 0,02% 0,62% -58,17%
Irena -7,68% -0,99% -73,02%
Rentowność aktywów (ROA) Krosno 0,02% 0,55% -46,78%
Irena -5,03% -0,63% -48,26%
Rentowność kapitału własnego (ROE) Krosno 0,03% 1,21% -217,7%
Irena -7,87% -1,03% -107,9%
[ • ] – wskaźnika nie można obliczyć, gdyż spółka w badanym roku poniosła stratę
Źródło: Opracowanie własne.
Wskaźniki zadłużenia, zwane często wskaźnikami struktury finan-
sowania, informują, z jakich źródeł przedsiębiorstwo finansuje swoje
aktywa [Pomykalska, Pomykalski, 2007, s. 88]. Na podstawie wskaźni-
ków zadłużenia, do których zalicza się stopę zadłużenia aktywów, za-
Marcin Spychała 470
dłużenie kapitału własnego oraz wskaźnik pokrycia odsetek, można
analizować strukturę kapitału podmiotu gospodarczego.
Na podstawie danych zgromadzonych w tablicy 2 można dojść do
wniosku, iż struktura kapitału obu badanych spółek była bardzo nieko-
rzystna. Zarówno Huta Szkła Gospodarczego „Irena” S.A., jak i Kro-
śnieńskie Huty Szkła „Krosno” S.A. odnotowały w ostatnich latach sys-
tematyczny wzrost i tak już bardzo wysokiego wskaźnika ogólnego za-
dłużenia. Wskaźnik ten na przestrzeni lat 2006-2008 wzrósł w obu przy-
padkach niemal dwukrotnie, a w spółce z Krosna przekroczył nawet
100% w ostatnim badanym roku. Wielkość zadłużenia Krośnieńskich
Hut Szkła przekroczyła wartość sumy bilansowej, a to oznacza kurio-
zalną sytuację, w której kapitał własny ma wartość ujemną (-26,4 mln
PLN). Zjawisko wzrostu wartości stopy zadłużenia można w obu przy-
padkach tłumaczyć tak samo: na przestrzeni badanych lat wartość zo-
bowiązań ciągle rosła, wartość aktywów w obu przypadkach w latach
2006-2007 rosła, a w roku 2008 gwałtownie spadła (w przypadku Krosna
S.A. o 24,4% w porównaniu z rokiem wcześniejszym). Spadek wartości
aktywów w analizowanych przedsiębiorstwach tłumaczyć należy
przede wszystkim zmniejszeniem się inwestycji długoterminowych.
Dodatkowo obie badane huty w 2008 roku odnotowały dużą stratę netto
(Krosno S.A.: 138 mln PLN, co stanowi 54% sumy bilansowej; Irena S.A.:
41 mln PLN, co stanowi 57% sumy bilansowej).
W przeciągu badanego trzylecia, zarówno w przypadku Krośnień-
skich Hut Szkła, jak i Huty Szkła Gospodarczego „Irena” S.A. następo-
wał wzrost wskaźnika zadłużenia kapitału własnego. Oznacza to więk-
sze zaangażowanie obcych źródeł finansowania w stosunku do źródeł
własnych, a więc zwiększenie stopnia zadłużenia. Oddziałuje to bezpo-
średnio na poziom ryzyka finansowego z powodu wyższych rat kapita-
łowych i odsetek. W latach 2006-2007 wskaźniki zadłużenia kapitału
własnego w obu badanych przedsiębiorstwach utrzymywały się na
niemalże niezmiennym poziomie, natomiast w 2008 roku nastąpił gwał-
towny wzrost omawianego wskaźnika. W przypadku Ireny wzrósł on
prawie pięciokrotnie, natomiast w przypadku Krosna wskaźnik przyjął
wartość ujemną z powodu ujemnego kapitału własnego. Już w latach
wcześniejszych wartości wskaźnika zadłużenia kapitału własnego dla
Krosna przekraczały 100%, co oznacza, że wartość zobowiązań przekra-
czała wartość kapitału własnego.
Zastosowanie analizy wskaźnikowej oraz modeli… 471
Analizując kształtowanie się wskaźnika pokrycia odsetek można
dojść do wniosku, iż sytuacja w obu spółkach była bardzo krytyczna –
w każdym roku wskaźnik pokrycia odsetek był niższy od jedności,
co oznacza, że wypracowany zysk operacyjny nie wystarczał chociażby
na pokrycie odsetek od zobowiązań. Wskaźnika tego często nie można
było obliczyć, gdyż badane spółki ponosiły stratę już na poziomie ope-
racyjnym. Zarówno Krosno S.A., jak i Irena S.A. wpadły w pułapkę za-
dłużenia. Wypracowanego zysku (jeśli w ogóle się pojawiał) nie wystar-
czało na pokrycie chociażby odsetek. Stan niewypłacalności Krośnień-
skich Hut Szkła Krosno S.A. powstał przede wszystkim z powodu gwał-
townego wzrostu kursu euro w stosunku do złotego. Umowy opcji wa-
lutowych, które w założeniu miały zabezpieczać ryzyko zmian kursu
złotego do innych walut, w rzeczywistości naraziły spółkę na duże ry-
zyko oraz straty.
