1. uvod - ekonomski fakultet u osijekuoliver.efos.hr/~dsajter/pdf/magistarski_rad.pdfbankovne krize...
TRANSCRIPT
1
11.. UUvvoodd
Prema istraživanjima, ukupni fiskalni troškovi bankovnih kriza 1996. i 1998. godine u
Republici Hrvatskoj iznosili su ne manje od 27 posto BDP-a, i ubrajaju se među najskuplje
bankovne krize u modernoj povijesti bankarstva u svijetu. Imamo li navedeno na umu, može
se reći kako nam je kao poreznim obveznicima Republike Hrvatske svima u interesu kreiranje
stabilnog modela ranog predviđanja poslovnih pote�koća banaka.
Predviđanje poslovnih pote�koća prilično je popularno područje ekonomije. Ovdje se
koriste najmodernija i najsuvremenija dostignuća matematike, statistike, informatičke
tehnologije i ostalih interdisciplinarnih znanosti kako bi se predvidjeli potencijalni događaji u
poduzeću koji, kako smo se i sami mogli uvjeriti, redovno nose ogromne troškove. Slobodno
se mo�e reći kako je područje predviđanja poslovnih pote�koća jedno od naja�urnijih u
ekonomiji uopće u smislu apliciranja najnovijih i obnavljanja postojećih znanstvenih metoda.
Tako se od 1919. godine kada je učinjeno prvo, rudimentarno istraživanje do danas
uporabljuje širok spektar od najjednostavnijih metoda, poput jednostruke diskriminacijske
analize, do onih iznimno kompleksnih i gotovo egzotičnih, poput teorije kaosa (koja je u
ekonomiju transferirana s područja kardiologije) i neuronskih mreža koje pokušavaju
reproducirati procese funkcioniranja mreže neurona u ljudskom mozgu.
Postoji ne�to zajedničko svim ovim metodama – gotovo sve metode kojima se
predviđaju poslovne pote�koće najče�će za ulazne podatke uzimaju financijsko
računovodstvene omjere.
Analiza financijsko računovodstvenih omjera abeceda je ekonomske analize poduzeća.
Općeprihvaćena je i do te mjere notorna da se priroda samih financijskih omjera gotovo uopće
ne razaznaje, ne preispituje i ne uzima u obzir, a još je slabija upućenost u bogatstvo
povijesnog naslijeđa istra�ivačkih studija o omjerima. Svakodnevno koristeći financijske
omjere od učeničkih klupa u ekonomskim �kolama preko ureda bankovnih holdinga do
istra�ivačkih ekonomskih instituta potrebno je imati na umu prečesto zanemarena, ali bitna
statistička obilje�ja omjera, njihove pretpostavke i ograničenja.
Copyr
ight
2
Stoga će drugo poglavlje ovog magistarskog rada biti usmjereno upravo na područje
financijskih omjera, njihovu povijest, statističke karakteristike, i aplikaciju omjera u
predviđanju poslovnih pote�koća.
Omjeri su savršeno jednostavni, i pokušaji njihovog usložnjavanja radi postizanja
savršenije metodologije gube iz vida tu njihovu osnovnu karakteristiku zbog koje i jesu toliko
popularni. Za analizu omjera potreban je najjednostavniji kalkulator, malo iskustva te olovka i
papir. Te�ko da će ovako 'moćnu' tehnologiju zamijeniti kompleksne metode. Slijedom ovoga
lak�e je razumjeti za�to nikada nije stvorena općeprihvaćena teorija omjera – omjeri su
notorni te jednostavno i dobro funkcioniraju u praksi da bi bila kakva teorija uopće bila nu�no
potrebna. Nasuprot omjerima, ono što zaista napreduje i što se obnavlja iz dana u dan jesu
statističko-matematičke tehnike, odnosno metode koje ove omjere analiziraju.
Razvojem znanosti općenito, a osobito naprecima u matematici, statistici, i ostalim
interdisciplinarnim znanostima nastaju nove i evoluiraju stare metode analize podataka, koje
se vrlo brzo transferiraju na područje ekonomije, a najče�će se "hrane" omjerima kao ulaznim
podacima. Treće će poglavlje rada prikazati tijek ekonomsko-istra�ivačke misli, odnosno
razvoj metoda, modela i tehnika koje obrađuju omjere s ciljem predviđanja poslovnih
pote�koća. Posebno će biti obrađene metode koje će se u ovom radu uporabiti, sa svojim
statističko-metodolo�kim specifičnostima.
Već je istaknuto kako je učinjeno mno�tvo najrazličitijih studija na području
predviđanja poslovnih pote�koća, te kako bujica ne jenjava, no u Hrvatskoj nismo imali slična
istraživanja. Naravno, ovo ne treba pripisati nezainteresiranosti, jo� manje neupućenosti
domaćih znanstvenika, nego činjenici kako na�a poduzeća donedavno nisu funkcionirala po
tr�i�nim principima nego po načelima centralno upravljane dru�tvene korisnosti. Kad bi htjeli
istraživati poduzeća u Republici Hrvatskoj, početak bi trebao biti početkom/sredinom 1990-
tih, �to čini nevelik niz prilično nestabilnih godina (inflacija, rat, tr�i�na ekonomija u
povojima) za dono�enje čvrstih zaključaka. Također valja imati na umu kako je Hrvatska
relativno maleno tržište i kako je vrlo teško prikupiti usporedive omjere. U SAD-u Beaver već
1966. ističe kako je vrlo te�ko prikupio podatke, te da je uspio analizirati svega 79 tvrtki. No,
danas u SAD-u postoje baze podataka (npr. COMPUSTAT) i specijalizirana poduzeća koja se
bave prikupljanjem financijskih izvještaja te formiranjem i analizom omjera na osnovi kojih
se mogu provoditi kvalitetna istraživanja. U Hrvatskoj takvo što nažalost ne postoji, no
oportuno je uspoređivati Hrvatsku i SAD u ovom području.
3
Uz sve nedostatke, danas u Hrvatskoj imamo prednost koja le�i u činjenici da je dobar
dio povijesti istra�ivanja poslovnih pote�koća već ispisan, te da mo�emo koristiti dobra,
provjerena rje�enja koja funkcioniraju i izbjeći poznata nam 'minska polja', bez nužne potrebe
kreiranja novih, dosad nepostojećih modela.
Imajući sve navedeno na umu, ovaj će se magistarski rad baviti predviđanjem
poslovnih pote�koća banaka u Republici Hrvatskoj kori�tenjem poznate i u praksi provjerene
metodologije.
Zašto istra�ivanje pote�koća upravo bankovnog sektora? Banke su poduzeća od opće
dru�tvene va�nosti, javno dobro kod kojih gotovo nema građana koji nema otvoren �tedni,
tekući, ili drugi račun. Slijedom toga, u interesu je dr�ave i njenih građana da banke posluju
po načelima sigurnosti, profitabilnosti i diversifikacije rizika, �to se ne mo�e reći da je
apsolutno nu�no i za ostale vrste poduzeća. Tako banke posluju u poprilično krutom
okru�enju zakonske regulative, međunarodnih standarda, dobre prakse, i stalnog nadzora
sredi�nje banke, u svojevrsnoj ograničenoj slobodi poslovanja zbog vi�ih interesa. Premda se
promjene u poslovanju banke nikada ne odra�avaju u njenim financijskim izvje�ćima u
realnom vremenu, mo�e se ipak reći kako su financijska izvje�ća banaka relativno dobar
pokazatelj njihove stvarne poslovne pozicije.
Stručnjaci znaju kako su ostale vrste poduzeća (osobito manja) sklona prezentirati
vlastita financijska izvje�ća na način na koji očekuju da će im najbolje slu�iti za postizanje
dobre slike kod onoga za koga se izvje�će formira, odnosno kome se prezentira (zajmodavcu,
poreznoj upravi, poslovnim partnerima, te ostalim interesentima za stanje tvrtke). Ovo se u
mnogim istra�ivanjima poslovnih pote�koća često očituje u smanjenoj točnosti u kratkom
roku (godinu do dvije dana prije stečaja), pa se tako suprotno očekivanjima bolji rezultati
često predviđanja posti�u u dugom roku.
Upravo stoga jer su uprave poduzeća, slijedom asimetrije informacija, najbolje
upućena u stvarni polo�aj tvrtke, u kriznoj situaciji kada prijeti poslovni slom u stanju su
učiniti sve �to je u njihovoj moći kako bi spasile �to se spasiti da. Najrazličitijim operacijama
mogu iskriviti financijska izvje�ća, odnosno mogu ih učiniti takvima da ona ne odra�avaju
stvarnu poziciju poduzeća. U praksi takve operacije ne moraju nužno biti protuzakonite.
Naravno da istra�ivanja poslovnih pote�koća temeljem omjera koji su formirani iz navedenih
izvje�ća rezultiraju nestabilnim modelima i velikom razinom pogre�ke.
Copyr
ight
4
Situacija je u bankovnom sustavu ipak drugačija. Nad bankama postoji čvr�ći sustav
nadzora (zbog već navedenih specifičnosti), te izuzmemo li radikalne devijacije, financijska
su izvje�ća banaka u pravilu vjerodostojna. Kao takva, odličan su temelj za formiranje modela
predviđanja poslovnih pote�koća.
Još su dva bitna razloga za izbor bankovnog sustava u ovom radu. Hrvatska narodna
banka po slu�benoj du�nosti prikuplja financijska izvje�ća svih banaka u sustavu. Kada ovog
ograničenja na bankovni sektor ne bi bilo prilično bi se te�ko prikupili pokazatelji poslovanja
različitih poduzeća. Ovako se sva izvje�ća mogu dobiti na jednom mjestu.
Uz ovo, budući se mogu prikupiti izvje�ća svih banaka ne mora se konstruirati
statistički reprezentativan uzorak, nego se model mo�e konstruirati na gotovo cijeloj
populaciji (pojedini slučajevi ipak su morali biti isključeni), čime se izbjegavaju brojni
statističko – metodološki problemi.
5
22.. PPrreeddvviiđđaannjjee ppoosslloovvnniihh ppootteešškkooććaa tteemmeelljjeemm ffiinnaanncciijjsskkiihh
oommjjeerraa Uporaba u predviđanju poslovnih pote�koća traje već vrlo dugo, no principi izbora
omjera za ovu analizu proizvoljni su i variraju od ekonomista do ekonomista. Jedno se pravilo
izgleda ipak nikad ne mijenja, a to je da se odabir vr�i po metodi učestalosti omjera u
postojećoj literaturi uz obvezno garniranje po �elji istra�ivača – izbaci se par, te uvrsti par
vlastitih (ponosno novih) omjera1. U ovom su radu omjeri formirani sukladno mogućnostima,
odnosno dostupnim podacima, i to prema specifičnostima bankovnog sektora.
Proučavajući zaista velik opseg literature za ovaj rad uočava se bogata povijest studija
o financijsko računovodstvenim omjerima, te cikličko ponavljanje istih (ili sličnih) pitanja �to
je ipak indikacija nepoznavanja ovog iscrpnog naslijeđa brojnih djela koji su to isto pitanje
postavili prije gotovo stotinu godina. Npr., koja je priroda omjera? Mogu li se formirati i
koristiti proizvoljno? Koju metodologiju koristiti? Koji su nedostaci, i kako utječu na rezultate
analize? U 2.1.1. ukratko će biti izlo�ena povijest omjera.
Statističko – metodološka pozadina omjera rijetko se uzima u obzir, što je
najvjerojatnije posljedica nepostojanja konzistentne i općeprihvaćene teorije financijskih
omjera, a manje nepoznavanja materije. "Ne postoji standardna definicija ključnih omjera
koje se svakodnevno koriste u medijima, pri analizama, reviziji, itd. Npr., ROCE (return on
capital employed) - povrat na investirani kapital, omjer koji je u vrlo širokoj uporabi, nema
standardni način izračuna."2 No treba priznati kako je analiza omjera 'abeceda' ekonomske
analize poduzeća – zaista već gotovo banalna, te se rijetko istra�uje i kritički preispituje.
Pododjeljak 2.1.2. bavit će se upravo ovom tematikom.
U 2.2. opisat će najbitnija i najutjecajnija istra�ivanja i modele koji su kroz povijest
bili korišteni u predviđanju poslovnih pote�koća, a koja koriste omjere kao ulazne podatke.
1 Niti ovaj rad neće odstupiti od ovog pravila. 2 Gardiner, Marc; Financial ratios: Can you trust them?, Management Accounting: Magazine for
Chartered Management Accountants, September 1997., Vol. 75 Issue 8, str.30
Copyr
ight
6
2.1. Financijsko računovodstveni omjeri
Ideja je u biti vrlo jednostavna: dvije stavke iz javnih računovodstvenih izvje�ća
poduzeća stave se u odnos, te ovaj novostvoreni omjer usporedimo s istim takvim omjerom
formiranim iz podataka za neko drugo poduzeće, ili koristimo u analizi, primjerice, za
predviđanje izglednosti stečaja poduzeća. No, �to su zaista omjeri? Kako su nastali? Mogu li
se bezazleno i jednostavno koristiti u analizi, npr. predviđanju poslovnih pote�koća, ili postoje
neke činjenice koje treba imati na umu? Treba li revidirati omjere prema jasnom skupu
pravila oko kojega postoji generalni konsenzus istra�ivača? Postoji li uopće takav konsenzus?
Ova se pitanja uglavnom ne postavljaju jer su financijsko računovodstveni omjeri3 već
toliko uvriježena, redovna i gotovo banalna pojava u ekonomskoj misli da se konstruiraju po
poznatom receptu: a/b, ili b/a. McDonald i Morris ovu su činjenicu izrazili na slijedeći način:
"Analiza omjera je popularna ne zbog svoje strukturne vrijednosti nego zbog prikladnosti."4
2.1.1. Povijest financijsko računovodstvenih omjera
Povijesni pregled analize omjera započinje naglim industrijskim razvojem SAD-a u
drugoj polovini 19. stoljeća. Rastom i razvojem profesionalnog poslovnog upravljanja i
financijskog sektora rasla je i potreba za adekvatnim financijskim izvje�ćima. Premda se ne
mogu potpuno jasno razlučiti, putovi razvoja analize omjera za potrebe vjerovnika i za
potrebe upravljanja bili su različiti. Kreditori nagla�avaju mjeru sposobnosti plaćanja, dok
menadžeri traže pravu mjeru profitabilnosti. U ranim godinama dominirao je put kreditnih
analitičara, stoga je potrebno pratiti upravo njih kako bi razumjeli evoluciju omjera.
Usporedno s odobravanjem zajmova poduzećima u 1870-tima komercijalne banke
počele su zahtijevati financijska izvje�ća, ali ovo nije bila ra�irena praksa sve do 1890-tih
godina. Krajem 19. st. obujam i tok financijskih informacija značajno je narastao. Ovaj tok
podataka u početku je bio analiziran stavku po stavku, zatim je uvedena usporedba u
3 U ovom radu termini omjeri, financijski omjeri, i financijsko računovodstveni omjeri koriste se kao
sinonimi. 4 McDonald, Bill; Morris, Michael H.; The Statistical Validity Of The Ratio Method In Financial
Analysis, Journal of Business Finance & Accounting, Spring 1984., Vol. 11 Issue 1, str.89
7
stupcima, da bi konačno odnosi među pojedinim stavkama bili uspoređivani. Pred sam kraj
1890-tih uvedena je praksa uspoređivanja kratkotrajne imovine i kratkoročnih obveza, te iako
treba reći da su i drugi omjeri bili razvijeni, ovaj tzv. 'tekući omjer' imao je najznačajniji i
najdugotrajniji utjecaj na formiranje financijskih izvje�ća.
Na prijelazu stoljeća, prije i tijekom I. svjetskog rata dogodile su se bitne promjene, i
to endogenog karaktera. Bio je začet prilično velik spektar omjera5, zatim su se pojavili
apsolutni kriteriji omjera (od koji je najpoznatiji 2:1 za tekući omjer), te se konačno
prepoznala potreba usporedbe poduzeća i sukladno ovome uvođenja relativnih kriterija
omjera. No, uz sve navedeno, treba priznati kako su se ipak samo rijetki analitičari koristili
omjerima.
Alexander Wall – Studija kreditne barometrije Alexander Wall je 1912. godine reagirao na evidentnu potrebu za relativnim
kriterijima omjera i počeo prikupljati veliki uzorak financijskih izvje�ća. Analiza je
kulminirala u radu koji je postao klasičan, a koji je iza�ao 1919. godine pod nazivom Studija
kreditne barometrije6, u kojoj je kompilirao sedam omjera za 981 poduzeće, za nespecificirani
vremenski period, stratificiranih po djelatnosti i geografskom položaju. Iako ih nije detaljno
analizirao, vjerovao je da je na�ao velike varijacije među omjerima ovisno o geografskom
području i vrsti poduzeća. Prema dana�njim standardima ova bi studija bila podložna burnoj
kritici, no tada je značila prekretnicu jer je bila vrlo čitana i �iroko prihvaćena, te povijesno
gledano mo�emo reći da je Wall među prvima popularizirao ideju kori�tenja omjera i njihove
empirijske usporedbe.
Istodobno, u području menadžerske uporabe omjera sazrjela je zamisao profitne marže
i prometa, te je 1919. kompanija du Pont uvela triangularni sustav u procjeni operativnih
rezultata. Vrh trokuta bio je omjer prinosa na investiciju (dobit/ukupna imovina), a bazu su
činili omjer dobiti i prodaje, te omjer prodaje i ukupne imovine. Zanimljivo, ovaj je sustav (za
razliku od Wallove studije) ostao neprimijećen desetljećima.
5 James Cannon, pionir analize financijskih izvje�ća, koristio je deset omjera već 1905. pri promatranju
zajmoprimaca. 6 Wall, A.; Study of Credit Barometrics, Federal Reserve Bulletin, ožujak 1919., str. 229-243
Copyr
ight
8
Dvadesetih je godina pro�log stoljeća interes za omjere 'eksplodirao', velikim dijelom
kao reakcija na Wallov rad. Različite institucije počele su se baviti kompiliranjem financijskih
izvje�ća od kojih su prve bile United Typothetae of America - trgovinska udruga, 1922.;
Harvard Business School - sveučili�te, 1923.; Robert Morris Associates - kreditna agencija,
1923. Ovo brzo razmno�avanje omjera koje je tada počelo traje sve do danas.
Hoteći na neki način smanjiti opseg nekontroliranog burnog umno�avanja raznih omjera
Wall je razvio indeks omjera, koji je u biti bio ponderirani prosjek različitih omjera gdje su
ponderi bili relativne vrijednosti koje je pojedini analitičar dodijelio svakom omjeru. Njegov
napor u stvaranju naivne linearne funkcije diskriminacije bio je ismijan.