Płynność finansowa podmiotu gospodarczego może być oceniona
za pomocą następujących wskaźników [Rutkowski, 2007, s.86]: wskaź-
nika bieżącej płynności (wskaźnik III stopnia płynności), wskaźnika wy-
sokiej płynności (wskaźnik II stopnia płynności), wskaźnika płynności
środków pieniężnych (wskaźnik I stopnia płynności) oraz wskaźnika
kapitału obrotowego netto do aktywów ogółem.
Na początku badanego okresu – w 2006 roku – w obu spółkach
wskaźniki bieżącej płynności przyjmowały wartości pożądane (powyżej
jedności). W Krośnieńskich Hutach Szkła wskaźnik bieżącej płynności
w pierwszym badanym roku był bardzo wysoki – wynosił 1,6. Wynikało
to przede wszystkim z wysokiego stanu aktywów obrotowych (zwłasz-
cza zapasów i należności krótkoterminowych) oraz niskiego stanu zo-
bowiązań krótkoterminowych. W całym badanym okresie płynność obu
spółek systematycznie malała, a gwałtowny spadek wskaźnika bieżącej
płynności nastąpił w roku 2008. Do tego czasu Irena S.A. oraz Krosno
S.A. nie miały trudności z bieżącą regulacją zobowiązań, a od 2008 roku
pojawiły się problemy.
Wskaźnik wysokiej płynności w latach 2006-2007 kształtował się na
wyższym poziomie w Krośnieńskich Hutach Szkła Krosno S.A. niż
w Hucie Szkła Gospodarczego Irena S.A. Jednak w przypadku obu
spółek w całym badanym okresie następował spadek wskaźników
płynności, oznaczający rosnące problemy z regulacją bieżących zobo-
wiązań. Gwałtowny spadek wskaźnika bieżącej płynności nastąpił
w Krośnie S.A. w 2008 roku. Był on na tyle duży, że wskaźnik ten
Marcin Spychała 472
ukształtował się po raz pierwszy w badanym okresie na poziomie niż-
szym niż wskaźnik obliczony dla Ireny S.A., mimo iż również spółka
z Inowrocławia odnotowała znaczący spadek wskaźnika na przestrzeni
roku. Tak jak w 2006 roku obie spółki nie miały problemów z bieżącą
regulacją zobowiązań, tak w roku 2008 stopy wysokiej płynności dla
obu badanych przedsiębiorstw były na bardzo niskim poziomie, co jed-
noznacznie może świadczyć o problemach z regulowaniem zobowiązań.
Wskaźnik środków pieniężnych nie mówi o stopniu wypłacalności
danego podmiotu tylko o jego sprawności płatniczej. Analizując dane
zgromadzone w tablicy 2 dotyczące powyższego wskaźnika nie można
dojść do jednoznacznych wniosków. Ogólnie można powiedzieć, iż war-
tości wskaźnika były na niskim poziomie, jednak nie wykazywały one
stałej tendencji malejącej lub rosnącej. Jednego roku wartość wskaźnika
była wyższa dla spółki z Krosna, a w roku następnym sytuacja ulegała
całkowitemu odwróceniu. Można stwierdzić, iż wartość poznawcza tego
wskaźnika maleje wraz z rozwojem usług bankowych, z których obie
spółki korzystały w szerokim zakresie. Banki umożliwiają bowiem za-
ciągnięcie kredytu w rachunku bieżącym, a nawet dopuszczają krótko-
terminowe przekroczenie salda na rachunku. Podejście takie ułatwia
zarządzanie środkami pieniężnymi w przedsiębiorstwie, gdyż umożli-
wia terminowe płacenie zobowiązań w przypadku czasowych proble-
mów z płynnością, które mogą być spowodowane niekorzystnym roz-
kładem płatności. Fakt ten znacząco zmniejsza wartość poznawczą
wskaźnika środków pieniężnych.
Interpretacja oceny wielkości udziału kapitału obrotowego netto
w aktywach ogółem jest różna w zależności od długości cyklu produk-
cyjnego. Im dłuższy jest ten cykl, tym jest pożądany wyższy poziom
wskaźnika [Pomykalska, Pomykalski, 2007, s. 76]. Z reguły sytuacja jest
bezpieczna wtedy, kiedy powyższy wskaźnik przyjmuje wartości do-
datnie [Rutkowski, 2007, s. 86]. Jednak utrzymanie zbyt wysokiego kapi-
tału obrotowego netto oznacza niewykorzystane możliwości osiągania
zysku, natomiast zbyt niski kapitał pracujący może się przyczyniać do
powodowania zakłóceń w terminowości regulowania zobowiązań krót-
koterminowych [Pomykalska, Pomykalski, 2007, s. 76]. Cykl produkcyj-
ny, z którym mają do czynienia huty szkła, jest relatywnie długi, dlatego
należy oczekiwać wysokich wartości udziału kapitału obrotowego netto
w aktywach ogółem. Zgodnie z tablicą 2 udział kapitału obrotowego
netto w aktywach ogółem do roku 2007 kształtował się na wyższym po-
Zastosowanie analizy wskaźnikowej oraz modeli… 473
ziomie w przypadku Krosna S.A. i był on każdorazowo wyższy niż 10%.
W przypadku Ireny S.A. wartość wskaźnika w latach 2006-2007 utrzy-
mywała się na niskim poziomie. W 2008 roku kapitał obrotowy netto
w obu badanych spółkach przyjął wartość ujemną, co oznacza, że war-
tość zobowiązań krótkoterminowych była wyższa od wartości wszyst-
kich aktywów obrotowych. Obie huty szkła borykały się z problemami
związanymi z bieżącą regulacją zobowiązań, co wskazały wcześniej ob-
liczone już wskaźniki płynności.
Okres obrotu operacyjnego informuje, po ilu dniach od dokonania
zakupów materiałów i towarów, które są przetwarzane i sprzedawane
odbiorcom, podmiot otrzymuje zapłatę [Rutkowski, 2007, s. 91]. Jeśli od
cyklu operacyjnego zostanie odjęty okres spłaty zobowiązań, wówczas
otrzyma się okres obrotu gotówką. Dąży się do tego, aby cykl operacyj-
ny był jak najkrótszy, gdyż przedsiębiorstwo angażuje wówczas środki
obrotowe na stosunkowo krótki okres. W ten sposób zmniejsza się zapo-
trzebowanie na zewnętrzne środki finansowe i mniejsze są koszty zwią-
zane z korzystaniem z kapitałów obcych [Rutkowski, 2007, s. 91]. Przed-
siębiorstwa dążą także do skracania okresu obrotu gotówką. Okres ten
można skrócić, przyspieszając obrót zapasami i należnościami oraz
opóźniając spłatę zobowiązań.
Na podstawie danych zawartych w tablicy 2 można dojść do wnio-
sku, iż w całym badanym okresie cykl operacyjny w obu spółkach nie
wykazywał tendencji malejącej ani rosnącej i oscylował między 162
a 189 dniami. Z kolei w obu badanych spółkach okres obrotu gotówką
systematycznie malał w całym okresie, osiągając wartość ujemną. Ujem-
ny cykl konwersji gotówki teoretycznie oznacza nadpłynność finansową
– sytuację, gdy przedsiębiorstwo szybciej odzyskuje gotówkę niż spłaca
zobowiązania. Jednak wcześniej dokonana analiza wskaźnikowa poka-
zała, iż skracanie okresu obrotu gotówką należy w tych przypadkach
wytłumaczyć w inny sposób: ujemny cykl konwersji gotówki był rezul-
tatem bardzo długiego okresu spłaty zobowiązań w obu spółkach. Długi
okres regulacji zobowiązań bynajmniej nie wynikał z wynegocjowania
tak korzystnych terminów płatności, tylko z problemów finansowych
obu hut szkła. Badane przedsiębiorstwa miały bowiem trudności z bie-
żącą regulacją zobowiązań, co w niekorzystny sposób wpływało na
okres konwersji gotówki.
Wskaźniki rentowności to grupa wskaźników pokazujących łączny
wpływ płynności, zadłużenia i zarządzania aktywami na wyniki opera-
Marcin Spychała 474
cyjne [Brigham, Houston, 2005, s. 119]. Określają one zdolność do two-
rzenia zysków przez sprzedaż, aktywa przedsiębiorstwa oraz kapitały
własne.
Rentowność Krośnieńskich Hut Szkła Krosno S.A. oraz Huty Szkła
Gospodarczego Irena S.A. w całym badanym okresie była na zatrważa-
jąco niskim poziomie. Rentowność nigdy nie przekraczała 1%, często
była na poziomie ujemnym – sprzedaż spółek była nierentowna. Ujemne
wartości wskaźnika rentowności sprzedaży były efektem osiągnięcia
przez spółki straty netto. Prowadzona przez obie huty szkła działalność
gospodarcza była obarczona zbyt wysokimi kosztami. Wysokie koszty
były z kolei spowodowane nieefektywnymi działaniami. Koniecznie
należało zatem przeprowadzić w obu badanych spółkach restrukturyza-
cję i wprowadzić program naprawczy.
Obliczone w tablicy 2 wskaźniki rentowności aktywów również by-
ły na bardzo niskim poziomie. Innymi słowy, majątek zarówno Huty
Szkła Gospodarczego Irena S.A., jak i Krośnieńskich Hut Szkła Krosno
S.A. cechowała niska rentowność. Tak niskie wyniki nie zadziwiają.
Licznikiem wskaźnika rentowności aktywów, podobnie jak wskaźnika
rentowności sprzedaży, jest zysk netto, a już wcześniej zwrócono uwagę
na to, iż obie spółki w badanym okresie częściej odnotowywały stratę
netto niż zysk. W latach 2006-2007 wskaźniki rentowności aktywów obu
spółek oscylowały wokół 0%. Gwałtowny spadek wartości wskaźników
nastąpił w 2008 roku. Było to spowodowane przede wszystkim zmniej-
szeniem się sumy bilansowej zarówno Krosna S.A., jak i Ireny S.A.