Prve kritike, pragmatični empirizam i prva predviđanja temeljem omjera
Desetljeće 1920-tih bio je period velikog entuzijazma za mogućnostima uporabe
omjera kao analitičkog alata, i prvi realni kritičari pojavili su se u tom razdoblju. Stephen
Gilman7 je 1925. godine do�ao do slijedećih zaključaka:
1. promjene omjera kroz vrijeme ne mogu se ispravno interpretirati jer i brojnik i
nazivnik mogu varirati,
2. omjeri su "umjetne" mjere,
3. odvlače pa�nju analitičara od sveobuhvatnog pogleda na poduzeće, i
4. pouzdanost omjera kao indikatora bitno varira među pojedinim omjerima.
Navedene zaključke i danas moramo imati na umu.
Gilman je bio oponent onima koji su omjere tada nazivali fundamentalnim mjerama
usporedbe. Unatoč ovom početnom entuzijazmu i reakciji koju je proizveo nije se razgranala
mre�a autora koji bi obrađivali ovu granu ekonometrije, te je početni zanos bio (kako to
obično biva) izgubljen.
Tridesetih godina XX. stoljeća dogodila su se dva bitna napretka.
I. ) Prvi je utjelovljen u diskusiji između grupa koje su formirale svaka svoj skup
omjera za koji su smatrali da je najefikasniji. Tako je najuspješniji promotor vlastite skupine
od konačno četrnaest omjera bio Roy A. Foulke, i to stoga jer je imao pristup podacima (radio
je u National Credit Office) te je mogao redovno formirati podatke za svoju grupu, no nije bio
7 Gilman, S.; Analyzing financial statements, The Ronald Press Company, 1925., str. 111-112
9
široko priznat dok nije došao pod okrilje svog novog poslodavca koji se nazivao (i danas
naziva) Dun&Bradstreet.
Publikacije njegovih omjera počele su izlaziti su 1933. godine, i ova kolekcija ubrzo je
postala jedna od najutjecajnijih i najpoznatijih serija omjera.
Foulke je značajan i po svom pristupu odabira omjera kojeg možemo nazvati
pragmatični empirizam. Naime, izbor omjera opravdavao je samo autoritetom dugotrajnog
iskustva, a bilo kakvu a priori analizu ili teoretsko izvođenje smatrao je inferiornim, te je u
ovom stavu imao puno istomišljenika.
II. ) Drugi značajan napredak mo�e se promatrati kao razmi�ljanje suprotno
empirizmu, premda su im neke ideje zajedničke. U ranim tridesetima učinjene su prve studije
efikasnosti omjera u predviđanju poslovnih pote�koća. Vi�e o njima bit će riječi u tekstu koji
slijedi, a ovdje će se spomenuti:
1) Raymond Smith i Arthur Winakor 19308, i 19359 godine analizirali su
desetogodi�nji trend aritmetičkih sredina dvadeset i jednog omjera, no ne
analiziraju grupu poduzeća bez problema kao protutežu.
2) Paul Fitzpatrick u radu objavljenom 1931.10 godine promatrao je tri do pet
godina unazad trendove trinaest omjera za 20 poduzeća sa te�koćama.
Slijedeće, 1932. godine11 usporedio ih je sa devetnaest poduzeća bez te�koća.
3) Ramser i Foster12 1931. godine analizirali su jedanaest omjera iz 173
poduzeća s ciljem predviđanja poslovnih pote�koća.
4) Charles Merwin objavio je 1942. godine13 prvu rafiniranu i usavršenu studiju
predviđanja poslovnih pote�koća uporabom omjera. "Do Beaverovog
istra�ivanja započetog 1965. god. ovo je bila unatoč godinama najbolja studija
8 Smith, Raymond F.; Winakor, Arthur H.; A Test Analysis of Unsuccessful Industrial Companies,
Bulletin No.31, Urbana, University of Illinois, Bureau of Business research, 1930. 9 Smith, Raymond F.; Winakor, Arthur H.; Changes in the Financial Structure of Unsuccessful Industrial
Corporations, Bulletin No.51, Urbana, University of Illinois, Bureau of Business research, 1935 10 Fitzpatrick, Paul J.; Symptoms of Industrial Failures, Catholic Universita of America Press, 1931. 11 Fitzpatrick, Paul J.; A Comparison of the Ratios of Succesful Industrial Enterprises with Those of
Failed Companies, The Accountants Publishing Company, 1932. 12 Ramser, J.R.; Foster, Louis O.; A Demonstration of Ratio Analysis, Bulletin No.40, Urbana, University
of Illinois, Bureau of Business research, 1931. 13 Merwin, Charles L.; Financing Small Corporations in Five Manufacturing Industries in 1926-1936,
National Bureau of Economic Research, 1942.
Copyr
ight
10
sposobnosti predviđanja poslovnih pote�koća kori�tenjem financijskih omjera,
i čiji su rezultati jo� uvijek uvjerljivi."14
5) William Beaver 1966. godine15 objavljuje rad u kojem prvi puta koristi
znanstvenu metodologiju u proučavanju omjera u svrhu predviđanja.
6) Meir Tamari pokušao je 1966. godine16 arbitrarno odrediti snagu pojedinog
omjera u predviđanju stečaja.
7) Edward Altman 1968. godine17 čini mo�da najznačajniju prekretnicu.
Uporabom sofisticiranih statističkih tehnika formira model predviđanja
poslovnih pote�koća koji iznimno popularizira omjere, te stvara val novih
istra�ivanja, i bez imalo patetike mo�e se reći kako Altman otvara novu
stranicu povijesti omjera.
8) Altmanovim radom mo�emo reći da počinje suvremena povijest uporabe
omjera u svrhu predviđanja poslovnih pote�koća. Dolazi do iznimne
popularizacije ovog područja ekonomije i velik se broj istra�ivača počinje
baviti ovim područjem. Primjenjuju se brojne nove metode, i slobodno se
mo�e reći kako je ova grana ekonomije jedna od najbr�e razvijajućih u smislu
kori�tenja najnovijih tehnologija i primjeni najsuvremenijih (često egzotičnih)
metoda.
Od II. svjetskog rata naglašava se uporaba omjera za potrebe menadžmenta, osobito u
analizi povrata na investicije. Uz to, akcentira se uloga omjera u poslovanju malih poduzeća,
te bujaju publikacije. Omjerima se počinju obja�njavati i opisivati razne ekonomske
aktivnosti, od kretanja cijena korporativnih obveznica, kvalitete kredita u fazama ciklusa, do
korporativne kulture18.
14 Horrigan, James; Some Empirical Bases of Financial Ratio Analysis, Accounting Review, July 1965.,
Vol. 40 Issue 3, str. 567 15 Beaver, William H.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.71 16 Tamari, Meir; Financial Ratios as a Means of Forecasting Bankruptcy, Management International
Review (MIR), 1966., Vol. 6 Issue 4, str.15 17 Altman, Edward: Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy,
The Journal of Finance, Vol XXIII, No. 4, Sept 1968., str.589 18 Sorter i Becker su ispitivali odnos financijskih omjera i psihološkog modela "korporativne osobnosti", i
zaključili kako konzervativne korporacije odr�avaju vi�e omjere likvidnosti. Sorter, George; Becker, Selwyn;
Accounting and Financial Decisions and 'Corporate Personality', Journal of Accounting Research, 1964., str.
186-196
11
Radovi Beavera 1966. i osobito Altmana 1968. otvorili su novo, suvremeno poglavlje
povijesti analize omjera, i čine prekretnicu, gotovo barijeru iza koje brojni autori (na�alost) ne
vide prethodnika. Boljim upoznavanjem povijesti omjera uviđamo kako ona ne počinje
Beaverom i Altmanom, i mo�e se čitati neupućenost (nezainteresiranost?) prekobrojnih autora
studija koji navode ove autore kao pionire istraživanja korištenjem financijsko
računovodstvenih omjera19. Beaver i osobito Altman su zapisani u povijesti kao osobe s
ogromnim značenjem za popularizaciju omjera i znanstveni pristup istima, ali dobro je znati
dokle se�u njihove zasluge. No, o njima će vi�e riječi biti u trećem poglavlju.
Internacionalizacija Period nakon II. svj. rata značajan je i zbog internacionalizacije interesa za financijsko
računovodstvene omjere.
U Australiji su omjeri bili podvrgnuti rigoroznoj provjeri (osobito tekući omjer) radi
utvrđivanja njihove logičnosti i korisnosti, te su bili osnovni sastojak aplikacije znanstvenih
metoda u financijskom upravljanju. Tamo�nji autori oklijevali su formirati prosječne
industrijske omjere, komentirajući kako Australiji nedostaje razvijena empirijska baza za
takvu analizu.
Engleska je razvila svoju vlastitu, specifičnu granu analize omjera. Britanski institut za
management stvorio je interes za omjere kao alat za unaprjeđenje poslovanja putem
usporedbe poduzeća iste grane djelatnosti, osobito u svezi povrata na investicije. U tom
smislu osnovan je Centar za usporedbu poduzeća, koji prikuplja povjerljive podatke od
članica i publicira ih u obliku omjera, gdje 'kraljuje' omjer neto operativne dobiti i ukupne
imovine. Ovaj sustav logični je izdanak du Pont analize, i ironično, tek nakon primjene u
Engleskoj dobio je pažnju u SAD-u. U Engleskoj se, dakle, analiza omjera počela razvijati u
smjeru menadžmenta, jednako kao i u Francuskoj.
Indijci su "posudili" brojne ideje iz SAD-a, u Japanu se brzo formirala agregatna
statistika velikog broja omjera detaljno grupiranih po djelatnosti i veličini poduzeća, a u (tada)
socijalističkom SSSR-u i Kini koriste se povrat na investirano i obrtaj radnog kapitala kao
mjere kontrole.
19 čak kao 'izumitelji' omjera!
Copyr
ight
12
Gledano s današnje pozicije kao bitna negativnost razvoja analize omjera može se
istaći gotovo tvrdoglavo dr�anje linije pragmatičnog empirizma još od Foulke-a i 1930-tih, te
nedostatak eksplicitne teoretske strukture. Kao rezultat ovoga studije se oslanjaju na
proizvoljan izbor omjera temeljen na iskustvu istra�ivača, te na potpuno neodređene
standardne vrijednosti omjera. S druge strane postoji evidentna potreba za usporedbom
financijskih izvje�ća kroz vrijeme, i za različita poduzeća, i omjeri ispunjavaju ovu potrebu
vrlo jednostavno i brzo. Ujedno, dokazana je njihova korisnost u predviđanju poslovnih
pote�koća poduzeća, te u drugim granama ekonometrije.
Omjeri danas Omjeri kao takvi se danas nisu ni�ta bitno promijenili od početka 20. stoljeća. Bujanje
raznoraznih omjera i formiranje uvijek novih traje još od 1920-tih godina (sjetimo se samo
neslavno okončane te�nje Alexandera Wall-a da obuzda ovaj rast).
Sveobuhvatni teorijski okvir nije stvoren, i vrlo vjerojatno niti neće. Upozoreno je na
metodološke pretpostavke u analizi omjera, i tu su najviše odjeka imali Lev i Sunder20. Nakon
njih brojni su autori pisali o nedostacima omjera, i predlo�eno je uvođenje regresijskog
oblika. No, oportuno je vjerovati da će regresijska analiza zamijeniti omjere. Omjeri su
savršeno jednostavni, i svako usložnjavanje radi postizanja cilja savršenije metodologije gubi
iz vida ovu njihovu osnovnu karakteristiku zbog koje i jesu toliko popularni. Za analizu
omjera nije potreban čak niti kalkulator – dovoljno je malo iskustva te olovka i papir.
Te�ko da će ovako 'moćnu' tehnologiju zamijeniti kompleksni sustavi umjetne
inteligencije. No, ono što zaista napreduje i �to se mijenja iz dana u dan jesu statističko-
matematičke tehnike koje ove omjere analiziraju.
Sustavi iznimno složenih neuronskih mreža koji svojom arhitekturom nastoje
nalikovati mre�i neurona u ljudskom mozgu pronalaze odnose među omjerima i reproduciraju
ih bolje nego ijedna tehnika do sada, te tako 'reproduciraju stvarnost' doslovno učeći iz
omjera. Teorije kaosa poku�avaju se aplicirati u predviđanju poslovnih te�koća također
temeljem omjera. Brojne druge napredne tehnike koriste omjere kao ulazne podatke.
Da zaključimo, omjeri su u svojoj biti ostali isti već gotovo stotinu godina, a napreduju
tehnike njihove analize.
20 Lev, Baruch; Sunder, Shyam; Methodological Issues in the Use of Financial Ratios, Journal of
Accounting & Economics, December 1979., Vol. 1 Issue 3, str.187
13
2.1.2. Statističko – metodološki aspekti uporabe omjera Gotovo svaki ud�benik računovodstva ima poglavlje koje opisuje financijsko-
računovodstvene omjere. Fokus je najče�će na detaljnoj definiciji omjera i njihovom
korištenju, ali se malo spominje razlog korištenja odnosno prednosti omjera nad drugim
statističkim alatima. Uz ovo, postoji svakim danim sve nepreglednija literatura o korištenju
omjera za predviđanje, njihovoj usporedbi i slično, u kojoj se pretpostavlja kako je omjer
prikladna forma sažimanja financijskih podataka, a bez objašnjavanja neophodnih
pretpostavki za isto.
Uz ovaj nedostatak pretpostavki, općeprihvaćena teorija, pa čak niti sustav empirijske
generalizacije omjera nikada nisu stvoreni. Uobičajena zabrinutost kreće se oko prosječnih
omjera - poznato je kako određeni faktori (kao �to su računovodstvene tehnike i veličina
poduzeća) iznimno ote�avaju stvaranje reprezentativnih prosječnih omjera. Statističkim
rječnikom, omjeri nemaju normalnu distribuciju i/ili je njihova disperzija velika, te postoje
korelacije među različitim omjerima, pa i među istima kroz vrijeme.
Pretpostavke Temeljno je pitanje koriste li se omjeri samo rutinski, ili se u obzir uzimaju i njihova
ograničenja. Često je citirana rečenica autora Leva i Sundera kako "gotovo sve pretpostavke
koje se moraju uzeti u obzir pri valjanoj analizi omjera vrlo će vjerojatno biti prekr�ene u
praksi"21.
No ipak, uspoređujemo li netočnost i distorziju pretpostavki s mogućno�ću
pribavljanja intuitivne interpretacije stvarnosti pomoću modela, odluka će biti u korist ne�to
manje ispravne metodologije.
Osnovna pretpostavka analize omjera je proporcionalnost, odnosno pretpostavlja se
kako postoji proporcionalan odnos između dvije varijable čiji omjer se izračunava.
Tradicionalna uporaba omjera ide u pravcu usporedbe izračunatog omjera sa nekim
standardom, te tako imamo uvid je li on viši ili niži.
21 Lev, Baruch; Sunder, Shyam; Methodological Issues in the Use of Financial Ratios, Journal of
Accounting & Economics, December 1979., Vol. 1 Issue 3, str.187
Copyr
ight
14
Ovo je normativna uporaba omjera, u kojem omjer sa�ima odnos između Y i X u
jednom broju koji se potom uspoređuje sa standardom, koji ima teoretsko upori�te, ili je
sažetak iskustva proteklih godina. No, Eisemann pravilno upozorava: "Potpuno usporedivi
omjeri za pojedinu industriju koji se mogu koristiti kao apsolutni standard su svakako iluzoran
cilj."22
Postoji i alternativno kori�tenje omjera, najče�će za potrebe predviđanja, a koje
procjenjuje funkcionalni odnos. Primjerice, analitičar mo�e htjeti predvidjeti buduću dobit
procjenjujući buduću prodaju i mno�eći je s omjerom dobit/prodaja. Ovaj pristup oslanja se
na statistička svojstva omjera za potrebe procjenjivanja funkcionalnog odnosa među
podacima. U ovoj situaciji odnos procijenjen izračunom omjera biti će isti kao onaj dobiven
regresijskom analizom: linearna funkcija bez konstante.
Ipak, u praksi mo�e postojati konstanta (npr. dobit ne mora biti čvrsto vezana uz
prihode, odnosno određena dobit mo�e se ostvarivati bez obzira na veličinu prihoda), i odnos
ne mora biti linearan (npr., u zasićenom tr�i�tu mo�e se očekivati ne-konstantno povećanje
dobiti za svako povećanje prihoda). Ako su dakle ova dva uvjeta naru�ena, regresijska analiza
mo�e biti sna�niji alat za procjenu funkcionalnog odnosa između dvije varijable. U današnje
doba tehnolo�ke revolucije gdje i d�epni kalkulatori mogu računati regresijsku analizu ovaj
ne�to kompleksniji izračun ne bi smio predstavljati problem, osobito kada se u obzir uzmu i
dodatni izračuni koje dobivamo analizom (koeficijent korelacije, standardna pogreška
procijenjenih koeficijenata).
Regresijska analiza za jedno poduzeće mo�e se izračunati na temelju podataka
vremenske serije, ili na presjeku vi�e poduzeća istog vremenskog perioda. Bitan nedostatak
regresijske analize jest u tome �to ona vrijedi samo za raspon podataka uključenih u analizu
(procjenjuju se vrijednosti između maksimalne i minimalne vrijednosti za koje nemamo
podataka), �to u slučaju konstantnog porasta prihoda kroz vrijeme ne mo�e donijeti statistički
ispravnu procjenu.
22 Eisemann, Peter C.; Making Sense of Industry Financial Ratios, Commercial Lending Review, New
York, Summer 1992., Vol.7, Iss. 3, str.3
15
Statistička priroda omjera Fundamentalno i mo�da najva�nije pitanje statističke prirode financijskih omjera jest
njihov tip distribucije. U nekim istraživanjima pokazuje se gotovo normalna distribucija uz
tendenciju ka pozitivnom nagibu, no na�alost najče�će se ona uopće ne ispituje nego se
normalnost pretpostavlja. Treba imati na umu da prekršaj ove pretpostavke narušava
zaključke istra�ivanja, te ovo pitanje svakako treba uzeti u obzir i pokloniti mu vi�e pa�nje.
Slijedeći temeljni aspekt je kolinearnost omjera, odnosno opseg njihove korelacije.
Budući da se iz svega nekoliko podataka financijskih izvje�ća mo�e konstruirati mno�tvo
omjera (�to se uglavnom i čini) određena razina kolinearnosti mora se očekivati.