Rentowność kapitału własnego również przyjmowała wartości
ujemne. Każda złotówka zainwestowana w Krosno S.A. przyniosła
w 2008 roku 2,18 zł straty, a zainwestowana w Irenę S.A. – 1,08 zł straty.
Akcjonariusze, inwestując pieniądze w dany podmiot gospodarczy, li-
czą na wysoką stopę zwrotu. Akcjonariusze badanych hut szkła musieli
w ostatnich latach pogodzić się ze stratą swoich pieniędzy. Ujemna war-
tość rentowności kapitału własnego w obu badanych spółkach była jed-
ną z przyczyn wycofania się inwestorów z Krosna S.A. i Ireny. S.A.
Przeprowadzona analiza wskaźnikowa pokazała bowiem, iż były to
podmioty nierentowne o wysokim prawdopodobieństwie upadłości.
Zastosowanie analizy wskaźnikowej oraz modeli… 475
2. Modele wczesnego ostrzegania uwzględniające specyfikę
polskiej gospodarki
Wielowymiarowa analiza dyskryminacyjna została po raz pierwszy
zastosowana do prognozowania upadłości przedsiębiorstw w 1968 roku
przez E. I. Altmana, który stworzył najsłynniejszy do dziś model (sys-
tem) wczesnego ostrzegania [Hołda, Micherda, 2007, s. 104]. Ponieważ
systemów wczesnego ostrzegania opracowanych dla danej gospodarki
nie powinno się mechanicznie przenosić do innych gospodarek, w arty-
kule posłużono się jedynie modelami uwzględniającymi specyfikę pol-
skiej gospodarki. Wybrane modele wczesnego ostrzegania stworzone
dla gospodarki polskiej zostały przedstawione w tablicy 3.
Tablica 3. Charakterystyka wybranych modeli wczesnego ostrzegania
uwzgledniających specyfikę polskiej gospodarki
Model Charakterystyka
Gajdka–Stos
Wzór Z = 0,7732059 – 0,0856425 X1 + 0,0007747 X2 +
0,9220985 X3 + 0,6535995 X4 – 0,594687 X5
Zmienne X1 = przychody netto ze sprzedaży / aktywa ogółem
X2 = zobowiązania krótkoterminowe / koszt wytwo-
rzenia produkcji sprzedanej * 360
X3 = zysk netto / aktywa ogółem
X4 = zysk brutto / przychody netto ze sprzedaży
X5 = zobowiązania ogółem / aktywa ogółem
Cutoff Z = 0,45
Hołda
Wzór Z = 0,605 + 0,681 X1 – 0,0196 X2 + 0,00969 X3 +
0,000672 X4 + 0,157 X5
Zmienne X1 = aktywa obrotowe / zobowiązania krótkotermi-
nowe
X2 = zobowiązania ogółem / suma bilansowa * 100,
X3 = zysk netto / średnioroczny majątek ogółem *
100
X4 = średnioroczne zobowiązania krótkoterminowe /
koszt sprzedanych produktów, towarów i materia-
łów * 360
X5 = przychody ogółem / średnioroczny majątek
ogółem
Cutoff Z1 = +0,1; Z2 = –0,3
Marcin Spychała 476
Appenzeller
–Szarzec
Wzór Z = 0,19138 X1 + 2,66610 X2 – 0,00500208 X3 –
0,00951358 X4 + 0,000628865 X5 – 0,556326
Zmienne X1 = wskaźnik bieżącej płynności (majątek obrotowy
/ zobowiązania krótkoterminowe)
X2 = marża zysku operacyjnego (zysk operacyjny /
przychody ze sprzedaży netto)
X3 = rotacja zapasów w dniach
X4 = dług / EBITDA
X5 = cykl operacyjny w dniach (rotacja należności w
dniach + rotacja zapasów w dniach)
Cutoff Z = 0,0
Hamrol
Wzór Z = 3,562 X1 + 1,588 X2 + 4,288 X3 + 6,719 X4 – 2,368
Zmienne X1 = wynik finansowy netto / majątek całkowity
X2 = (majątek obrotowy – zapasy) / zobowiązania
krótkoterminowe
X3 = kapitał stały / majątek całkowity
X4 = wynik finansowy ze sprzedaży / przychody ze
sprzedaży
Cutoff Z = 0,0
Hadasik
Wzór Z = 2,36261 + 0,365425 X1 – 0,765526 X2 – 2,40435 X3
+ 1,59079 X4 + 0,00230258 X5 – 0,0127826 X6
Zmienne X1 = aktywa bieżące / zobowiązania bieżące,
X2 = (aktywa bieżące – zapasy) / zobowiązania bie-
żące,
X3 = zobowiązania ogółem / aktywa ogółem,
X4 = (aktywa bieżące – zobowiązania krótkotermi-
nowe) / pasywa ogółem,
X5 = należności / przychody ze sprzedaży,
X6 = zapasy / przychody ze sprzedaży
Cutoff Z = 0,0
Mączyńska
(quick test)
Zmienne W1 = udział kapitału własnego w aktywach,
W2 = spłata długu w latach (kapitał obcy / [zysk net-
to + amortyzacja]),
W3 = operacyjna rentowność aktywów,
W4 = relacja między zyskiem i amortyzacją a przy-
chodami
Skala
ocen
1 – bardzo dobra, 2 – dobra, 3 – średnia, 4 – zła, 5 –
zagrożenie upadłością
Źródło: Opracowanie własne na podstawie [Gajdka, Stos, 1996, s. 56], [Hołda, Micherda,
2007, s. 122], [Hołda, 2001, s. 308], [Zaleska, 2002, s. 41], [Appenzeller, Szarzec, 2004,
s. 25], [Pieńkowska, 2005, s. 151], [Hamrol i inni, 2004, s. 38], [Hadasik, 1998, s. 166], [Mą-
czyńska, 1994, s. 42].
Zastosowanie analizy wskaźnikowej oraz modeli… 477
Wszystkie przedstawione w tablicy 3 modele wczesnego ostrzega-
nia, poza modelem Mączyńskiej, mają postać funkcji dyskryminacyjnej
Z. Jednym z pierwszych systemów wczesnego ostrzegania, zbudowa-
nych w oparciu o dane przedsiębiorstw prowadzących działalność
w Polsce, jest model J. Gajdki i D. Stosa [Zdyb, 2001, s. 36]. Punkt kry-
tyczny (Cutoff) dla przedstawionej funkcji dyskryminacyjnej Z modelu
Gajdki–Stosa wynosi 0,45. Oznacza to, iż wartości Z powyżej 0,45 wska-
zują, że kondycja finansowa badanego przedsiębiorstwa jest dobra i nie
grozi jemu bankructwo, natomiast w przeciwnej sytuacji prawdopodo-
bieństwo upadłości tego przedsiębiorstwa jest znaczne [Hołda, Micher-
da, 2007, s. 122]. Cechą charakterystyczną niektórych systemów wcze-
snego ostrzegania jest występowanie tzw. szarej strefy, w której popeł-
nia się najwięcej błędów w klasyfikacji przedsiębiorstw do kategorii za-
grożonych i nie zagrożonych upadłością. W modelu Hołdy górną grani-
cę niepewności przyjęto na poziomie +0,1 (powyżej tej wielkości wystę-
puje małe prawdopodobieństwo upadłości), a dolną na poziomie –0,3
(poniżej tej wartości prawdopodobieństwo bankructwa wydatnie wzra-
sta) [Hołda, 2001, s. 309]. Dla pozostałych zastosowanych w artykule
modeli wczesnego ostrzegania – Appenzeller–Szarzec, Hamrola i Hada-
sik – punkty krytyczne zostały ustalone na poziomie 0,0. Kształtowanie
się wartości funkcji dyskryminacyjnej Z modeli: Gajdki–Stosa, Hołdy,
Appenzeller–Szarzec, Hamrola i Hadasik w spółkach Krosno S.A. oraz
Irena S.A. w latach 2006-2008 przedstawia tablica 4.
Odnosząc przedstawione w tablicy 4 wyniki do wartości krytycznej
funkcji dyskryminacyjnej modelu Gajdki–Stosa, można dojść do wnio-
sku, iż w latach 2006-2007 w obu badanych spółkach nie występowały
symptomy zagrożenia bankructwem. W tym okresie wartości tej funkcji,
zarówno dla Krośnieńskich Hut Szkła Krosno S.A., jak i Huty Szkła Go-
spodarczego Irena S.A. kształtowały się na poziomie wyższym od war-
tości krytycznej (0,45), co oznacza, że nie istniało zagrożenie upadłością
obu przedsiębiorstw. Kondycja finansowa spółki Irena S.A. była wów-
czas nieco lepsza i poprawiała się, a spółki Krosno S.A. nieco słabsza
i pogarszała się. Wartości funkcji dyskryminacyjnej modelu Gajdki–
Stosa dla obu badanych spółek w 2008 roku były nie tylko niższe od
wartości krytycznej, lecz nawet ujemne. Oznacza to, iż w ostatnim ba-
danym roku spółki Krosno S.A. i Irena S.A. były poważnie zagrożone
upadłością, istniało zatem niebezpieczeństwo utraty zdolności do kon-
tynuacji działalności. Poniosły one bowiem wówczas zarówno stratę
Marcin Spychała 478
brutto, jak i stratę netto, a ponadto w ostatnim badanym roku wzrosły
ich zobowiązania krótkoterminowe i długoterminowe. Model wczesne-
go ostrzegania Gajdki i Stosa w ostatnim badanym roku zaklasyfikował
zatem obie badane spółki do grupy przedsiębiorstw zagrożonych upa-
dłością. Potwierdzała to rzeczywistość. Można zatem stwierdzić, iż mo-
del ten jest dobrze dostosowany do polskich warunków gospodarczych.