"Postojanje kolinearnosti je istodobno blagoslov i prokletstvo za analizu financijskih
omjera. Ono znači da je potreban prilično maleni broj omjera da se 'zarobi' informacijski
sadr�aj koji oni nose, ali to također znači da se ovaj maleni broj mora izabrati vrlo oprezno."23
Bitno je spomenuti i pojavu korelacije omjera kroz vrijeme, što je izraženo osobito kod
omjera koji imaju dugotrajnu (dugoročnu) komponentu.
No element koji dobiva najvi�e mjesta u statističkoj literaturi o omjerima je pojava
disperzije distribucije omjera. Radi se o određenim faktorima koji povećavaju razlike između
istih omjera među različitim poduzećima, te na taj način ote�avaju postizanje jasnih
prosječnih omjera, �to je bitno pri usporedbi poduzeća.
Postoji �irok spektar ovih čimbenika, a najče�ći su vrsta djelatnosti poduzeća, veličina
tvrtke, ciklički uvjeti, sezonski pritisci, geografska lokacija, i knjigovodstvene metode.
1. Vrsta djelatnosti poduzeća.
O djelatnosti poduzeća izravno ovise razmjeri veličina pojedinih stavki
računovodstvenih izvje�ća, te je stoga vrlo nezahvalno uspoređivati iste omjere primjerice
farmaceutske i industrije čelika. Ova specifičnost granske stratifikacije omjera uočena je i
dokazana vrlo rano, i analitičari su je svjesni i uzimaju je u obzir.
23 Horrigan, James; Some Empirical Bases of Financial Ratio Analysis, Accounting Review, July 1965.,
Vol. 40 Issue 3, str. 561.
Copyr
ight
16
2. Veličina tvrtke.
"Različite veze financijskih omjera i veličine poduzeća mogu se sumirati na slijedeći
način:
1. Kratkoročna likvidnost i dugoročna solventnost povezane su sa veličinom
poduzeća na pozitivan, paraboličan način. Drugim riječima, odnos je pozitivan
za manja poduzeća, a negativan za veća.
2. Profitna mar�a i povrat na investicije direktno variraju ovisno o veličini tvrtke.
3. Omjer obrtaja kapitala inverzno je povezan s veličinom poduzeća, ali obrtaj
potra�ivanja varira na paraboličan, negativan način.
Nedostatak ovih dokaza njihova je skupna (agregatna) narav. Ostaje za dokazati da li
ovi odnose stoje i među različitim djelatnostima. Visoke profitne mar�e i nizak obrtaj kapitala
mogu zaista biti karakteristike velikih poduzeća bez obzira na klasifikaciju djelatnosti, no
također je vrlo vjerojatno da je ovo obilje�je industrija u kojima dominiraju velika
poduzeća."24
Prethodno su navedene teorijske izvedenice temeljem iskustva, a ako govorimo o
praksi, Osteryoung i Constand25 dokazali su na uzorku od preko 25.000 poduzeća i 13 omjera
kako se omjeri profitabilnosti i financijske poluge značajno razlikuju ovisno o veličini
poduzeća, dok se isto ne mo�e reći za omjere likvidnosti, te za prinos na prodaju (ROS) i
prinos na neto vrijednost (RONW).
3. Ciklički utjecaji.
"Ciklički uvjeti djeluju na slijedeći način:
1. Omjeri kratkoročne likvidnosti i omjer neto vrijednosti i ukupnih obveza
variraju inverzno sa cikličkim fluktuacijama.
2. Omjeri dugoročne solventnosti, svi omjeri obrtaja imovine, profitna mar�a i
povrat na investicije variraju direktno sa cikličkim fluktuacijama.
3. Omjer obrtaja potra�ivanja nije jasno razlučivo vezan uz cikličke promjene."26
24 Horrigan, James; Some Empirical Bases of Financial Ratio Analysis, Accounting Review, July 1965.,
Vol. 40 Issue 3, str. 565. 25 Osteryoung, Jerome; Constand, Richard L.; Financial ratios in large public and small private firms,
Journal of Small Business Management, July 1992., Vol. 30 Issue 3, str.35 26 Horrigan, James; Some Empirical Bases of Financial Ratio Analysis, Accounting Review, July 1965.,
Vol. 40 Issue 3, str. 565.
17
4. Sezonski utjecaji.
Sezonski utjecaji utječu na sva poduzeća u grani te stoga imaju odraz u omjerima.
Problem bi nastao tek ako bi se uspoređivali omjeri različitih poduzeća iste grane koji su
formirani od podataka za različita računovodstvena razdoblja.
5. Geografska lokacija i knjigovodstvene metode.
Geografski utjecaji i utjecaj različitih računovodstvenih metoda u praksi se javljaju
prilično rijetko, i najče�će odra�avaju razlike temeljem djelatnosti poduzeća.
Konačno, statistička priroda financijskih omjera govori nam slijedeće:
1. imaju gotovo normalnu distribuciju,
2. visoko su korelirani jedni s drugima i kroz vrijeme, i
3. mogu imati disperziju koja se može smanjiti stratifikacijom po
djelatnostima i po veličini poduzeća.
Dakle, podlo�ni su statističkoj analizi, ali ne bez određenih te�koća.
2.2. Modeli predviđanja poslovnih pote�koća temeljem omjera
Prethodno je obrađen povijesni razvoj i statistička problematika uporabe omjera.
Ovdje će naglasak biti na kori�tenju omjera pri formiranju modela predviđanja poslovnih
pote�koća.
Ukratko će se opisati povijesni slijed i najbitnije odlike istra�ivanja koja su učinjena
do 1966. i ključnog rada Williama Beavera, dok će u 2.2.1 do 2.2.7. biti izneseni radovi koji
su najznačajnije utjecali na razvoj istra�ivanja poslovnih pote�koća. Va�no je ponovno
naglasiti kako ovaj dio rada nema ambiciju prikazati sva istra�ivanja na ovom području, nego
dati konzistentan presjek učinjenog napretka u prethodnim desetljećima.
Copyr
ight
18
Ranih 1930-tih godina formirane su prve studije efikasnosti omjera u predviđanju
poslovnih pote�koća, i to u određenom smislu kao suprotnost već spomenutom Foulke-ovom
pragmatičnom empirizmu.
Raymond Smith i Arthur Winakor započeli su ovaj pokret analizom uzorka od 29
poduzeća koja su bila u pote�koćama u razdoblju od 1923. do 1930. u radu objavljenom 1930.
godine27. Pet godina kasnije objavili su rad28 u kojem su na uzorku od 183 poduzeća
analizirali prethodni desetogodi�nji trend aritmetičkih sredina dvadeset i jednog omjera29 i
zaključili da je omjer radnog kapitala i ukupne imovine najtočniji i najstabilniji indikator
stečaja, čiji pad započinje čak deset godina prije pote�koća. No bitan podbačaj sastoji se u
nepostojanju analize grupe poduzeća bez problema kao protute�e.
Jo� dvije studije koje su ispitivale snagu predviđanja omjera bile su učinjene u ranim
tridesetima, no u njima je postojala kontrolna grupa 'zdravih' poduzeća. Paul Fitzpatrick u
radu objavljenom 1931.30 godine promatrao je tri do pet godina unazad trendove trinaest
omjera za dvadeset poduzeća sa te�koćama. Potom ih je slijedeće godine31 usporedio sa
devetnaest poduzeća bez te�koća.
Iste, 1931. godine Ramser i Foster32 analizirali su jedanaest omjera iz 173 poduzeća s
ciljem predviđanja poslovnih pote�koća.
Metodolo�ki nedostaci ovih studija nadoknađeni su njihovim bitnim doprinosom -
predstavljaju značajan događaj u analizi omjera jer su bili prvi koji su pa�ljivo poku�ali
koristiti znanstvene metode pri determinaciji korisnosti omjera.
27 Smith, Raymond F.; Winakor, Arthur H.; A Test Analysis of Unsuccessful Industrial Companies,
Bulletin No.31, Urbana, University of Illinois, Bureau of Business research, 1930. 28 Smith, Raymond F.; Winakor, Arthur H.; Changes in the Financial Structure of Unsuccessful
Industrial Corporations, Bulletin No.51, Urbana, University of Illinois, Bureau of Business research, 1935 29 u biti koristili su modificiranu aritmetičku sredinu omjera koja je izračunata iz srednje polovine
podataka: (Q1-Q2) / 1/2N 30 Fitzpatrick, Paul J.; Symptoms of Industrial Failures, Catholic Universita of America Press, 1931. 31 Fitzpatrick, Paul J.; A Comparison of the Ratios of Succesful Industrial Enterprises with Those of
Failed Companies, The Accountants Publishing Company, 1932. 32 Ramser, J.R.; Foster, Louis O.; A Demonstration of Ratio Analysis, Bulletin No.40, Urbana, University
of Illinois, Bureau of Business research, 1931.
19
U 1940-tima studije predviđanja poslovnih pote�koća kori�tenjem omjera kulminirale
su studijom Charlesa Merwina33 1942. godine koji je uspoređivao srednje vrijednosti omjera
poduzeća sa i bez problema. Analizirao je šestogodišnji trend velikog (nespecificiranog) broja
omjera za 939 poduzeća koja je podijelio u dvije grupe (poduzeća koja su zavr�ila u stečaju i
ona koja to nisu). Zaključio je kako omjeri mogu biti vrlo osjetljivi indikatori problema i do
pet godina prije stečaja, a istaknuo je omjer radnog kapitala i ukupne imovine, omjer ukupnog
zadu�enja i tekući omjer likvidnosti.
Merwin je prvi uporabio zaista sofisticiranu analizu snage predviđanja omjera, i
zaključci njegove studije i danas nose signifikantan kredibilitet. No, do 1966. godine i rada
Williama Beavera svijet još nije dobio suvremenu znanstvenu analizu financijsko
računovodstvenih omjera u svrhu predviđanja poslovnih pote�koća.
2.2.1. Istraživanje Williama Beavera
William Beaver 1966. godine objavljuje prvi suvremeni znanstveni rad34 o
predviđanju poslovnih pote�koća uporabom omjera, i to kao nastavak istra�ivanja započetog
svojom doktorskom disertacijom35.
Beaver poslovne pote�koće definira kao jedno od slijedećeg: stečaj, ogluha,
neisplaćivanje prioritetnih dividendi, te uzimanje kredita po tekućem računu (kontokorentni
kredit), a financijski omjer kao kvocijent dva broja gdje su oba stavke financijskih izvje�ća.
Naglašava kako primarni motiv nije definiranje sposobnosti predviđanja omjera kao načina
prezentiranja financijsko-računovodstvenih podataka, nego "priskrbiti empirijsku verifikaciju
korisnosti računovodstvenih podataka (tj. financijskih izvje�ća)."36
33 Merwin, Charles L.; Financing Small Corporations in Five Manufacturing Industries in 1926-1936,
National Bureau of Economic Research, 1942. 34 Beaver, William H.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.71 35 Disertaciju je obranio 1965. godine na Business University of Chicago, ali nije objavljena. 36 Beaver, William H.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.72
Copyr
ight
20
Promatrano je desetogodišnje razdoblje (1954-1964) za 30 omjera u 79 poduzeća37
koja su bila stratificirana po vrsti djelatnosti i veličini imovine. Ovi su omjeri navedeni u
tablici 1.
Za svako promatrano poduzeće izabran je par - tvrtka bez problema iste djelatnosti i
podjednake veličine.
Beaver je zamijetio da je tro�ak krive klasifikacije poduzeća s problemima (u grupu
poduzeća bez problema) značajno veći od tro�ka krive klasifikacije grupe bez problema (u
grupu sa poslovnim pote�koćama). Prvu je pogre�ku nazvao pogre�kom Tipa I., a drugu
pogreškom Tipa II. Ova se terminologija zadržala do danas.
Tablica 1. Omjeri korišteni u Beaverovoj studiji 1966. godine38 Grupa I - omjeri tijeka gotovine
1. Tijek gotovine (dobit + deprecijacija + amortizacija) / Prodaja
2. Tijek gotovine / Imovina 3. Tijek gotovine / Neto vrijednost (uk.
imovina – uk. obveze) 4. Tijek gotovine / Uk. dug
Grupa V – omjeri tekuće imovine i kratkoročnih obveza
1. Gotovina / Kratkoročne obveze 2. Gotovina + potra�ivanja / Kratkoročne
obveze 3. Tekući omjer (kratkotrajna imovina /
kratkoročne obveze) Grupa II – omj. neto (oporezovanog) dohotka
1. Dobit / Prodaja 2. Dobit / Uk. imovina 3. Dobit / Neto vrijednost 4. Dobit / Uk. dug
Grupa VI – omjeri obrtaja 1. Gotovina / Prodaja 2. Potraživanja / Prodaja 3. Zalihe / Prodaja 4. Gotovina + potraživanja / Prodaja 5. Kratkotrajna imovina / Prodaja 6. Radni kapital / Prodaja 7. Neto vrijednost / Prodaja 8. Uk. imovina / Prodaja 9. Gotovina / Operativni troškovi –
deprecijacija – amortizacija 10. Gotovina + potraživanja / Operativni
troškovi – deprecijacija – amortizacija 11. Gotovina + potraživanja – kratkoročne
obveze / Operativni troškovi – deprecijacija – amortizacija
Grupa III – omjeri zaduženosti i imovine 1. Kratkoroč. obveze / Uk. imovina 2. Dugoroč. obveze / Uk. imovina 3. Kratkoročne + dugoročne obveze / Uk.
imovina 4. Kratkoročne + dugoročne obveze +
povlaštene dionice / Uk. imovina Grupa IV – omjeri tekuće i ukupne imovine
1. Gotovina / Uk. imovina 2. Got. + potraživanja / Uk. imovina 3. Kratkotrajna imovina / Uk. imovina 4. Radni kapital / Uk. imovina
U zaključku istra�ivanja autor je istaknuo 'problem' oporavka poduzeća. Naime, u
istra�ivanje su uključena samo poduzeća koja su zavr�ila u stečaju, ali ne i ona koja su 'trebala
bankrotirati' (temeljem omjera) �to su uprave ovih tvrtki pravovremeno uočile, te su poslovne
pote�koće identificirane i različitim korektivnim akcijama sanirane kako bi se izbjegao
37 Uza sav napor samo za njih 79 su se uspjela pribaviti financijska izvje�ća, �to mo�e dati nadu domaćim
istra�ivačima koji također oskudijevaju relevantnim podacima. 38 Beaver, W.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.78
21
poslovni slom.39 Ovo čini nereprezentativan uzorak poduzeća jer, riječima Beavera, "Va�an
dio informacija nedostaje - koliko je poduzeća je spa�eno od stečaja jer su na vrijeme
primijetili probleme analizom vlastitih omjera?"40
Interesantno je kako u dijelu 'Prijedlozi za buduća istra�ivanja'41 isti autor naglašava
kako je koristio jednostruku analizu, tj. analizu sposobnosti predviđanja poslovnih pote�koća
korištenjem omjera, i to jednog po jednog, te predlaže višestruku analizu od više omjera
odjednom. Altman je upravo ovo učinio samo dvije godine kasnije.
2.2.2. Edward Altman i Z-score model
Edward Altman je 1968. godine objavio rad42 u kojem koristi diskriminacijsku analizu
za predviđanje stečaja poduzeća kori�tenjem omjera, studiju koja je dobila golem odjek ne
samo među znanstvenicima, nego i među ekonomskim praktičarima analitičarima u kreditnim
institucijama, knjigovođama, itd. �to je tomu razlog?
Govoreći o prirodi omjera već je navedeno kako je u bit njihove općeprisutnosti i
uspjeha satkana jednostavnost, kao njihovo mo�da najuočljivije obilje�je. Altman je vrlo
inteligentno uporabio ovu činjenicu formirajući iznimno jednostavan model koji od (samo)
pet nimalo slo�enih omjera izračunava (kako ga je Altman nazvao) Z-score – vrijednost koja
nam govori o klasifikaciji poduzeća s obzirom na vjerojatnost poslovnog sloma, te koristeći
ne�to slo�eniju statističku tehniku nudi �iroko primjenjiv model predviđanja poslovnih
pote�koća. Ovaj je model odmah bio 'razgrabljen' među analitičarima, te unatoč zastarjelosti i
nekim očitim nedostacima koristi se i danas.43
39 Vrlo interesantno istra�ivanje o strategijama zaokreta radi izbjegavanja mogućeg poslovnog sloma
učinili su Sudarsanam, S. i Lai, J. u Corporate Financial Distress And Turnaround Strategies: An Empirical
Analysis, British Journal of Management, September 2001., Vol. 12, Issue 3 40 Beaver, W.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.101 41 Beaver, W.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3, str.100 42 Altman, Edward: Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy,
The Journal of Finance, Vol XXIII, No. 4, Sept 1968., str.589 43 Slijedeći članci primjer su popularizacije Z-score modela, premda postoje i noviji:
Inman, Mark Lee; Z-Scores and Recent Events: Do They Shed Any Light?, Management
Accounting, January 1991, Vol.69, Iss.1, str.44
Copyr
ight
22
Altman jasno ističe prethodnike svog istra�ivanja, no jednako tako poentira slijedećom
tvrdnjom: "Redoslijed njihove va�nosti nije jasan budući da gotovo svaka studija ističe drugi
omjer kao najefektivniju indikaciju nadolazećih problema."44
Bitno je naglasiti metodološke pretpostavke višestruke diskriminacijske analize, jer su
kasnija istra�ivanja poku�ala upravo izbjegavajući kr�enje ovih pretpostavki postići bolje
rezultate istra�ivanja, odnosno manju mjeru pogre�ke i veću pouzdanost predviđanja.
Pretpostavke višestruke diskriminacijske analize su:
1. Normalna distribucija. Pretpostavljeno je da su podaci (za varijable) uzorak s
normalnom distribucijom. No ako ova pretpostavka i nije zadovoljena, ne moraju se
nužno dovesti u pitanje rezultati analize.
2. Homogenost varijanci/kovarijanci. Pretpostavljeno je kako su matrice
varijanci/kovarijanci varijabli homogene za sve grupe.
3. Nepostojanje korelacije srednjih vrijednosti i varijanci. Rezultati diskriminacijske
analize mogu biti nesignifikantni ukoliko su aritmetičke sredine varijabli unutar grupa
korelirane s varijancama ili standardnim devijacijama. U praksi se navedeni slučaj događa
kada postoje ekstremne vrijednosti koje značajno odstupaju od aritmetičke sredine te
povećavaju varijabilnost (varijancu)45.