Tablica 4. Wartości funkcji dyskryminacyjnych Z wybranych modeli wcze-
snego ostrzegania oraz wynik quick testu Mączyńskiej
Model Spółka 2006 2007 2008
Gajdka–Stos Krosno 0,50 0,49 -0,44
Irena 0,54 0,63 -0,54
Hołda Krosno 0,84 0,80 -1,43
Irena 0,76 0,87 -0,59
Appenzeller–Szarzec Krosno -0,83 -0,70 -2,80
Irena -1,07 -0,80 -1,17
Hamrol Krosno 2,02 2,20 -4,87
Irena 1,00 1,69 -2,98
Hadasik Krosno 1,26 1,20 -1,42
Irena 1,39 1,39 0,25
Mączyńska (quick test) Krosno 3,25 3,25 5,00
Irena 3,75 3,00 4,25
Źródło: Opracowanie własne.
Wyniki badania przeprowadzonego przy użyciu modelu Hołdy są
zbieżne z wynikami otrzymanymi z zastosowaniem modelu Gajdki–
Stosa. W dwóch pierwszych badanych latach wartości funkcji dyskry-
minacyjnej dla obu spółek kształtowały się powyżej 0,1, co oznacza,
iż prawdopodobieństwo ich upadłości było bardzo małe. Jednak w 2008
roku wartości funkcji dyskryminacyjnej Z modelu Hołdy dla obu bada-
nych spółek spadły poniżej wartości granicznej –0,3, co oznacza wysokie
prawdopodobieństwo ich bankructw.
System wczesnego ostrzegania D. Appenzeller i K. Szarzec zaklasy-
fikował badane spółki do kategorii zagrożonych bankructwem. W całym
badanym okresie Krosno S.A. oraz Irena S.A. były poważnie zagrożone
upadłością, a prawdopodobieństwo bankructwa na przestrzeni trzech
lat w obu przypadkach wzrosło. „Najbezpieczniejszy” dla obu spółek
był rok 2007, jednak także wówczas wartości funkcji Z były ujemne.
W 2006 roku bardziej narażona na bankructwo była spółka Irena S.A.,
a w 2008 roku – spółka Krosno S.A. Model Appenzeller-Szarzec ocenił
Zastosowanie analizy wskaźnikowej oraz modeli… 479
zatem kondycję finansową badanych spółek jako bardzo złą i zaklasyfi-
kował je do kategorii bankrutów.
Interpretując wyniki otrzymane w wyniku zastosowania modelu
Hamrola można dojść do wniosku, iż w latach 2006 i 2007 obie badane
spółki nie były zagrożone upadłością. Dodatkowo, ich kondycja finan-
sowa uległa w 2007 roku poprawie, o czym świadczy wzrost wartości
funkcji dyskryminacyjnej. W dwóch pierwszych rozpatrywanych latach
lepsza była kondycja finansowa spółki Krosno S.A. niż spółki Irena S.A.
Sytuacja uległa gwałtownej zmianie w 2008 roku. Nie dość, że wartości
funkcji dyskryminacyjnej drastycznie spadły poniżej zera, to jeszcze –
w przeciwieństwie do lat poprzednich – w gorszej kondycji finansowej
znalazły się Krośnieńskie Huty Szkła Krosno S.A., dla których funkcja ta
przyjęła niższą wartość niż dla Huty Szkła Gospodarczego Irena S.A.
Gwałtowne pogorszenie kondycji finansowej rozpatrywanych spółek
w ostatnim badanym roku było spowodowane przede wszystkim świa-
towym kryzysem gospodarczym, a także poniesionymi stratami obu
spółek na operacjach instrumentami pochodnymi. Podsumowując,
można stwierdzić, iż wyniki zastosowania modelu Hamrola są również
zbieżne z rzeczywistością.
Wyniki badania zagrożenia upadłością spółek Krosno S.A. oraz Ire-
na S.A. przy użyciu funkcji dyskryminacyjnej Hadasik są zbieżne z wy-
nikami wcześniej przeprowadzonych badań. Wartości funkcji dyskry-
minacyjnej Z w obu przypadkach na przestrzeni lat 2006-2008 uległy
zmniejszeniu, co można interpretować, iż obie badane huty szkła były
coraz bardziej zagrożone upadłością. Jednak model wczesnego ostrze-
gania Hadasik pokazuje, iż bardziej prawdopodobne było bankructwo
spółki z Podkarpacia. Można wysnuć hipotezę, iż model Hadasik cechu-
je się dużą wrażliwością – wartości funkcji Z dla badanych spółek, mimo
iż w obu przypadkach niskie, są jednak mocno zróżnicowane. Wartość
funkcji Z dla Huty Szkła Gospodarczego Irena S.A. w ostatnim badanym
roku nie przekroczyła wartości krytycznej, podczas gdy w tym samym
roku wartość funkcji Z obliczona dla Krośnieńskich Hut Szkła Krosno
S.A. jest ujemna. Dodatkowo, zagrożenie upadłością Krosna S.A. diame-
tralnie wzrosło, co jest uwidocznione w tym, iż wartość bezwzględna
funkcji Z dla Krosna w 2008 roku jest najwyższa spośród wszystkich
pozostałych wartości funkcji Z obliczonych dla obu przedsiębiorstw.