4. Korektan izbor varijabli. Još jedna pretpostavka diskriminacijske analize je da
varijable koje se koriste za diskriminaciju između grupa nisu potpuno redundantne.
Kao i Beaver, Altman je koristio parove poduzeća. Koristio je uzorak od 33 tvrtki u
stečaju i onih koja to nisu (dakle ukupno 66 poduzeća). No, u ovako formiranom uzorku
ugrađen je statistički problem. Nenasumičnim izborom varijabli dolazi do tendencije
prenaglašavanja mogućnosti stečaja. Naime, u uzorku je odnos poduzeća koja uredno posluju
i onih koja zavr�avaju stečajem 1:1, �to nije preslika realnosti u kojoj je postotak poduzeća
koja zavr�avaju poslovnim slomom bitno manji od uredno poslujućih tvrtki. Uz to, prilično je
česta pojava nemogućnosti uvida u financijske podatke za poduzeća koja su skončala
stečajem. Tako dolazi do dvostrukog iskrivljenja rezultata: prvo nastupa izborom slučajeva
Eidleman, Gregory J.; Z scores - A guide to failure prediction, The CPA Journal, New York,
February 1995. Vol. 65, Iss. 2, str.52 44 Altman, Edward: Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy,
The Journal of Finance, Vol XXIII, No. 4, Sept 1968, str. 590 45 eng. outlier
23
ovisno o zavisnoj varijabli (odnosno nereprezentativnim konstruiranjem uzorka), a drugo
izborom samo poduzeća za koja se mogu pribaviti financijska izvje�ća, a koja u ukupnoj
populaciji čine manji udio. Na ovaj je propust upozorio Zmijewski46.
Altman je poduzeća stratificirao po djelatnosti i veličini te izabrao 21 omjer, koje nije
eksplicitno naveo nego samo definirao njihov izbor. Riječima Altmana:
"Izbor je na bazi: 1) popularnosti u literaturi, 2) potencijalne relevantnosti u studiji, i
nekoliko 'novih' omjera iniciranih ovim radom. Iz ovog popisa varijabli izabrano je pet koje
zajedno najbolje predviđaju stečaj poduzeća. Kako bi se do�lo do ovog konačnog profila
varijabli kori�tene su slijedeće procedure:
1. promatranje statističke signifikantnosti različitih alternativnih funkcija
uključujući određivanje relativnog doprinosa svake nezavisne varijable,
2. procjena korelacija između relevantnih varijabli,
3. promatranje točnosti predviđanja različitih profila, i
4. prosudba analitičara."47
Konačna funkcija diskriminacije je slijedeća:
Z = 1,21X1 + 1,4X2 + 3,3X3 + 0,6X4 + 9,999X5, gdje je
Z = ukupni indeks
X1 = radni kapital / ukupna imovina
X2 = zadržana dobiti / ukupna imovina
X3 = dobit prije kamata i poreza / ukupna imovina
X4 = tržišna vrijednost imovine / ukupni dug
X5 = prodaja / ukupna imovina.
Zona neodređenosti za Z-score vrijednost odnosi se na otvoreni skup od 1,81 do 2,67.
X1 – Omjer radnog kapitala i ukupne imovine kod Altmana se pokazao najboljim od
svih omjera likvidnosti koji su bili u studiji. Karakteristike likvidnosti i veličine ovdje su
eksplicitno uzete u obzir. Ovaj je omjer konzistentan i s Merwinovom studijom gdje je
istaknut kao najbolji indikator poslovnih pote�koća.
46 Zmijewski, Mark: Methodological Issues Related to the Estimation of Financial Distress Prediction
Models, Journal of Accounting Research, Vol. 22, Supplement 1984. 47 Altman, Edward: Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy,
The Journal of Finance, Vol XXIII, No. 4, Sept 1968, str. 594
Copyr
ight
24
X2 – Omjer kumulativne profitabilnosti implicitno uzima u obzir starost poduzeća.
Naime, poznato je kako je pojava stečaja puno če�ća u ranim godinama poslovanja poduzeća.
X3 – Ovaj omjer je u biti mjera stvarne produktivnosti imovine poduzeća jer se oduzima
efekt poreza i financijske poluge. Budući da je egzistencija poduzeća temeljena na snazi
stvaranja dobiti kori�tenjem imovine, ovaj se omjer čini osobito prikladnim za studije
poslovnih pote�koća.
X4 – Tr�i�na vrijednost imovine mjerena je ukupnom tr�i�nom vrijedno�ću svih dionica,
redovnih i prioritetnih, a ukupni dug je zbroj kratkoročnih i dugoročnih dugovanja. Ovo je
mjera koja pokazuje koliko može pasti vrijednost imovine prije nego obveze nadmaše
veličinu imovine te poduzeće postane insolventno.
X5 – Ovo je jedna od mjera sposobnosti menedžmenta u uvjetima konkurentnog
okruženja. Na individualnoj bazi (tj. u jednostrukoj analizi) on je najmanje važan, no zbog
svojeg jedinstvenog odnosa sa ostalim varijablama u modelu ovaj je omjer drugi po ukupnoj
diskriminacijskoj snazi u modelu.
Ukupna točnost modela za podatke iz jedne godine prije stečaja iznosila je 95%, gdje
je pogreška Tipa I iznosila 6%, a pogreška Tipa II 3%.
Podaci za dvije godine prije stečaja pokazuju točnost modela od 83%, uz pogre�ku
Tipa I od 28% i pogrešku Tipa II od 6%.
Interesantno je kako Altman prije zaključka istra�ivanja iznosi �irok spektar moguće
primjene Z-score modela (od procjene kreditne sposobnosti do interne kontrole poslovanja) s
detaljnim poja�njenjima, čime jasno pokazuje �elju za njegovom popularizacijom.48 To
naravno nije prvenstveni razlog rasprostranjenosti, no moglo bi se zaključiti kako je ovo bio
jedan od ciljeva rada.
Globalna popularnost Altmanovog modela se dogodila i traje (kako je već rečeno) sve
do danas, te svaki relevantan rad na ovom području citira Altmana, a nova se dostignuća
redovno uspoređuju s Altmanovim modelom s ciljem da ga nadma�e na bilo koji način. U
tome nerijetko i uspijevaju, no to ne umanjuje značaj Altmanovih radova – Edward Altman je
svoje mjesto u povijesti ekonomije osigurao.
48 Proučavajući dvjestotinjak znanstvenih članaka na temu predviđanja poslovnih pote�koća nisam na�ao
ni�ta slično.
25
Korigirani Z – score modeli
I. ) Kod Z-score modela postoji problem koji se odnosi na poduzeća koja ne kotiraju na
tr�i�tu, te se zbog toga njih ne mo�e izračunati omjer X4.
Umjesto uno�enja nasumične vrijednosti Altman predla�e korigirani Z-score model, u
kojem omjer X4 postaje omjer neto knjigovodstvene vrijednosti tvrtke i ukupnog zaduženja.
Korigirani Z' model je dan u izrazu:
Z' = 0,717X1 + 0,847X2 + 3,107X3 + 0,420X4 + 0,998X5
Siva zona (odnosno zona neodređenosti) je ne�to povećana i granice su joj od 1,23 do
2,9. Ovo ukazuje (kako i sam autor kaže) na manju, ali još uvijek dovoljnu pouzdanost
modela.
II. ) Druga korekcija odnosi se na već navedeni problem utjecaja grane djelatnosti
poduzeća, a koja u Altmanovom modelu najveći utjecaj ima na varijablu X5, odnosno na
obrtaj imovine. Isključenjem ove varijable i zadr�avanjem prethodnog oblika varijable X4
(dakle knjigovodstvena neto vrijednost tvrtke / uk. zadu�enje) model dobiva slijedeći izraz:
Z'' =6,56X1 + 3,26X2 + 6,72X3 + 1,05X4
Granice neodređenosti su od 1,10 do 2,60.
Ovaj Z''-score model nije dovoljno istražen, te Altman za njega kaže: "Potrebni su
dodatni testovi ovog modela na �irokom rasponu poduzeća koja su zavr�ila u stečaju i onih
koja to nisu."49
Zeta analiza Altman, Haldeman i Narayanan 1977. godine objavili su ZETA™ analizu50, s ciljem
unapređenja postojećeg Z-score modela. Postigli su 70-postotnu točnost u predviđanju stečaja
pet godina prije nastupanja istog, te 90-postotnu točnost godinu dana prije stečaja.
49 Altman, Edward: Corporate Financial Distress and Bankruptcy, John Wiley & Sons, Inc., USA &
Canada, 1993., str. 204 50 Altman, Edward,; Haldeman, Robert; Narayanan, P.; ZETA™ Analysis, Journal of Banking & Finance;
June 1977., Vol. 1, Issue 1, str. 29
Copyr
ight
26
Računski izraz diskriminacijske funkcije ZETA� modela za�tićen je autorskim
pravom, i mo�e se koristiti samo uz naknadu (�to je i učinilo stotinjak financijskih institucija
koje svakodnevno koriste ovaj model).
Interval pogre�ke, odnosno zona neodređenosti je kod novijeg modela znatno manja, a
granice su od -1,45 do +0,87.
Uzorak se sastojao od 53 poduzeća u stečaju, te 58 uredno poslujućih poduzeća.
Posebnost ovog modela jest (među ostalim) u tome �to su u uzorak bila uključena i poduzeća
iz djelatnosti maloprodaje, �to u prethodnim modelima nije bio slučaj. Kori�tena je metoda
višestruke diskriminacijske analize, i izveden je model sa sedam slijedećih varijabli:
X1 – prinos na imovinu – mjeren kao omjer dobiti prije poreza i kamata, i ukupne
imovine. Ovaj se omjer pokazao iznimno korisnim u prethodnim istraživanjima.
X2 – stabilnost prinosa – mjerena je normaliziranom standardnom greškom procjene
desetogodišnjeg trenda kretanja varijable X1. Poslovni je rizik često izra�en mjerom oscilacije
prinosa, a navedena se mjera pokazala efektivnom.
X3 – servisiranje duga – mjereno je omjerom pokrića kamata, tj. EBIT / ukupni izdaci
za kamate.51
X4 – kumulativna profitabilnost – mjerena je omjerom zadržane dobiti i ukupne
imovine. Ovaj omjer sadr�ava informaciju o starosti poduzeća, politici isplate dividendi, kao i
profitabilnost tvrtke kroz vrijeme. Ova se mjera pokazala najva�nijom u predviđanju stečaja.
X5 – likvidnost – mjerena je poznatim tekućim omjerom (kratkotrajna imovina/
kratkoročne obveze). Usprkos nekim prethodnim istra�ivanjima koja su druge omjere
likvidnosti pretpostavljala tekućem omjeru, upravo ovaj se pokazao najboljim u Altmanovom
istraživanju.
X6 – kapitalizacija – mjerena omjerom temeljnog i ukupnog kapitala. U brojniku i u
nazivniku temeljni je kapital mjeren prosjekom petogodišnje tržišne vrijednosti, dakle ne
knjigovodstvene. Nazivnik uključuje i povla�tene dionice po likvidacijskoj vrijednosti,
dugoročna dugovanja i kapitalizirane najmove. Kori�ten je petogodi�nji prosjek kako bi se
izgladile moguće privremene tr�i�ne oscilacije, te kako bi se dodala (uz X2) komponenta
trenda.
51 Altman je transponirao ovu mjeru logaritmiranjem s bazom 10 "kako bi unaprijedili normalnost i
homoskedastičnost" (Altman et al., 1993., str. 212)
27
X7 – veličina – mjerena ukupnom materijalnom imovinom tvrtke. Značaj ove
komponente već je poja�njen.
U usporedbi s Z-score modelom ZETA� model pokazuje znatno veću točnost
predviđanja stečaja dvije do pet godina prije nastupanja istoga, dok se točnost predviđanja u
vrijeme jedne godine prije stečaja gotovo podudara u oba modela.
2.2.3. Istraživanje Edwarda Deakina
Edward Deakin je 1972. godine predložio alternativni model52 onima koje su razvili
Beaver i Altman. Njegov je plan bio iskoristiti najbolje iz obje studije: koristio je 14
Beaverovih omjera kako bi na�ao linearnu kombinaciju s najvećom točno�ću predviđanja.
Analizirao je 32 poduzeća koja su zavr�ila u stečaju od 1964. do 1970. godine, a za
svaku od ovih tvrtki izabrao je par sukladno veličini poduzeća, grani gospodarske djelatnosti,
i vremena financijskih podataka. Postigao je prilično veliku točnost predviđanja do tri godine
prije stečaja, no u prvoj, te u četvrtoj i petoj godini prije stečaja točnost značajno opada.
Poku�ao je smanjiti broj varijabli, ali je gre�ka klasifikacije značajno porasla.
Rad je zaključio slijedećim riječima: "Mora se uzeti u obzir kako je model izveden iz
prilično malog uzorka (...). Nadalje, uz mjeru gre�ke od 10% vjerojatnosti pripadnosti
pojedinoj grupi trebaju se uzeti samo kao dodatni, a ne kao odlučujući dokaz vjerojatnosti
stečaja."53
2.2.4. Ohlsonov Logit model Robert Ohlson svojim se istraživanjem54 objavljenim 1980. pokušao udaljiti od
tehnika koje su do tada bile uobičajene pri analizi mogućnosti nastupanja stečaja, i to kako bi
izbjegao statističko-metodološke probleme koji se pojavljuju pri uporabi višestruke
diskriminacijske analize. Problemi koji se pojavljuju kod korištenja diskriminacijske analize
ujedno su i kritika Altmanovog modela, a neki od tih problema su slijedeći:
52 Deakin, E.; A discriminant analysis of predictors of business failure, Journal of Accounting Research,
Spring 1972., str. 167. 53 Ibid., str. 178. 54 Ohlson, R.; Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting
Research, Spring 1980., Vol. 18., No. 1., str.109.
Copyr
ight
28
1. Postoje specifični statistički zahtjevi koji se postavljaju u svezi distribucijskih
svojstava varijabli. Npr. matrice varijanci i kovarijanci varijabli morale bi biti
jednake za obje grupe. Ipak, prekršaj ove pretpostavke je jednostavno
irelevantan ako je jedina svrha modela formirati sustav diskriminacije.
2. Izlazna vrijednost diskriminacijske analize je broj koji ima vrlo usku
intuitivnu interpretaciju, jer je on u biti alat za ordinalno rangiranje, odnosno
diskriminaciju.
3. Također postoje problemi s procedurama uparivanja poduzeća sa i bez
problema, a koje se uobičajeno koriste u vi�estrukoj diskriminacijskoj analizi.
Poduzeća koja su zavr�ila u stečaju i ona koja to nisu sla�u se (uparuju) prema
kriterijima kao �to su veličina i grana djelatnosti, no ovi kriteriji počesto znaju
biti arbitrarni. Nije očito �to se posti�e i/ili gubi različitim tehnikama
uparivanja. Plodnijim se čini uključiti dodatnu varijablu nego koristiti iste
podatke u svrhu uparivanja.
Umjesto prethodno kori�tenih metoda odlučio je koristiti logit model koji otklanja
prethodno navedene probleme, te postavlja slijedeće jednostavno pitanje: ako znamo da
poduzeće pripada određenoj specifičnoj grupi, koja je vjerojatnost da navedeno poduzeće ode
u stečaj u određenom vremenskom periodu? Pri tom se ne moraju pretpostavljati prethodne
vjerojatnosti pripadnosti pojedinoj grupi.
Ohlson je prikupio podatke za 105 poduzeća koja su zavr�ila u stečaju u razdoblju od
1970. do 1976., potom odabrao 2058 poduzeća koja nisu skončala stečajem, te izabrao 9
omjera po ključu učestalosti u tada postojećoj literaturi.
Krivo je klasificirano 17,4% poduzeća u grupu poduzeća koja su zavr�ila u stečaju,
dok je 12,4% poduzeća u stečaju svrstano u grupu bez problema. Kako i sam Ohlson kaže, to
je dosta veća mjera pogre�ke od dotada�njih, a obja�njava je različitim razdobljima za koja su
financijska izvje�ća prikupljena od prethodnih istra�ivanja. Riječima autora:
"U konačnici, razlike u rezultatima različitih istra�ivanja vrlo je te�ko izgladiti.
Moyer55 je preispitao Altmanov model koristeći podatke za razdoblje od 1965. do 1975.
55 Moyer, R.; Forecasting financial failure: a re-examination, Financial Management, Spring 1977.
29
(Altman je Z-score model formirao na podacima od 1946. do 1965.). Mjera pogreške za
Altmanov model koju je naveo Moyer iznosila je čak 25%!"56
Nadalje, Ohlson navodi kako su financijska izvje�ća poduzeća koja su u njegovu
modelu krivo klasificirana nosila vrlo malo realnog informacijskog sadr�aja. Drugim riječima,
samo dvije od trinaest navedenih tvrtki (krivo svrstanih u grupu bez problema) nije navelo
dobit u izvje�ćima, neka su čak i isplaćivala dividende, i niti jedno od njih nije dobilo nikakve
opaske od strane revizora.
Koristeći vi�estruku diskriminacijsku analizu Ohlson je dobio ne�to lo�ije rezultate, tj.
veću mjeru pogre�ke. "Generalno govoreći, pretpostavljamo kako bi rezultati gotovo svih
'razumnih' tehnika bili vrlo slični."57
Zaključuje kako bi bitan napredak bio postignut jedino dodatnim prediktorima
(varijablama), čime implicitno pretpostavlja nedostatak informacijskog sadr�aja u
dosadašnjim varijablama.
2.2.5. Sinkeyeva istraživanja banaka 1975. i 1978. godine
U dosada�njem pregledu istra�ivanja poslovnih pote�koća poduzeća predmetom su
istra�ivanja bile tvrtke raznih djelatnosti, od proizvodnih do trgovačkih, no nije bilo
istra�ivanja poduzeća koja su se bavila isključivo financijskim uslugama, odnosno banaka.
Među prvima koji je proučava poslovne pote�koće banaka bio je Joseph Sinkey koji je
objavio dva rada, 1975. i 1978. godine.
Treba spomenuti kako su prvi model58 predviđanja stečaja banaka izveli Paul Meyer i
Howard Pifer. Ovo je bio empirijski rad koji je na osnovi Altmanova modela pokušao stvoriti
model specifičan za bankarstvo, no rezultati su bili dvojbeni. Ukratko će biti prikazana
Sinkeyeva istraživanja.