Podsumowując, model Hadasik wskazuje, iż zagrożenie upadłością obu
badanych hut szkła w ostatnim okresie systematycznie wzrastało, przy
Marcin Spychała 480
czym wskaźniki systemu klasyfikowały Krośnieńskie Huty Szkła do
kategorii bankrutów.
Kompleksową oceną zagrożenia upadłością przedsiębiorstw działa-
jących w polskich warunkach gospodarczych zajmowała się także Mą-
czyńska, która oprócz modelu wczesnego ostrzegania w postaci funkcji
dyskryminacyjnej, opracowała również metodę quick testu. Quick test to
metoda szybkiego testowania kondycji podmiotu gospodarczego przy
pomocy czterech wskaźników (tablica 3) – dwóch określających stabil-
ność finansową przedsiębiorstwa oraz dwóch odzwierciedlających sytu-
ację rynkową. Wskaźnikom quick testu nadawana jest pięciostopniowa
skala ocen – od najwyższej (1) do najniższej (5). Zatem im dane przed-
siębiorstwo osiągnie wyższą średnią punktów quick testu, tym jest bar-
dziej zagrożone upadłością. Analiza danych w tablicy 4 nie pozostawia
złudzeń – zarówno Krośnieńskie Huty Szkła Krosno S.A., jak i Huta
Szkła Gospodarczego Irena S.A. – były poważnie zagrożone upadłością
w 2008 roku. Quick test Mączyńskiej jednoznacznie klasyfikuje zarówno
spółkę Krosno S.A., jak i spółkę Irena S.A. do kategorii bankrutów.
Zakończenie Sporządzenie wiarygodnej prognozy kondycji finansowej danego
przedsiębiorstwa w najbliższej i dalszej przyszłości nie jest sprawą ła-
twą. Klasyczna analiza wskaźnikowa zazwyczaj nie prowadzi bowiem
do jednoznacznych wniosków. Rozwiązaniem tego problemu może być
zastosowanie wielowymiarowej analizy dyskryminacyjnej, w której
ocenia się kondycję finansową rozpatrywanego przedsiębiorstwa na
podstawie średniej ważonej wybranych wskaźników finansowych. Obli-
czona wartość funkcji dyskryminacyjnej umożliwia syntetyczną ocenę
tej kondycji poprzez zakwalifikowanie danej jednostki do jednej
z dwóch grup – przedsiębiorstw nie zagrożonych lub zagrożonych upa-
dłością.
Analiza wskaźnikowa wykazała, iż sytuacja finansowa zarówno
Huty Szkła Gospodarczego Irena S.A., jak i Krośnieńskich Hut Szkła
Krosno S.A. z każdym rokiem ulegała pogorszeniu. W przypadku obu
spółek wskaźniki zadłużenia systematycznie rosły, a wskaźniki płynno-
ści regularnie malały. Z kolei wskaźniki rentowności do 2007 roku rosły,
po czym gwałtownie spadły w roku 2008. O ile wskaźniki zadłużenia
były w całym badanym okresie na poziomie wyższym (gorszym)
w przypadku Krosna S.A., o tyle wskaźniki rentowności były niższe
Zastosowanie analizy wskaźnikowej oraz modeli… 481
w przypadku Ireny S.A. Wskaźniki płynności w pierwszych dwóch la-
tach badania kształtowały się na wyższym poziomie w przypadku Kro-
sna S.A., a w ostatnim badanym roku – w przypadku Ireny S.A.
Bardziej ujednolicone niż w przypadku analizy wskaźnikowej są
wyniki badań wykorzystujące wielowymiarową analizę dyskryminacyj-
ną do oceny zagrożenia upadłością. Wszystkie zastosowane do oceny
systemy wczesnego ostrzegania zaklasyfikowały w ostatnim rozpatry-
wanym roku (2008) obie spółki do kategorii bankrutów, przy czym
z większości przeprowadzonych badań wynika wniosek, iż zagrożenie
upadłością spółki Krosno S.A. było większe niż spółki Irena S.A. Dodat-
kowo, niemal wszystkie zastosowane modele wskazywały na pogarsza-
nie się sytuacji finansowej obu badanych spółek – z każdym rokiem
prawdopodobieństwo ich bankructwa było większe.
Wskazanie spółki Krosno S.A. przez wszystkie polskie modele jako
potencjalnego bankruta nie jest przypadkowe, co potwierdził rok 2009,
w którym spółka ta upadła. Podobne wnioski można wysnuć w odnie-
sieniu do spółki Irena S.A., jednak w 2008 roku jej kondycja finansowa
była lepsza niż spółki Krosno S.A. Przeprowadzone badania potwierdzi-
ły zatem hipotezę, zgodnie z którą systemy wczesnego ostrzegania
uwzględniające specyfikę polskiej gospodarki trafnie przewidują zagro-
żenie upadłością przedsiębiorstw. Natomiast analiza wskaźnikowa nie
daje jednoznacznej odpowiedzi, na pytanie: które z przedsiębiorstw jest
w gorszej kondycji finansowej. Różne grupy wskaźników w odmienny
sposób odpowiadają na to pytanie. Zastosowana w badaniach wielo-
wymiarowa analiza dyskryminacyjna jest obecnie uznawana za najlep-
sze narzędzie oceny zagrożenia bankructwem podmiotów gospodar-
czych.