56 Ohlson, R.; Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting
Research, Spring 1980., Vol. 18., No. 1., str.128. 57 Ohlson, R.; Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting
Research, Spring 1980., Vol. 18., No. 1, str. 129. 58 Meyer, Paul; Pifer, Howard; Prediction of Bank Failures, Journal of Finance; September 1970., Vol. 25
Issue 4, str. 853.
Copyr
ight
30
I. ) Sinkey je 1975.59 godine višestrukom diskriminacijskom analizom pokušao
konstruirati pravila za klasificiranje banaka u jednu od dvije grupe: sa i bez poslovnih
pote�koća.
Banku s poslovnim pote�koćama je definirao kao "banku koja nije postupila po zakonu
i/ili pravilima djelatnosti, ili je bankarska praksa bila do te mjere nesigurna ili nerazumna da
je u pitanje dovedena sada�nja ili buduća solventnost banke."60
Izabrao je 110 banaka s pote�koćama, te dodatnih kontrolnih 110 banaka bez
pote�koća, i to za razdoblje od 1969. do 1972.. Postavio je hipotezu kako su za opstanak
banke presudna dva endogena faktora: kvaliteta upravljanja, i iskrenost (poštenje)
zaposlenika. "Općenito uzev�i, egzogeni su faktori relativno neva�ni."61
Izborom 10 varijabli (omjera) te njihovom analizom postigao je model s relativno
visokom mjerom pogreške od 35,91% krive klasifikacije u 1969. godini, do 24,76% u 1972.,
no nagla�ava: "Ovaj rad predstavlja preliminarni input s konačnim ciljem uspostavljanja
sustava ranog upozoravanja koji će imati sposobnost detektirati buduće probleme banaka.
Ovakav sustav je dizajniran kao nadopuna postojećim procedurama preispitivanja poslovanja
banaka; nije mu namijenjeno biti zamjenom ljudskim vje�tinama i prosuđivanju potrebnima u
rješavanju problema i nadgledavanju banaka."62
Najboljim se omjerom za predviđanje poslovnih pote�koća pokazao omjer operativnih
prihoda i operativnih troškova.
II. ) Koristeći jednostruku diskriminacijsku analizu u kojoj su varijable bile
ponderirani omjeri kapitala, Sinkey je 1978. god usporedio 143 banke s problemima sa
59 Sinkey, J.; A Multivariate Statistical Analysis Of The Characteristics Of Problem Banks, The Journal of
Finance, March 1975., Vol. 30, No. 1., str. 21 60 Sinkey, J.; A Multivariate Statistical Analysis Of The Characteristics Of Problem Banks, The Journal of
Finance, March 1975., Vol. 30, No. 1., str. 21. 61 Sinkey, J.; A Multivariate Statistical Analysis Of The Characteristics Of Problem Banks, The Journal of
Finance, March 1975., Vol. 30, No. 1., str. 26. Ovu bi se izjavu danas moglo promatrati s podsmijehom, no
Sinkey obja�njava kako su banke lokalne institucije, te kako poslovni ciklusi nisu značajno utjecali na banke. S
obzirom na vrijeme izdavanja kada globalizacije nije bila značajna i kada globalni procesi nisu utjecali na
lokalnu banku, možemo mu vjerovati. 62 Sinkey, J.; A Multivariate Statistical Analysis Of The Characteristics Of Problem Banks, The Journal of
Finance, March 1975., Vol. 30, No. 1., str. 34.
31
nasumičnim uzorkom od 163 banke bez problema. Za razliku od njegovih suvremenika,
istra�ivanje nije radio s ciljem predviđanja poslovnih pote�koća: "Ovi su testovi 'deskriptivni',
a ne 'prediktivni' (u svrhu predviđanja)."63
Od ukupno 21 kori�tene varijable sna�nijima od ostalih (u svrhu predviđanja
poslovnih pote�koća) pokazalo se njih 7, a sve su specifične za bankarski sektor gospodarstva,
i kao takve ne mogu se koristiti u ostalim gospodarskim djelatnostima. Točnije, objavio je šest
varijabli, a sedma je omjer dvije već uporabljene (u tablici br. 2. pod rednim brojem 4.). Sve
se varijable nalaze u tablici 2.
Tablica 2. Varijable u Sinkeyevom istra�ivanju poslovnih pote�koća banaka64
RED
.
BR
.
VARIJABLA IZRAČUN MJERA KRIVE
KLASIFIKACIJE
POGREŠKA TIPA I.
POGREŠKA TIPA II.
1. ACR ACR = ( K + R + N – L – ½ D) / A * 26,8% 35,0% 19,6% 2. NCR NCR = ( K + R + N – L – D – S ) / A * 4,6% 4,9% 4,3% 3. NIA NETO DOBIT / UK. IMOVINA 34,3% 66,4% 6,1% 4. NCR / NIA 5,5% 7,0% 4,3% 5. SUB S / UK. ZAJMOVI * 12,4% 19,6% 6,1% 6. TCL S + D + OTPISANI ZAJMOVI / UK. ZAJMOVI 11,1% 16,1% 6,7% 7. TCA UK. GUBICI IZ ZAJMOVA / UK. IMOVINA 9,8% 14,0% 6,1% * K = ukupni kapital, R = rezerve, N = razumna neknjigovodstvena vrijednost banke, L = loši plasmani, D = sumnjivi plasmani, S = ispodstandardni plasmani, A = kvartalni prosjek bruto imovine u kalendarskoj godini.
Kao najbolju mjeru za predviđanje poslovnih pote�koća Sinkey ističe NCR – neto omjer
kapitala. Rezultat je bio 95,4 postotna točnost naknadne klasifikacije, i to koristeći slijedeće
pravilo: klasificirati banku kao problematičnu ako je NCR ≤ 2,74.
Najvažnijom komponentom smatra 'S', pod kojima se podrazumijevaju zajmovi koji
imaju jasno definirane slabosti koje ugrožavaju redovnu likvidaciju duga. Takvi su zajmovi
neadekvatno za�tićeni razumnom tekućom vrijedno�ću i plate�nom sposobno�ću du�nika,
odnosno založenim instrumentima osiguranja.
63 Sinkey, J.; Identifying "Problem" Banks, Journal of Money, Credit, and Banking, Ohio, May 1978.,
Vol. 10., No. 2., str. 188. 64 Sinkey, J.; Identifying "Problem" Banks, Journal of Money, Credit, and Banking, Ohio, May 1978.,
Vol. 10., No. 2., str. 189.
Copyr
ight
32
2.2.6. Mar-Molinero, Ezzamel, i Serrano-Cinca Istra�ivanja Beavera i Altmana u određenom smislu mo�emo smatrati temeljnima.
Nakon ovih do�lo je do iznimno velikog interesa za problematiku predviđanja poslovnih
pote�koća i počeo se primjenjivati sve �iri spektar različitih metoda. Na području predviđanja
poslovnih pote�koća banaka primjenjuju se sve novije metode, a jedna od relativno novijih je i
metoda vi�edimenzionalnih skala (MDS), koja je u ekonomiju uvedena iz područja dru�tvenih
znanosti (osobito je popularna u sociologiji i psihologiji).
MDS ima prednost slikovne prezentacije podataka koju je lako interpretirati i koristiti.
S druge strane izbjegava problem selekcije varijabli koje će biti kori�tene u diskriminacijskoj
analizi i/ili logit modelu, i uvijek prisutne dvojbe je li koja varijabla suvišna ili nije. Uz
navedeno, stavimo li se u poziciju praktičnog ekonomista mo�emo razumjeti kako prethodne
metode zahtijevaju poprilično predznanje statističke metodologije.
Alternativni su model prezentirali Mar-Molinero i Ezzamel 1991. godine65, i to
implementacijom upravo metode višedimenzionalnih skala. Uporaba ove metode ne postavlja
sofisticirane zahtjeve pred osobe koje će model koristiti, nego nudi drugačiju paradigmu i
pogled na problem.
Mar-Molinero i Serrano-Cinca su 2001. godine66 na uzorku od 66 španjolskih banaka
(od kojih je 29 zavr�ilo u stečaju) uporabili metodu višedimenzionalnih skala. Nakon
produciranja karte na kojoj će točke u prostoru predstavljati banke, cilj je bio odrediti postoji
li grupiranje banaka koje su zavr�ile u stečaju i banaka koje su uredno nastavile poslovati.
Ovo je i postignuto, te se na konačnoj karti mogu zamijetiti jasno odvojene zone u kojima su
banke sa i bez problem relativno jasno distancirane.
2.2.7. Ostale metode i istraživanja Kao �to je već rečeno, nakon Beavera i osobito Altmana do�lo je do iznimno velikog
interesa za problematiku predviđanja poslovnih pote�koća i počeo se primjenjivati sve �iri
spektar različitih metoda. Ovaj proces jo� traje, a usporedba svih do sada kori�tenih metoda i
65 Mar-Molinero, C.; Ezzamel, M.; Multidimensional scaling applied to company failure, Omega, 19,
1991. str. 259–74 66 Mar-Molinero, C.; Ezzamel, M.; Bank failure: a multidimensional scaling approach, The European
Journal of Finance No.7, 2001., str.165–183
33
rezultata istraživanja nije provedena, i to kako zbog kompleksnosti i specifičnosti pojedinih
tehnika, tako i zbog metodoloških problema.
Izvrstan pregled dosadašnjih metoda i istraživanja kompilirali su Sofie Balcaen i
Hubert Ooghe.67 Tablica br. 3 dijelom je prenesena iz rada navedenih autora.
Potrebno je spomenuti kako tablica 3. ne sadrži algoritam rekurzivnog particioniranja
(eng. recursive partitioning algorithm), a kojega se ne smije izostaviti. Njega su prilično rano
– 1985. godine – primjenjivali Halina Friedman, Edward Altman, i Duen-Li Kao68. RPA je
ne-parametrijska metoda temeljena na prepoznavanju uzorka, a ima obilje�ja i klasičnog
pristupa jednostruke klasifikacije i višestrukih modela. U spomenutom istraživanju
Friedmana, Altmana, i Kao-a nadmašuje diskriminacijsku analizu.
Alternativne su metode rezultat napretka računalne tehnologije i sve većeg kori�tenja
umjetne inteligencije, premda se suprotno ne mo�e reći niti za učestalo kori�tene metode
(prije svega za neuronske mreže).
Koja je metoda najbolja? Jednostavnog odgovora nažalost nema. Neka istraživanja
pokazuju da sve metode daju podjednake rezultate, ili barem da rezultati upućuju u istom
smjeru. Većina studija upućuje na superiornost neuronskih mre�a, premda (naravno) ima i
suprotnih mi�ljenja. Općenito govoreći nove metode su sve kompleksnije, a njihovi rezultati
uglavnom nisu izrazito bolji od klasičnih tehnika (vi�estruka diskriminacijska analiza, logit i
probit modeli).
67 Balcaen, Sofie; Ooghe, Hubert; Alternative methodologies in studies on business failure:do they
produce better results than the classical statistical methods?, Working paper, Faculteit economie en
bedrijfskunde, Univeristeit Gent, June 2004. / 249. 68 Friedman, Halina; Altman, Edward; Kao, Duen-Li; Introducing Recursive Partitioning for Financial
Classification: The Case of Financial Distress, The Journal of Finance, march 1985., Vol. XL, No. 1., str. 269
Copyr
ight
34
Tablica 3. Metode istra�ivanja poslovnih pote�koća – prednosti i nedostaci METODA PREDNOSTI NEDOSTACI ISTRA�IVAČI
UČ
ESTA
LO K
OR
I�TE
NE
MET
OD
E
Surv
ival
ana
lysi
s (a
naliz
a op
stan
ka)
- uzima u obzir vremensku dimenziju pote�koća
- predviđa vrijeme nastupa stečaja - dopušta vremensko variranje
nezavisnih varijabli - nema pretpostavke dihotomne zavisne
varijable - nema pretpostavke distribucije - koristi više podataka - dopu�ta nasumično cenzuriranje - jednostavna interpretacija
- nije dizajnirana za klasifikaciju - pretpostavka: poduzeća u stečaju
i ona koja to nisu pripadaju istoj populaciji
- zahtjeva homogene duljine procesa stečajeva u uzorku
- podložna multikolinearnosti
- Lane et al. (1986) - Luoma & Laitinen
(1991) - Kauffman & Wang
(2001)
Drv
o od
luči
vanj
a
- nema sna�nih statističkih zahtjeva prema ulaznim podacima
- dopušta kvalitativne podatke - mo�e s nositi s nepotpunim i 'nečistim'
podacima - pristupačna za korisnika: jednostavan
output - jednostavna procedura
- zahtijeva specifikacije prethodnih vjerojatnosti i troškova krive klasifikacije
- pretpostavka: dihotomna zavisna varijabla
- relativna važnost pojedine varijable ostaje nepoznata
- ne može se direktno primijeniti
- Joos et al. (1998) - Frydman et al.
(1985) - Odom & Sharda
(1990) - Cadden (1991) - Coats & Fant
(1991, 1993) - Fletcher & Goss
(1993) - Udo (1993) - Wilson & Sharda
(1994) - Altman et al.
(1994) - Boritz et al. (1995) - Back et al. (1996a) - Bardos & Zhu
(1997) - Yang et al. (1999) - Atiya (2001) - Neophytou et al.
(2001)
Neu
rons
ke
mre
že
- ne koristi prethodno programiranu bazu znanja
- sposobna analizirati kompleksne uzorke
- nema restriktivnih pretpostavki - dopu�ta kvalitativne kao i 'nečiste'
podatke - može 'nadvladati' autokorelaciju - pristupačna za korisnika: jednostavan
output - robusna i fleksibilna
- problem 'crne kutije' - ne može se direktno primijeniti - zahtijeva podatke visoke kvalitete - varijable se oprezno moraju
izabrati a priori - rizik predobrog podudaranja
podataka - zahtijeva definiciju arhitekture - dugo vrijeme procesiranja - mogućnost nelogičnog pona�anja
mreže - zahtijeva veliki uzorak za
uvježbavanje mreže
ALT
ERN
ATI
VNE
MET
OD
E
Fuzz
y ru
les
- intuitivna baza - ovisna o arbitrarnim 'if-then' pravilima
- Spanos et al. (1999)
Mul
ti -lo
git
mod
el
- uzima u obzir podatke od više godina - pretpostavka konzistentnosti signala - Peel & Peel (1988)
CU
SUM
(C
umul
ativ
e su
m)
- uzima u obzir podatke iz sadašnjosti i prošlosti
- kratko pamti dobre rezultate a dugo loše
-
- Theodossiou Kahya & Theodossiou (1996)
DEH
A
(dyn
amic
ev
ent h
isto
ry
anal
ysis
)
- promatra stečaj kao proces a ne kao događaj
- dopušta vremensko variranje varijabli - dopu�ta nedostajuće podatke -
- - Hill et al. (1996)
Mod
el
teor
ije
kaos
a - uzima u obzir podatke iz različitih razdoblja
- sna�na pretpostavka: poduzeća bez problema su vi�e kaotična
- Scapens et al. (1981)
- Lindsay & Campbell (1996)
MD
S (m
ulti-
dim
ensi
onal
sc
alin
g)
- statistička karta s intuitivnom interpretacijom
- robusna - dopušta visoko korelirane podatke - nema zahtijeva u svezi distribucije
podataka - nema potrebe za redukcijom podataka
- nije dinamična (vremenski) - ne može se direktno primijeniti
- Mar-Molinero & Ezzamel (1991)
- Neophytou & Mar-Molinero (2001)
35
LGP
(line
ar
goal
pr
ogra
min
g)
- nema distribucijskih zahtjeva - fleksibilna - složena - Gupta et al.
(1990) M
CD
A
(mul
ti cr
iteria
de
cisi
on a
id
appr
oach
)
-
- Zopoudinis (1987) - Zopoudinis &
Dimitras (1998) - Doumpos &
Zopoudinis (1999)
Ana
liza
grub
ih
seto
va - dopušta kvalitativne varijable
- jednostavna - pristupačna za korisnika - fleksibilna
- kvantitativne se varijable moraju kodirati kao diskretne
- Slowinski & Zopoudinis (1995)
Eksp
ertn
i su
stav
i - dopušta kvalitativne varijable - nema statističkih distribucijskih
zahtjeva - pristupačna za korisnika
- mora se programirati 'predefinirana baza znanja
- mora se determinirati heuristika - skupa, vremenski zahtjevna - nefleksibilna - osjetljiva u pogledu nepotpunih i
netočnih podataka
- Messier & Hansen (1988)
SOM
(sel
f or
gani
zing
m
aps)
- dopušta detektiranje regija povišenog rizika stečaja ili pogled na evoluciju stanja poduzeća
- SOM s dvije razine nudi mogućnost istra�ivanja tipičnih putova pote�koća
- zahtijeva prethodnu selekciju male grupe nezavisnih varijabli
- Kiviluoto & Bergius (1998)
(nastavak tablice 3.)
Copyr
ight
36
33.. MMeettooddee pprreeddvviiđđaannjjaa ppoosslloovvnniihh ppootteešškkooććaa
U prethodnom poglavlju objekt razmatranja je bio povijesni razvoj omjera i njihove
uporabe u predviđanju poslovnih pote�koća. Treće poglavlje obrađuje statističko-metodološke
specifičnosti metoda s naglaskom na one koje će biti kori�tene u ovom radu. U dijelu 3.4.
ukratko će se prikazati dosezi ostalih metoda na ovom području.
3.1. Diskriminacijska analiza
Za diskriminacijsku analizu mo�e se slobodno reći kako je kamen temeljac
suvremenih metoda predviđanja poslovnih pote�koća tvrtki. Edward Altman ju je uporabio
1968. godine69 kao metodu koja koristeći različite omjere (izračunate temeljem podataka iz
javnih računovodstvenih izvje�ća) identificira one najrelevantnije za diskriminaciju između
dvije grupe poduzeća: onih koja su u stečaju i onih koja to nisu. Gotovo sva istra�ivanja
nakon Altmanovoga referiraju i citiraju ga, te (više ili manje uspješno) pokušavaju nadmašiti
njegov široko raširen i korišten Z-score model.
Osnove
Diskriminacijska se analiza koristi za utvrđivanje najznačajnijih varijabli koje
razlučuju pripadnost jednoj od dvije ili vi�e prirodno postojećih grupa. Mo�e biti jednostruka i
vi�estruka, ovisno o broju nezavisnih varijabli. Ovdje će se pojasniti vi�estruka
diskriminacijska analiza.
Računski promatrano vrlo je slična analizi varijance jer je osnovna ideja
diskriminacijske analize uvidjeti razlikuju li se grupe prema srednjoj vrijednosti pojedine
varijable, te zatim koristiti tu varijablu za predviđanje pripadnosti pojedinoj grupi. U tom
smislu, diskriminacijska analiza se može promatrati kao analiza varijance, odnosno njome se
postavlja pitanje razlikuju li se značajno dvije ili više grupa s obzirom na srednju vrijednost
pojedine varijable. Ako su dakle srednje vrijednosti određene varijable signifikantno različite
u različitim grupama, mo�emo ustvrditi kako ta varijabla diskriminira između grupa.
69 Altman, Edward: Financial ratios, Discriminant analysis and the prediction of corporate bankruptcy,
The Journal of Finance, vol XXIII, No. 4, Sept 1968., str. 589-609
37
Uobičajeno je uključiti vi�e varijabli u model kako bi se vidjelo koja ima najveću
diskriminacijsku snagu. U tom slučaju formira se matrica ukupnih varijanci i kovarijanci; isto
tako i matrica varijanci i kovarijanci unutar grupa. Možemo usporediti ove dvije matrice kako
bi utvrdili postoje li značajne razlike (uzimajući u obzir sve varijable) između grupa. Ova je
procedura identična vi�estrukoj analizi varijance.
Pretpostavke
Kao �to je već spomenuto, diskriminacijska analiza je računski vrlo slična vi�estrukoj
analizi varijance koja se temelji na četiri osnovne pretpostavke:
Normalna distribucija. Pretpostavljeno je da su podaci (za varijable) uzorak s normalnom
distribucijom. Prekršaj ove pretpostavke ipak ne mora poništiti rezultate istraživanja, tj.
rezultirajući testovi signifikantnosti još uvijek mogu biti pouzdani.
Homogenost varijanci/kovarijanci. Pretpostavljeno je kako su matrice varijanci/kovarijanci
varijabli homogene kroz grupe. Manje devijacije nisu toliko važne, no prije donošenja
konačnih zaključaka potrebno je pregledati matrice varijanci i kovarijanci unutar grupa. U
nedoumici iz analize se mo�e isključiti jedna ili vi�e grupa manje značajnih grupa te
ponoviti ispitivanje.
Nepostojanje korelacije srednjih vrijednosti i varijanci. Rezultati diskriminacijske analize
mogu biti nesignifikantni ukoliko su aritmetičke sredine varijabli unutar grupa korelirane s
varijancama ili standardnim devijacijama. U praksi se navedeni slučaj događa kada
postoje ekstremne vrijednosti koje značajno odstupaju od aritmetičke sredine te
povećavaju varijabilnost (varijancu)70.
Korektan izbor varijabli. Još jedna pretpostavka diskriminacijske analize je da varijable
koje se koriste za diskriminaciju između grupa nisu potpuno redundantne. Jedna od
računskih operacija koje se provode u diskriminacijskoj analizi je i invertiranje matrice
varijanci/kovarijanci u modelu. Ukoliko je neka od varijabli potpuno redundantna s
drugim varijablama ova matrica ne može se invertirati. Ovaj problem rješavamo
izračunom tolerancije pojedine varijable. Vrijednost tolerancije za svaku varijablu, koja se
izračunava kao 1-R2 za promatranu varijablu, predstavlja udio varijance koja je specifična
za tu promatranu varijablu. Kada je varijabla gotovo potpuno redundantna (i kao rezultat
toga matrica se ne može invertirati) vrijednost tolerancije se približava nuli, te ju je
potrebno isključiti iz analize.
70 eng. outlier
Copyr
ight
38
Stepwise metode procjene parametara
Istra�ivači najče�će uključuju �to je moguće veći broj varijabli u model
diskriminacijske analize kako bi odredili one koje najviše diskriminiraju među grupama.
Dakle, formira se model koji bi �to je moguće bolje predviđao pripadnost određenog slučaja
pojedinoj grupi.
U stepwise diskriminacijskoj analizi model se stvara korak po korak. Na svakom
koraku revidiraju se sve varijable i procjenjuju one koje najviše doprinose diskriminacijskoj
snazi modela.
Kod forward stepwise analize varijable se uključuju redom jedna po jedna, sukladno
snazi diskriminacije. One koje su slabije u diskriminaciji među grupama ne uključuju se
model. Backward stepwise analiza kreće suprotno od forward stepwise; ovdje se sve varijable
uključuju u model, i zatim se redom isključuju one koje najmanje doprinose diskriminacijskoj
snazi modela.
Obje stepwise metode završavaju s optimalnim izborom varijabli koje diskriminiraju
između grupa, pri čemu se koriste specifičnim F vrijednostima za svaku pojedinu varijablu. F
je mjera veličine jedinstvenog doprinosa promatrane varijable diskriminacijskoj snazi modela;
određivanjem gornje i donje granice F vrijednosti71 definira se opseg u kojem će se varijable
uključivati u model.
Funkcije klasifikacije i funkcije diskriminacije
Računalni programi koji apliciraju diskriminacijsku analizu izračunavaju funkcije
klasifikacije, koje treba razlikovati od funkcija diskriminacije.
Funkcije klasifikacije koriste se pri određivanju kojoj grupi svaku slučaj
najvjerojatnije pripada. Ima ih isto koliko ima i grupa. Svaka funkcija omogućava izračun
klasifikacijskih vrijednosti za svaki slučaj za svaku grupu, prema izrazu:
Si = ci + wi1*x1 + wi2*x2 + ... + wim*xm, gdje je
Si vrijednost klasifikacije,
i oznaka grupe,
71 eng. F to enter, F to remove
39
1,2, … m predstavlja m varijabli,
ci konstanta za i-tu grupu,
wij vrijednost pondera za j-tu varijablu u izračunu vrijednost klasifikacije za i-tu
grupu,
xj vrijednost promatranog slučaja za j-tu varijablu.
Izračunom S1, S2, do Si (za i grupa) za pojedini slučaj, lako je utvrditi kako klasificirati
navedeni slučaj – u onu grupu za koju je vrijednost klasifikacije najveća72. Također se mo�e
izračunati posteriori vjerojatnost – vjerojatnost da promatrani slučaj zaista pripada određenoj
grupi, �to se posti�e izračunom Mahalanobis udaljenosti.
Mahalanobis udaljenost je mjera udaljenosti između dvije točke u prostoru koji je
definiran sa dvije ili vi�e koreliranih varijabli. Uobičajeno je razmišljati o Euklidskom
prostoru u kojem udaljenost između dvije točke mo�emo izmjeriti ravnalom (metrom, itd.) –
to je stoga što varijable (duljina, širina, visina) nisu korelirane. No kada postoji više od tri
dimenzije, ili kada su one u određenom ne-ortogonalnom odnosu73 Euklidska udaljenost više
nije adekvatna mjera, te se koriste Mahalanobis udaljenosti.
Stoga se za svaku grupu u istra�ivanju mo�e odrediti srednja vrijednost (točka) za sve
varijable u višedimenzionalnom prostoru koji je definiran modelom. Ove se točke zovu
centroidi grupe. Za svaki pojedini slučaj mo�e se izračunati Mahalanobis udaljenost od
navedenog slučaja do svakog centroida grupe, i sukladno ovome, slučaj se svrstava u grupu
kojoj je najbliži, tj. ondje gdje je Mahalanobis udaljenost najmanja.
Koristeći Mahalanobis udaljenosti mogu se izračunati posteriori vjerojatnosti –
naknadnu vjerojatnost da pojedini slučaj pripada određenoj grupi, a koja je proporcionalna
Mahalanobis udaljenosti do centroida grupe. Budući da se izračunava nakon klasifikacije,
znajući vrijednosti ostalih varijabli, naziva se posteriori vjerojatnost.
72 Npr., ako ima četiri grupe, a S3 za slučaj X je veća od S1, S2 i S4, slučaj X pripada trećoj grupi. Iznimka
su a priori klasifikacijske vjerojatnosti koje su bitno nesuglasne, o čemu će vi�e riječi biti u tekstu koji slijedi. 73 Mo�emo vizualizirati grafom u kojem su osi X i Y pod određenim ne-pravim kutom (ne-ortogonalne).
Copyr
ight
40
Funkcija diskriminacije ima i-1, tj. jedna manje od broja grupa. U slučaju kada postoje
dvije grupe, postoji samo jedna funkcija diskriminacije koja je analogna funkciji višestruke
regresije74:
Grupa = a + b1*x1 + b2*x2 + ... + bm*xm, gdje je
a konstanta,
b1, b2, … bm koeficijenti regresije.
Varijable s najvećim standardiziranim koeficijentom regresije (standardizirani b,
odnosno Beta) najviše doprinose snazi predviđanja pripadnosti pojedinoj grupi. No kada
postoji više od dvije grupe, varijable s velikim Beta koeficijentom samo pokazuju kako su
bitne pri klasifikaciji, i kako doprinose diskriminacijskoj snazi modela, ali ne govore između
kojih točno grupa diskriminiraju. Promatranjem srednjih vrijednosti funkcija preko grupa
mogu se identificirati karakteristike i specifičnosti funkcije.
Nakon izračuna funkcija diskriminacije testira se statistička signifikantnost, odnosno
izračunava se korelacija između varijabli u modelu i korelacija između funkcija
diskriminacije. Razumljivo, u obzir treba uzeti samo statistički signifikantne funkcije.
Kada je model zavr�en i funkcije diskriminacije su izračunate, ostaje za vidjeti koliko
dobro postignuti model predviđa kojoj grupi pojedini slučaj pripada. Ovdje se suočavamo s
problemom sučeljavanja 'a priori' (prethodnog) i 'post hoc' (naknadnog) predviđanja. Naime,
ako se formira model diskriminacije kori�tenjem određenih podataka, te se zatim procjenjuje
točnost predviđanja uvr�tavanjem određenog slučaja X iz istih podataka – pokušavamo se
okoristiti poznatom nam vjerojatno�ću pripadnosti slučaja X grupi A. Jer budući je model
formiran kori�tenjem i slučaja X, poznata je vjerojatnost točne klasifikacije navedenog
slučaja.
Općenito, uvijek se dobiva lo�ija točnost klasifikacije kada se uvr�tavaju slučajevi koji
nisu bili kori�teni za formiranje modela. Drugim riječima, post hoc predviđanja uvijek su
točnija od a priori predviđanja, �to je i logično jer je te�e predvidjeti budućnost nego pronaći
model koji će dokazati ne�to �to znamo da se dogodilo.
Zaključuje se kako se pri kori�tenju diskriminacijske analize ne smije klasificirati novi
slučaj oslanjajući se na vjerojatnosti prethodnih izračuna, nego je potrebno prikupiti nove
podatke kako bi ispitali korisnost i vrijednost funkcija diskriminacije. Ukoliko rezultati
74 Neće se ulaziti u problematiku vi�estruke regresije jer bi to prelazilo okvire ovog rada.
41
dobiveni uključivanjem novih slučajeva ne naru�avaju diskriminacijsku snagu modela, mo�e
se zaključiti kako je formiran kvalitetan model diskriminacijske analize.
Uz navedeno, uvijek valja imati na umu kako uzročno-posljedične veze događaja u
pro�losti nikada ne mogu biti garancija istih veza u budućnosti, ma kakav model bio formiran.
3.2. Nelinearni regresijski modeli
Dvije varijante nelinearnih regresijskih modela interesantne su pri istraživanju
poslovnih pote�koća; logit i probit.
Logit model za predviđanje poslovnih pote�koća tvrtki među prvima je uporabio
Ohlson 198075. Koristeći već standardne financijske omjere tvrtki poku�ao je formirati model
vjerojatnosti stečaja. Probit model se može koristiti u istoj funkciji.
Osnove
Nelinearni modeli izračunavaju odnos između vi�e nezavisnih varijabli i zavisne
varijable. U ovom smislu, identična je vi�estrukoj regresiji, no za razliku od nje, ne rezultira
linearnim (pravocrtnim) odnosom između nezavisnih i zavisne varijable.
Nelinearni modeli ostavljaju istra�ivaču na volju da samostalno pretpostavi je li
zavisna varijabla logaritamska, eksponencijalna, ili koja druga funkcija nezavisne varijable. U
svakom slučaju, nelinearni model će procijeniti odnos između zavisne i nezavisnih varijabli
na isti način kao i svi regresijski modeli:
y = f (x1, x2, …, xn)
Nelinearni modeli mogu biti prikriveno linearni; tada se radi o u biti linearnim
modelima. Kad god je moguće nelinearni model transformirati (npr. logaritmiranjem) u
linearni preporuča se to isto i učiniti.
Modeli koji su 'istinski' nelinearni često su kompleksni modeli na koje utječe mno�tvo
nezavisnih varijabli koje je te�ko definirati, te stoga izborom konačnog broja nezavisnih
varijabli preostaje nasumična fluktuacija (rezidualna varijabilnost), odnosno pogre�ka. Ovaj
se problem rje�ava različitim funkcijama minimizacije pogre�ke, koje će biti ukratko
objašnjene.
75 Ohlson, James: Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting
Research, Vol. 18, No 1, Spring 1980, str. 109-131
Copyr
ight
42
Logit i probit modeli
Nije neobično da je nezavisna varijabla po prirodi binarnog karaktera, tj. da može
imati samo dvije vrijednosti. Tada se procjenjuje model koji opisuje vezu između dvije ili vi�e
kontinuiranih nezavisnih varijabli i binarne zavisne varijable.
Linearnoj višestrukoj regresiji ne može se implicirati binarnost, tj. ako se željenu
binarnu zavisnu varijablu označi nulom i jedinicom ne mo�e se "natjerati" linearnu vi�estruku
regresiju da ne isporuči rezultate koji su izvan skupa od 0 do 1. Rje�enje dolazi u drugačijem
izrazu regresijskog problema; umjesto predviđanja egzaktno binarne varijable mo�emo
predviđati kontinuiranu zavisnu varijablu y koja prirodno le�i unutar 0 < y < 1 granica.
U logit regresijskom modelu predviđene vrijednosti zavisne varijable nikada neće biti
manje ili jednake 0, niti veće ili jednake 1, �to se posti�e slijedećom regresijskom
jednadžbom:
)xn*bn ... x1*b1 b0(
)xn*bn ... x1*b1 b0(
1
eey
Vidljivo je kako bez obzira na koeficijente regresije i veličine nezavisnih varijabli x
ovaj model uvijek daje rezultate u okviru 0 do 1.
Naziv logit dolazi zbog činjenice da se ovaj model jednostavno mo�e linearizirati
logističkom transformacijom:
loge{1/(1-y)} = b0 + b1*x1 + b2*x2 + ... + bn*xn
Probit regresijski model naziva se tako zbog normalne vjerojatnosti (eng. normal
probability). Naime, možemo pretpostaviti kako je zavisna binarna varijabla funkcija
nezavisne varijable s normalnom distribucijom. Prostor ispod krivulje normalne distribucije
mo�emo nazvati normalnom vjerojatno�ću (NV). Tada mo�emo pisati:
NV(y) = NV (b0 + b1x1 + … + bnxn)
43
Funkcija maksimiziranja sličnosti (eng. maximum likelihood, koristi se kao funkcija
minimiziranja gubitka – eng. loss function) izračunata je za logit i probit modele i glasi:
log(L1) = in= 1 [yi*log(pi ) + (1-yi )*log(1-pi )], gdje je
log(L1) prirodni logaritam sličnosti (log-likelihood),
yi promatrana vrijednost za slučaj i,
pi očekivana vjerojatnost.
Za nul-model, odnosno za model koji ima samo intercept, bez koeficijenata regresije,
izraz glasi:
log(L0) = n0*(log(n0/n)) + n1*(log(n1/n)), gdje je
n0 broj slučajeva s vrijedno�ću 0,
n1 broj slučajeva s vrijedno�ću 1,
n ukupan broj slučajeva.
Logit i probit modeli su specijalni slučajevi EGB2 modela (eksponencijalni
generalizirani beta druge vrste). U predviđanju poslovnih pote�koća nedavno je predlo�eno
korištenje nešto naprednijih verzija EGB2 modela, pod nazivom lomit i burrit modeli. Oni su
bazirani na prirodnim logaritmima Lomax i Burr3 varijacija, a opisali su ih i usporedili s
tradicionalnim logit i probit modelima Barniv i McDonald 1999., te ustvrdili kako "neznatno,
ali signifikantno pojačavaju snagu modela"76.
Funkcije minimizacije pogreške
Kod standardne višestruke regresije regresijske se koeficijente procjenjuje
minimiziranjem rezidualne varijance (sume kvadrata reziduala) oko linije regresije. Svaka
devijacija promatrane vrijednosti od rezultata dobivenog regresijom predstavlja gubitak,
pogre�ku. Stoga se mo�e reći kako je cilj metode najmanjih kvadrata minimizacija ove
pogreške. No mogu se koristiti i druge funkcije minimizacije; umjesto minimiziranja sume
kvadrata devijacija može se odabrati smanjivanje sume apsolutnih devijacija (što je katkad
korisno za otkrivanje ekstremnih vrijednosti - eng. outlier).
76 Barniv, Ran; McDonald, James B.; Review of Categorical Models for Classification Issues in
Accounting and Finance, Review of Quantitative Finance and Accounting; Jul 1999; 13, 1; ABI/INFORM
Global, str. 39
Copyr
ight
44
Sve navedeno odnosi se i na logit i probit model, koji su, kako je već rečeno, specijalni
slučajevi višestruke regresije. Dakle, može se koristiti nekoliko funkcija minimizacije.
Uz navedenu sumu najmanjih kvadrata i apsolutnu devijaciju, jedna od redovno
kori�tenih metoda je metoda ponderiranih najmanjih kvadrata. Klasična tehnika najmanjih
kvadrata pretpostavlja kako je rezidualna varijanca oko linije regresije jednaka za sve
vrijednosti nezavisne varijable. Ova pretpostavka identične varijance pogre�ke često nije
realna, te se stoga uvrštavaju ponderi za pojedine varijable.
No upravo navedene funkcije zapravo su dio formacije regresijskog modela, odnosno
radi se o tzv. loss77 funkcijama koje koristimo pri procjeni linije regresije. Tek nakon izračuna
loss funkcije mo�e se zaista prijeći na njenu minimizaciju.
Kod nelinearnih regresijskih modela poput logit i probit-a koriste se Levenberg-
Marquardt algoritam, quasi-Newton metoda, Simplex procedura, Hooke-Jeeves tehnika,
Rosenbrock pretra�ivač uzoraka, Hessian matrica i standardne gre�ke, i druge.