Literatura 1. Altman E.I., Hartzell J., Peck M. (1998), Emerging market corporate
bonds – a scoring system, w: Emerging Market Capital Flows, Levich R.
(red.), Kluwer Academic Publishers, New York.
2. Altman E.I. (2005), An emerging market credit scoring system for corpo-
rate bonds, „Emerging Markets Review” nr 6.
3. Appenzeller D., Szarzec K. (2004), Prognozowanie zagrożenia upadłością
polskich spółek publicznych, „Rynek Terminowy” nr 1.
4. Brigham E. F., Houston J. F. (2005), Podstawy zarządzania finansami,
PWE, Warszawa, tom I.
Marcin Spychała 482
5. Gajdka J., Stos D. (1996), Wykorzystanie analizy dyskryminacyjnej
w ocenie kondycji finansowej przedsiębiorstw, Wydawnictwo Akademii
Ekonomicznej, Kraków.
6. Hadasik D. (1998), Upadłość przedsiębiorstw w Polsce i metody progno-
zowania, Wydawnictwo Akademii Ekonomicznej, Poznań.
7. Hamrol M., Czajka B., Piechocki M. (2004), Upadłość przedsiębiorstwa
– model analizy dyskryminacyjnej, „Przegląd Organizacji” nr 6.
8. Hołda A. (2001), Prognozowanie bankructwa jednostki w warunkach go-
spodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH,
„Rachunkowość” nr 5.
9. Hołda A., Micherda B. (2007), Kontynuacja działalności jednostki i mo-
dele ostrzegające przed upadłością, Krajowa Izba Biegłych Rewidentów,
Warszawa.
10. Pieńkowska M. (2005), Weryfikacja skuteczności funkcji dyskryminacyj-
nych opracowanych dla rynku polskiego, w: Zagrożenie upadłością, Kuciń-
ski K., Mączyńska E. (red.), Instytut Funkcjonowania Gospodarki
Narodowej, Warszawa.
11. Mączyńska E. (1994), Ocena kondycji przedsiębiorstwa, „Życie Gospo-
darcze” nr 38.
12. Pomykalska B., Pomykalski P. (2007), Analiza finansowa przedsiębior-
stwa, WN PWN, Warszawa.
13. Rutkowski A. (2007), Zarządzanie finansami, PWE, Warszawa.
14. Zaleska M. (2002), Identyfikacja ryzyka upadłości przedsiębiorstwa i ban-
ku – systemy wczesnego ostrzegania, Wydawnictwo Difin, Warszawa.
15. Zdyb M. (2001), Ocena zagrożenia przedsiębiorstwa upadłością przy
zastosowaniu finansowych wskaźników syntetycznych, „Controlling
i Rachunkowość Zarządcza” nr 4.
Streszczenie Celem artykułu jest przedstawienie przydatności analizy wskaźnikowej
oraz modeli wczesnego ostrzegania do prognozowania upadłości przedsię-
biorstw. W artykule podjęto próbę weryfikacji hipotezy, według której modele
wczesnego ostrzegania trafnie przewidują zagrożenie upadłością przedsię-
biorstw, podczas gdy klasyczna analiza wskaźnikowa często nie prowadzi do
jednoznacznych wniosków. Analizie poddano następujące modele wczesnego
ostrzegania: Gajdki–Stosa, Hołdy, Appenzeller–Szarzec, Hamrola, Hadasik oraz
Mączyńskiej. Badania przeprowadzono na podstawie jednostkowych sprawoz-
dań finansowych Krośnieńskich Hut Szkła Krosno S.A. oraz Huty Szkła Go-
spodarczego Irena S.A. za lata 2006, 2007 i 2008. Wyniki badań potwierdzają
Zastosowanie analizy wskaźnikowej oraz modeli… 483
wysoką trafność prognoz upadłości przedsiębiorstw, sporządzonych za pomo-
cą modeli wczesnego ostrzegania.
Słowa kluczowe upadłość, analiza wskaźnikowa, model wczesnego ostrzegania
The application of ratio analysis and early warning models for pre-
dicting of bankruptcies of enterprises – Irena S.A. and Krosno S.A.
case study (Summary) The main aim of this article is to present usefulness of ratio analysis and
early warning models to predict the bankruptcy of enterprises. The article in-
cludes a hypothesis that the early warning models provide for the risk of bank-
ruptcies of enterprises correctly, while the classical ratio analysis does not lead
to clear conclusions. The following early warning models were analyzed:
Gajdka-Stos’s, Hołda’s, Appenzeller–Szarzec’s, Hamrol’s, Hadasik’s and
Mączyńska’s. The main sources of information were the individual financial
statements of Krosno SA and Irena SA for the years 2006, 2007 and 2008. Sum-
marizing the results confirm the high effectiveness of early warning models for
predicting of bankruptcies of enterprises.
Keywords bankruptcy, ratio analysis, early warning model