Uobičajeni postupak za sve navedene funkcije minimizacije je unos početnih
vrijednosti, početne veličine koraka i kriterija konvergencije. Sve metode počinju s određenim
skupom početnih vrijednosti koje se potom sistematski mijenjaju od iteracije do iteracije, dok
početna veličina koraka određuje koliko će se parametri mijenjati. Kriterij konvergencije
određuje kada će se proces zaustaviti.
Najveći problem kod svih funkcija minimizacije su lokalni minimumi. Kada funkcija
'padne' u lokalni minimum svakom iteracijom i svakim (manjim) korakom pogreška se
povećava, �to bi inače signaliziralo kako je optimalni rezultat pronađen; no kod lokalnog
minimuma većim korakom, tj. pomicanjem parametara u sasvim drugo područje pogre�ka bi
se mogla još smanjiti. Simplex metoda osobito je pogodna za rješavanje ovog problema.
Simplex procedura pri svakoj iteraciji procjenjuje funkciju na m+1 točaka u m-
dimenzionalnom prostoru. Kada postoji, npr. četiri parametra procjene – četiri dimenzije,
Simplex procjenjuje funkciju na pet točaka oko trenutačnog optimuma, a lik stvoren ovim
točkama zove se Simplex. Budući da postoji jedna točka vi�e od broja dimenzija, ona
usmjerava kamo ići kako bi se minimizirala pogre�ka.
77 Postoji problem adekvatnog prijevoda engleskih termina 'loss function', 'minimization of the loss
function' i 'function minimization', koji ne znače uvijek isto, a koji se često koriste kao sinonimi.
45
Quasi-Newton metoda pri svakom koraku procjenjuje funkciju na različitim točkama
radi izračuna derivacija prvog (nagib funkcije) i drugog reda (promjena i smjer nagiba).
Levenberg-Marquardt algoritam koristi se pri primjeni metode najmanjih kvadrata.
To je unaprjeđenje/modifikacija Gauss-Newtonove metode za postizanje minimizirajućeg
rješenja problema nelinearnih najmanjih kvadrata. U usporedbi s ostalim tehnikama ova je
metoda relativno jednostavna i brza, te se preporučuje pri analiziranju velikog skupa
podataka.
U određenom smislu najjednostavniji od svih algoritama, Hooke-Jeeves metoda pri
svakoj iteraciji definira uzorak točaka pomicanjem parametara na način da se optimizira
trenutna funkcija pogre�ke. Cijeli uzorak točaka tada se premje�ta na novu lokaciju koja je
determinirana ekstrapoliranjem linije iz prethodne bazne točke u novu. Ovo je efektivna
metoda koja se može koristiti ako i quasi-Newton i Simplex metoda ne uspiju dati dobre
rezultate.
Rosenbrock metoda potrage za uzorkom rotira prostor parametara (često se naziva i
metodom rotacije koordinata), te mo�e pomoći ako ostale metode 'zaka�u'. No ipak, ovaj
algoritam pretraživanja može prerano stati s minimizacijom pogreške ukoliko postoje
specijalni slučajevi (kada rezultat procjene vrijednosti bude 0, u kojem slučaju se logaritam ne
mo�e izračunati).
Hessian matrica je matrica derivacija drugog reda (parcijalnih derivacija). Inverzija
Hessian matrice aproksimira matricu varijanci/kovarijanci parametara procjene, te bi stoga
trebao postojati inverzan odnos između derivacija drugog reda za određeni parametar i
njegove standardne greške. Ova procedura postiže precizne asimptotske standardne greške za
sve metode procjene.
3.3. Metoda višedimenzionalnih skala
Metoda višedimenzionalnih skala (MDS) popularna je metoda društvenih znanosti,
osobito sociologije i psihologije. U ovim područjima omogućava postavljanje pitanja kao što
Copyr
ight
46
je "Koliko je slična osoba X osobi Y?" i sličnih, te potom smisleno zaključivanje iz izvedenih
dimenzija koje se 'kriju' iza odgovora.
Primjenu u analizi poduzeća suočenih s poslovnim pote�koćama MDS je na�ao
nedavno78. Relativno je jednostavna i intuitivna u tumačenju, te postavlja niske zahtjeve
prema ulaznim podacima, tj. mo�emo analizirati bilo kakvu matricu sličnosti/razlika.
Snaga MDS-a leži u sposobnosti geometrijskog reprezentiranja unutarnje strukture
podataka u grafičkom kontekstu Euklidskog prostora niske dimenzionalnosti, čime
omogućava način interpretacije objekta istra�ivanja blizak ljudskoj percepciji koja se temelji
na osjetilu vida (karta objekata u prostoru jednostavnije i intuitivnije se percipira nego niz
brojeva u tablici).
Također, o objektu istra�ivanja a priori se ne mora znati gotovo ni�ta; dovoljno je imati
relevantne podatke.79
Osnove
Cilj multidimenzionalnog skaliranja je otkriti smislene, sadržajne dimenzije objekata
istra�ivanja koje omogućuju poja�njenje promatranih sličnosti i razlika (u metodi
predstavljenih udaljenostima) tih istih objekata.
MDS poku�ava urediti, aran�irati ulazne informacije na način da razlike među njima
predstavljaju udaljenosti u vi�edimenzionalnom prostoru. Tako se odnosi među objektima
istraživanja mogu objasniti dimenzijama prostora kojima su reprezentirani.
"Postoji vi�e načina definiranja udaljenosti dvije točke u prostoru, a svaki od njih
urođen je određenom modelu prostora; odnosno svaki model prostora ima svoju funkciju
udaljenosti. Neki od ovih modela su obični, neponderirani Euklidski prostor, ponderirani
Euklidski prostor (poznat i kao INDSCAL model), Minkowski model, Attneave (city-block)
prostor, itd."80 O ovome treba voditi računa kada govorimo o prostornoj reprezentaciji
vrijednosnih podataka. U radu će se koristiti model Euklidskog prostora.
78 Pogledati: Mar-Molinero, Cecilio; Serrano-Cinca, Carlos; Bank failure: a multidimensional scaling
approach, European Journal of Finance; Jun 2001., Vol. 7 Issue 2, str. 165 79 Ovo je osobito korisno u studijama poslovnih pote�koća kada ne moramo a priori znati pripada li
poduzeće grupi uspje�nih ili neuspje�nih. 80 Grupa autora; An introduction to multidimensional scaling, Measurement & Evaluation in Counseling
& Development; Apr 1991., Vol. 24 Issue 1, str. 12
47
Računski promatrano, MDS nema egzaktnu proceduru nego iterativno pronalazi
konfiguraciju točaka u vi�edimenzionalnom prostoru koja najbolje aproksimira promatrane
udaljenosti (tj. sličnosti/razlike). Koristi se, dakle, algoritam funkcije minimizacije koji
premje�ta objekte u prostoru definiranom određenim brojem dimenzija, te uspoređuje na
svakom koraku koliko dobro udaljenosti među točkama predstavljaju sličnosti/razlike u
ulaznim podacima. Na svakom koraku uspoređuje se stanje s prethodnim iteracijama, a proces
zavr�ava kada je pronađena konfiguracija koja je minimizirala nepodudaranje pronađene
konfiguracije točaka u prostoru sa stvarnim, promatranim udaljenostima među podacima.
Mjera kojom se prosuđuje koliko dobro (ili lo�e) određena konfiguracija točaka u
prostoru reprezentira matricu podataka naziva se stress (naziva se još i raw stress – sirovi
stress), a izračunava se po izrazu:
Phi = [dij - f (ij)]2 , gdje je
phi -mjera stress-a,
dij –producirane udaljenosti s obzirom na dati broj dimenzija,
ij -(delta ij) ulazni podaci, tj. promatrane udaljenosti,
f (ij) -monotona, ne-metrična funkcija transformacije ulaznih podataka (udaljenosti).
Koristeći iste oznake mogu se izraziti koeficijent alijenacije (K) i standardizirani stress (S):
K=[1-{dij*ij}2/(ij2)]
S=[(dij-ij)2/(dij2)]
Što je manja stress vrijednost, bolja je primjerenost reproducirane matrice udaljenosti
stvarnoj matrici (odnosno veća je njihova sličnost). Ova sličnost (ili različitost) stvarnih
nasuprot transformiranih udaljenosti može se vizualizirati Shepardovim dijagramom.
Shepardov dijagram sučeljava transformirane udaljenosti na vertikalnoj osi (y) sa
originalnim sličnostima na horizontalnoj (x); odatle negativan nagib (veća sličnost = manja
reproducirana udaljenost, i obratno).
Ovaj dijagram također daje uvid u step-funkciju (funkciju koraka). Ova linija prikazuje
tzv. ^D vrijednosti, odnosno rezultate monotone tranformacije f(ij) ulaznih podataka. Otkloni
Copyr
ight
48
tj. devijacije reproduciranih točaka od ove linije funkcije koraka ukazuju na nepodudaranje.81
Grafikon 1. daje primjer Shepardova dijagrama.
Grafikon 1. Primjer Shepardovog dijagrama82
Pri definiranju modela potrebno je izabrati početnu konfiguraciju točaka; ona može
biti zadana već postavljenom matricom ili se mo�e izabrati standardna Guttman-Lingoes
konfiguracija. Potrebno je definirati minimalni i maksimalni broj iteracija, te epsilon
vrijednost – najmanju udaljenost koja će biti signifikantna (uputno je ovu vrijednost staviti na
ništicu kako bi postigli što bolju podudarnost).
Dimenzije
Općenito uzev�i, �to se vi�e dimenzija koristi za reprodukciju stvarnih udaljenosti,
veća je podudarnost stvarnih i transformiranih udaljenosti (i sukladno ovome, manja je stress
vrijednost). Kad bi se ovo dovelo do krajnosti te bilo uzeto onoliko dimenzija koliko ima
varijabli, podudarnost bi bila savršena; no cilj je reducirati promatranu složenost prirode kako
bi mogli donijeti određene zaključke. Uz navedeno, jasno je kako izbor dvije ili tri dimenzije
omogućava vizualizaciju dijagramom �to bitno pojednostavljuje interpretaciju.
Uobičajeni način odlučivanja koliko dimenzija uzeti naziva se scree test. Radi se o
dijagramu koji sučeljava broj dimenzija s pripadajućim stress vrijednostima. Cilj je pronaći
točku u kojoj se blagi pad stress vrijednosti 'izravnava', odnosno točku nakon koje se ne
81 eng. lack of fit, suprotno od goodness of fit 82 Izvor: Statistica 6.0 Electronic Manual, Stasoft Inc., 2004.
49
događa značajan pad. Nadesno od ove točke nalazi se (najvjerojatnije) samo faktorski scree83,
tj. manje bitni faktori koji ne doprinose značajno snazi interpretacije.
"Pojava 'lakta' u dijagramu daje uvid u prikladnu prostornu orijentaciju,
nagovije�tajući kako dodatne dimenzije iza ovog 'lakta' daju zanemariv doprinos podudarnosti
stvarnih i transformiranih udaljenosti. No ipak, Arabie, Carroll, i DeSarbo84 kritizirali su ovu
metodu izjavom kako je "u praksi ovaj lakat prisutan koliko i Sveti Gral, te ova strategija
rijetko donosi odlučujući odgovor."85
Grafikon 2. Primjer scree- test dijagrama86
U primjeru scree-testa na grafikonu 2. odlučili bismo se za dvije dimenzije jer nagib
nakon ove točke vi�e nije toliko značajan. No budući da se i trodimenzionalni graf mo�e
iscrtati (jer bi se po scree-test dijagramu također za to rje�enje mogli opredijeliti) i to bi se
trebalo učiniti te usporediti rezultate analize.
Konačni korak MDS analize jest interpretacija dimenzija. Stvarna orijentacija osi je
proizvoljna i grafikon se mo�e rotirati u bilo kojem smjeru, bez posljedica za lakoću
interpretacije rezultata, no još uvijek ostaje problem smislenosti dimenzija.
83 scree je eng. termin u geologiji; predstavlja hrpu sitnog kamenja koja se skuplja u podnožju stijene.
Zamislimo li plavu liniju na grafikonu 2. kao nagib stijene treba postaviti pitanje u kojoj bi se točki skupljalo
kamenje koje pada s vrha. Ta točka predstavlja optimalan broj dimenzija. 84 Arabie, P.; Carroll, J. D.; DeSarbo, W. S; Three-way scaling and clustering, 1987., Beverly Hills, Sage,
str. 36. 85 Grupa autora; An introduction to multidimensional scaling, Measurement & Evaluation in Counseling
& Development; Apr 1991., Vol. 24 Issue 1, str. 12 86 Izvor: Statistica 6.0 Electronic Manual, Stasoft Inc., 2004.
Copyr
ight
50
Mo�e se reći kako su dimenzije smislene ukoliko njihova interpretacija ostaje stabilna
kada se podaci promijene. MDS se mo�e izvesti nekoliko puta na nasumično izabranom
podskupu originalnog skupa podataka; dimenzije koje su stabilne kroz sve podskupove bi se
trebale zadržati, a ostale odbaciti.
Ipak, konačno je mo�da najva�niji idejni smisao dimenzije; ako se dimenzije ne mogu
ni na koji način interpretirati gotovo ni�ta ne znači stabilno rje�enje uz niske stress vrijednosti.
Najjednostavniji i najče�ći način interpretacije dimenzija je intuitivno izvesti
zajedničke značajke objekata na ekstremnim krajevima dimenzije87. Ako su objekti sa
ekstremnim vrijednostima koordinate različiti po određenoj značajki od ostalih objekata, te
ako su s druge strane (promatrajući istu os) objekti na krajnjim točkama različiti od ostalih po
istoj toj značajki (i to po karakteristikama suprotno od ovih prethodnih), onda ovu se ova
značajka mo�e koristiti za identifikaciju dimenzije.
Analitička interpretacija dimenzija može se izvesti korištenjem višestruke regresije
nad varijablama koje su na koordinatama različitih dimenzija, te internim hijerarhijskim
clusteringom88.
3.4. Ostale metode
Ovdje će se ukratko iznijeti metode koje se manje (teorije kaosa) ili više (neuronske
mre�e) koriste u predviđanju poslovnih pote�koća poduzeća. One nipo�to nisu trivijalne, niti
manje kvalitetne, no njihov detaljan opis prelazio bi okvire ovog rada.89
Teorija grubih setova90
Teoriju grubih setova razvio je Zdzislaw Pawlak u 1980-tima. Jo� je prilično
nepoznata i slabo korištena u financijskim krugovima. (Ekstenzivno pretraživanje
87 Schiffman, S. S.; Reynolds, M. L.; Young, F. W.; Introduction to multidimensional scaling, New
York: Academic Press, 1981., str. 12 88 Johnson. S. C; Hierarchical clustering schemes, Psychometrika 32, 1987., str. 241-254
89 Interesenti imaju �iroke mogućnosti uvida u studije o ovim metodama u literaturi. 90 eng. Rough set theory
51
međunarodne literature koje su 1996. učinili Dimitras, Slowinski i Zopoundis91 pronašlo je
158 radova objavljenih u razdoblju 1932-1994 god. vezanih uz stečaj poduzeća; nijedno od
njih nije sadr�avalo model predikcije stečaja koristeći teoriju grubih setova.)
"Početna točka ove teorije je odnos nerazlučivosti - nerazlikovanja92. Ovaj odnos
identificira objekte istih značajki; objekti istih karakteristika smatraju se nerazlučivima i
sukladno ovome identičnima ili sličnima.
Odnos nerazlučivosti vodi grupiranju93 elemenata istih karakteristika u granule
nerazlučivih/sličnih objekata. U teoriji grubih setova ove se granule nazivaju i elementarni
skupovi – koncepti, i one su osnovni građevni elementi na�eg svekolikog znanja.
Svaka unija elementarnih koncepata je precizan ili jasan set; u suprotnom govorimo o
grubom ili nepreciznom setu. Stoga grube setove izražavamo otprilike, usvajanjem ideje donje
i gornje aproksimacije seta. Donja aproksimacija je unija svih granula koje su zaista u setu,
dok je gornja unija onih koje su vjerojatno u setu. Razlika između donje i gornje
aproksimacije je regija razgraničenja. Set je grub (neprecizan) ako ova regija nije prazna, tj.
ako donja i gornja aproksimacija nisu identične, a jasan je (precizan) ako je regija
razgraničenja prazna."94
"Teorija grubih setova može se pojasniti promatranjem tri osnovne kategorije
nepreciznosti u znanstvenim istraživanjima. Prva se odnosi na gre�ku koja je slučajna,
nasumična u prirodi; ova se nepreciznost opisuje statističkom teorijom vjerojatnosti. Potom,
elementi ne moraju biti u samo jednoj (ekskluzivnoj) kategoriji nego mogu spadati u više od
jedne kategorije po nepodudarajućim razinama; netočnost se odra�ava u nejasnoći pripadnosti
setu, a opisuje logikom nejasnoće (eng. fuzzy logic).
Treća kategorija pogre�aka odnosi se na teoriju grubih setova, a korisna je kada su
kategorije u koje objekti trebaju biti klasificirani neprecizne, ali mogu biti aproksimirane
preciznim setovima."95
91 Dimitras, A.; Slowinski, R.; Zopoundis, C.; A survey of business failures with an emphasis on prediction
methods and industrial applications, European journal of Operational Research, No. 90, 1996, str. 487-513 92 eng. indiscernibility relation 93 eng. clustering 94 Pawlak, Zdzislaw; Rough sets and decision analysis, INFOR, Vol. 38, No. 3, Aug 2000., str. 133 95 McKee, Thomas E.; Developing a bankruptcy prediction model via rough sets theory, International
Journal of Intelligent Systems in Accounting, Finance and Management, Sep 2000; 9, 3; ABI/INFORM Global,
str. 159
Copyr
ight
52
Ulazni se podaci kodiraju i rangiraju po određenim pravilima, potom se konstruira
model od n jednostavnih pravila odlučivanja.96
Nelinearni dinamički modeli
Nelinearni dinamički modeli su se pokazali uspje�nima u predviđanju određenih
endogeno determiniranih katastrofalnih sistemskih slomova. Uporabljujući ove modele
moguće je iskoristiti karakteristike kaotičnog pona�anja koje mo�e biti predvidivo i
determinističko, ali zbog ekstremne osjetljivosti na početne uvjete samo na kratki rok.
"Kaotični sustavi, premda kratkoročno deterministički i predvidivi, čine se nasumični,
slučajni. Uzmemo li kako zdravi sustavi pokazuju vi�e kaosa nego nezdravi (Goldbergerova
hipoteza97), mo�e se pretpostaviti da će sustavi u trenutku kada su blizu stečaju (ili je stečaj
već pokrenut) pokazivati značajno manje kaosa mjerenog Ljapunovljevim eksponentima nego
prije tog trenutka."98
Ljapunovljevi eksponenti (LjE) mjere stupanj divergencije ili konvergencije dvije
obli�nje točke dinamičkog sustava. Pozitivni (negativni) LjE mjeri prosječnu eksponencijalnu
divergenciju (konvergenciju) dvaju bliskih putanja.99 Mo�emo reći da LjE mjeri stupanj
osjetljivosti na početne uvjete mjerenjem prosječne eksponencijalne razine divergencije ili
konvergencije obližnjih orbita u faznom prostoru. Po definiciji, svaki sustav koji ima
pozitivan LjE je kaotičan; �to je eksponent veći sustav br�e postaje nepredvidiv.
Izračunom razlika između LjE kalkuliranog za razdoblje kratko prije stečaja i LjE za
razdoblje znatno prije stečaja, mo�e se dokazati Goldbergerova hipoteza.
96 Primjerice, pravilo br.1 u navedenom modelu McKee-a kaže: ako je omjer prihoda i ukupne imovine
kodiran brojem 8, �to znači da ovaj omjer ima vrijednost između 0,02 i 0,05, poduzeće treba rangirati u skupinu
poduzeća koja nisu u stečaju. Očito je kako ovo pravilo ima samo jedan atribut; obično ih nema vi�e od dva do
tri. 97 vidi u Goldberger, Ary L.; Nonlinear Dynamics, Fractals and Chaos: Applications to Cardiac
Electophysiology, 1990., Annals of Biomedical Engineering, Vol. 18, str. 195-198 98 Lindsay, David H; Campbell, Annhenrie; A chaos approach to bankruptcy prediction, Journal of Applied
Business Research, Laramie: Fall 1996. Vol. 12, Iss. 4; str. 1 99 Gencay, Ramazan; Dechert, W. Davis; The identification of spurious Lyapunov exponents in Jacobian
algorithms, Studies in Nonlinear Dynamics and Econometrics, Massachusetts Institute of Technology, October
1996., 1 (3), str. 145
53
Potrebno je spomenuti i tzv. butterfly efekt, poznat u literaturi o kaosu. Radi se o
jednom od prvih primjera primijenjenog kaosa, i to kada pokret leptirovih krila uzrokuje
značajnu promjenu cijelog meteorološkog sustava; ekonomistima ovo može biti poznato na
vlastitim primjerima (naizgled beznačajna promjena u tijeku novca mo�e izazvati ogromne
posljedice).
Metodologija kaotičnih sustava općenito jo� nije apsolutno definirana, a u
financijskom okruženju osobito. Jasno je vidljivo kako su modeli koji se koriste u
financijskim okru�enjima, a koji su temeljeni na modelima kaosa jo� u samom začetku. Ovo
je vidljivo u postupku transfera pretpostavki (Goldberger) o kaotičnim sustavima iz
kardiologije u financijsko upravljanje, a koje su (uspje�no!) učinili Lindsay i Campbell100.
Svakako, biti će interesantno promatrati evoluciju ovih metoda u ekonomiji.
Metode umjetne inteligencije – računalno učenje
U procesu odlučivanja o poslovnim pote�koćama poduzeća stručnjak ima izbor
između osnovne tri mogućnosti:
a) osloniti se na vlastitu prosudbu (iskustvo),
b) uporabiti određenu statističko-matematičku tehniku (koje su obrađene u prethodno), i
c) uporabiti ekspertni sustav – sustav računalnog učenja odnosno umjetne inteligencije, o
kojemu će biti riječi u nastavku.
Ekspertni sustavi, odnosno računalni programi koji funkcioniraju kao stručnjaci u
uskoj domeni predmet su interesa poslovnih istra�ivanja posljednja tri desetljeća. U srcu
svakog ekspertnog sustava nalaze se pravila odlučivanja koja moraju biti rezultat pa�ljive
ekstrakcije od stručnjaka, te potom prevedena na strojno izvr�ivi kod.
Slijedeće tri metode primjeri su strojnog učenja koji se relativno jednostavno mogu
naći na tr�i�tu i koje se uspje�no koriste u predviđanju poslovnih pote�koća. Njihova
usporedba mo�e se naći u Katten, Michael W.; Adams, Dennis A.; Parks, Michael S.; A
comparison of machine learning with human judgement, Journal of Management Information
Systems, Vol. 9, No. 4, Spring 1993., str. 37-57.
100 Ovaj transfer u biti ne mora biti toliko začuđujući; matematika je logistika svih znanosti.
Copyr
ight
54
ID3 - c4.5
J. Ross Quinlan razvio je interaktivni dihotomizator 3 (ID3) na Sveučili�tu u Sydneyu
kao nastavak CLS (eng. concept learning system) algoritma. ID3 stvara stablo odlučivanja iz
fiksnog seta primjera101; rezultirajuće stablo koristi se za klasifikaciju novih slučajeva. On nije
inkrementalni (rastući) algoritam, �to znači da uči iz fiksnog seta podataka i ne revidira stablo
odlučivanja koristeći nove slučajeve.
Podaci iz uzorka koji se koristi za učenje moraju ispuniti slijedeće uvjete:
1.) atribut-vrijednost opis; svaki slučaj mora biti opisan istim atributima i imati fiksni broj
vrijednosti,
2.) predefinirane kategorije; atributi primjera moraju biti definirani, tj. ID3 ih ne uči,
3.) diskretne kategorije; kategorije moraju biti oštro razdvojene (ne smije biti preklapanja),
4.) dovoljan broj primjera; budući se koristi metoda induktivne generalizacije koja se ne
mo�e dokazivati mora biti dovoljno slučajeva kako bi se razlučili oni relevantni od
nasumičnih.
C4.5 je ekstenzija ID3 algoritma koja se koristi kada nam nedostaju vrijednosti za
neke atribute, zatim kada su kategorije kontinuirane, pri 'podrezivanju' stabla odlučivanja,
derivaciji pravila, itd.102
Rekurzivno particioniranje
Jednako kao i ID3, rekurzivno particioniranje je tehnika indukcije pravila. Obje
tehnike rezultiraju particioniranim (podijeljenim) prostorom uzorka koji sadrži regije u kojima
se predviđa da će određena kategorija nastati.
"Iako dakle sličan ID3, rekurzivno particioniranje ima mogućnost implementiranja
kompenzatornih, nekompenzatornih i mije�anih strategija, dok je ID3 ograničen samo na
nekompenzatornu strategiju budući mu nedostaje opcija linearne kombinacije.
Jo� jedna ključna razlika jest da rekurzivno particioniranje ima mogućnost
vrednovanja križanjem103 svojih stabala odlučivanja. Ovaj proces 'obrezuje' stablo odlučivanja
101 training set – set za učenje 102 Više o ID3 u radu Wu, Chien-Hsing; Kao, Shu-Chen; Induction-based approach to rule generation using
membership function, International Journal of Computer Integrated Manufacturing, 2002, Vol. 15, No. 1, str. 86–96., te na
web stranici http://www.cis.temple.edu/~ingargio/cis587/readings/id3-c45.html
55
podrezivanjem sumnjivih grana koje ne klasificiraju dobro kada se ispituju podacima koji nisu
originalni, odnosno podacima koji nisu granu načinili."104
Rekurzivno particioniranje je manje sklono predobroj podudarnosti podataka105 i
stvara manja stabla odlučivanja. Ove ga značajke čine sličnijim ljudskim kognitivnim
karakteristikama i ljudskoj naravi.
Neuronske mreže
Neuronske mreže – eng. neural networks – ime su dobile po svojoj strukturi koja
poku�ava imitirati mre�u neurona u mozgu. One uče na primjeru; korisnik unosi
reprezentativne podatke i poziva algoritme treniranja kako bi neuronska mreža automatski
naučila strukturu podataka. Iznimno su popularne, i koriste se u vrlo različite svrhe; od
geologije do financija106.
U području financija koriste se za predviđanje cijena vrijednosnica ("superiornom
sposobno�ću otkrivanja kratkoročnih obrazaca kretanja cijena dovele su u pitanje hipotezu
nasumičnog kretanja cijena dionica"107), u sustavima za trgovanje vrijednosnicama, pri
određivanju cijena i ograđivanju od rizika derivata, na tr�i�tima deviza, pri rangiranju
obveznica, u postupku odobrenja kredita, u prevenciji i detekciji financijskih malverzacija, u
predviđanju poslovnih pote�koća, itd.
Neuronska mre�a se sastoji od mno�tva međusobno povezanih procesnih elemenata –
neurona – organiziranih u slojeve slične stablu odlučivanja. Konfiguraciju ovih slojeva
nazivamo arhitekturom neuronske mre�e. Slijedi opis često kori�tene arhitekture neuronske
mreže.
103 eng. cross-validation : "Vrednovanje kri�anjem je proces procjene točnosti predviđanja modela, i to
usporedbom (sučeljavanjem, kri�anjem) rezultata testnog uzorka podataka i rezultata uzorka podataka od kojih je
model sačinjen." Statistica electronic manual, Statsoft, Inc. 104 Katten, Michael W.; Adams, Dennis A.; Parks, Michael S.; A comparison of machine learning with
human judgement, Journal of Management Information Systems, Vol. 9, No. 4, Spring 1993., str. 42 105 eng. overfitting sample data 106 Odličan uvod u neuronske mre�e u financijama mo�e se naći kod Krishnaswamy, C.R.; Gilbert, Erika
W.; Pashley, Mary M.; Neural network applications in finance: a practical introduction, Financial practice &
education, Vol. 10, Issue 1, Spring/summer 2000. 107 Krishnaswamy, C.R.; Gilbert, Erika W.; Pashley, Mary M.; Neural network applications in finance: a
practical introduction, Financial practice & education, Vol. 10, Issue 1, Spring/summer 2000.
Copyr
ight
56
Ulazni neuron dobiva određen broj inputa od originalnih podataka, ili od drugih
neurona u mre�i. Svaki input dolazi putem koji ima određenu snagu (te�inu, ponder), a svaki
neuron ima određenu inicijalnu vrijednost. Formira se ponderirana suma inputa, zatim se
oduzima inicijalna vrijednost da bi se neuron aktivirao. Signal aktivacije se šalje kroz funkciju
aktivacije (poznata i kao funkcija transfera) i producira se output neurona.
Dakle, postoje tri osnovne vrste neurona; input (ulazni), sakriveni (u više slojeva), i
output (izlazni).
Input neuroni u biti uopće nisu neuroni; ove jedinice jednostavno slu�e unosu
varijabli. Umrežavanjem neurona stvara se tzv. feedforward neuronska mreža, u kojem od
ulaznih neurona signal teče preko sakrivenih slojeva neurona (ne vraćajući se) da bi
eventualno došao do izlaznih jedinica. Ovo je najpoznatiji primjer arhitekture neuronske
mreže, a naziva se Multilayer perceptron, i prikazana je na grafikonu 3. Postoje i rekurentne
(feedback) mreže u kojima postoje veze unatrag prema ranijim neuronima, no imaju vrlo
složenu dinamiku i u praksi su nestabilne.
Grafikon 3. Neuronska mreža – multilayer perceptron108
Kao i druge metode računalnog učenja, neuronske mre�e najprije treba naučiti,
istrenirati. Postoje metode nadgledanog i nenadgledanog treninga. Najpoznatiji primjer
trening algoritma je back-propagation algoritam. Multilayer perceptron je nadgledana,
feedforward mreža koja koristi back-propagation algoritam.
The self organizing feature map (SOFM) je općeniti termin za nenadgledane
neuronske mreže, primjerice Boltzmannov stroj i Kohonen feature map.
108 Izvor: http://www.statsoft.com
57
Ključno je pribaviti reprezentativne podatke koji će biti kori�teni za učenje; potrebno
je pokriti sve eventualnosti. Podaci se zatim dijele u dvije skupine; za učenje i za testiranje.
Općenito, neuronske mre�e se koriste kao "crna kutija", �to im se često i predbacuje.
Naime, nije poznata priroda veza između inputa i outputa; podaci se unose, potom se dobivaju
rezultati – veza ostaje nepoznata. Naime, kada bi se poznavala priroda input-output odnosa
ona bi se mogla modelirati direktno. Mreža ovaj odnos ne objašnjava, ali ga reproducira
nakon treninga.
Kada se neuronska mre�a koristi umjesto diskriminacijske analize često ne uspijeva
pravilno svrstati susjedne slučajeve. Ova slabost dolazi do izra�aja u aplikacijama kao što su
rating obveznica i predviđanje poslovnih pote�koća, gdje je pripadnost bitno različitim
grupama uvjetovana blagim razlikama u karakteristikama.
Treba spomenuti kako se neuronske mreže koriste i umjesto metoda
multidimenzionalnog skaliranja te "nadmašuju standardni algebarski pristup MDS-a."109
109 Garrido, Lluís; Gómez, Sergio; Roca, Jaume; Improved Multidimensional Scaling Analysis Using
Neural Networks with Distance-Error Backpropagation, Neural Computation; 04/01/1999., Vol. 11 Issue 3
Copyr
ight
58
44.. KKrriizznnee ssiittuuaacciijjee uu bbaannkkoovvnnoomm ssuussttaavvuu RReeppuubblliikkee
HHrrvvaattsskkee
Bankovni je sustav u procesu osamostaljenja i tranzicije, te uhodavanja tržišnih
principa u Republici Hrvatskoj prošao nekoliko kriznih situacija. Ovo će poglavlje nastojati
pojasniti probleme u bankovnom sustavu Hrvatske do kojih je došlo u vrijeme tranzicije,
odnosno krizne situacije koje su posljedica transformacije gospodarskog sustava, kao i krizne
situacije kojima su uzorci kompleksniji i kojima se ne mo�e implicirati naslijeđe
socijalističko-komunističkog ambijenta. Akcentirat će se konkretne problemske situacije,
način njihova rje�avanja, te posljedice, s osobitim naglaskom na najveću krizu bankovnog
sustava u Republici Hrvatskoj, onu 1998. godine.
Analizom financijskih pokazatelja (odnosno omjera) iz 1995. godine nastojat će se
predvidjeti oni slučajevi banaka za koje je u kriznim trenucima (osobito onima 1996. te onima
koji su posljedica krize 1998. godine) pokrenut postupak stečaja ili sanacije.
4.1. Bankarstvo u Hrvatskoj do osamostaljenja i naslijeđeni problemi
Ovdje će se ukratko prikazati gospodarsko-politički okvir u kojem je nastajao
bankovni sustav kojega je nezavisna i suverena Republika Hrvatska preuzela osamostaljenjem
1991. godine, kao i specifični problemi koji su u ranim godinama postojanja novonastale
dr�ave morali biti rje�avani, a koji su nastali kao posljedica centralističkog koncepta uređenja
gospodarstva.
U Hrvatskoj je već nekoliko desetljeća postojao dvoslojni bankovni sustav u kojem su
razdvojene funkcije središnje banke i funkcije poslovnog bankarstva. Zakonom iz 1972.
godine ustanovljene su republičke narodne banke, a Narodna je banka Jugoslavije ostala
jedina emisijska banka. To je u praksi značilo vi�e autonomije u narodnim bankama pojedinih
republika, kojima je namijenjeno biti distributivnim centrima Narodne banke Jugoslavije.
Drugim je zakonom (usvojenim također 1972. god.) omogućeno osnivanje banaka
društvenim, ekonomskim i drugim radnim organizacijama. Navedenim zakonom bankama je
59
omogućeno komercijalno i investicijsko kreditiranje, ukinuta je gornja granica kamatnih
stopa, i općenito uzev�i, reduciran je utjecaj dr�ave u bankovnom sektoru.
U siječnju 1977. god. nastavljena je regulatorna liberalizacija sustava, a tada doneseni
je zakon uređivao nove principe bankovnog sustava i propisivao tri vrste banaka: interne110
banke, osnovne111 banke, i asocijacije banaka112.
Dakle, poslovne su banke bile pod nadzorom poduzeća osnivača, a njihova osnovna
funkcija bila je odobravanje �to jeftinijih kredita svojim osnivačima.
Monetarna politika i institucionalno okruženje pogodovali su ponašanju banaka koje
nisu vodile poslovanje u smjeru stvaranja dobiti. Osnovni su instrumenti monetarne politike
bili tzv. selektivni krediti iz primarne emisije i limitiranje plasmana banaka. Banke su imale
mogućnost gotovo neograničenog zadu�ivanja kod sredi�nje banke kori�tenjem navedenih
selektivnih kredita, i to po vrlo niskim, često i realno negativnim kamatnim stopama. Ovi su
selektivni krediti konačno ukinuti tek 1993. godine.
U navedenim uvjetima središnja banka nije imala kontrolu nad primarnim novcem, te
je ograničavanjem plasmana banaka nastojala upravljati razinom novčane mase.
Institucionalno okruženje stvorilo je uvjete poslovanja u kojima je konkurencija među
bankama bila izrazito slaba.
Od sredine osamdesetih godina počela se mijenjati zakonska regulativa, odnosno
započeta je reforma bankovnog sustava. Banke su pretvorene u dionička dru�tva, a dioničari
su postali dotadašnja poduzeća – osnivači, koja su udjele u odlučivanju imala sukladno visini
njihove vlasničke glavnice. Uvedeni su elementi bankovne supervizije, kao �to su najveći
mogući kredit jednom zajmoprimcu, adekvatnost kapitala, procjena kreditnog rizika, i
formiranje posebnih rezervi za lo�e plasmane. Zatečena zadu�enost dioničara uglavnom je
prema�ivala novodopu�tene granice, a usklađivanje je trebalo provesti tijekom prijelaznog
razdoblja. Uvođenjem obveznog indeksiranja prema inflaciji ukinula se praksa realno
negativnih kamatnih stopa. Prestalo je međubankovno ("samoupravno") dogovaranje o visini
110 To su bile financijske podru�nice grupe (ili samo jednog) poduzeća s ograničenim spektrom
financijskih usluga (nisu smjele prikupljati depozite od ne-članica, niti im odobravati plasmane) 111 Njihovi su osnivači bili poduzeća i pravni entiteti dru�tvenog sektora, a imale su pravo obavljati sve
tadašnje bankarske poslove 112 Asocijacije banaka formirale su udružene dvije ili više osnovnih banka, a njima je zakonodavac
namijenio ulogu financijera velikih projekata i obavljanja financijskih poslova s inozemstvom
Copyr
ight
60
kamatnih stopa na depozite stanovništva, i liberalizirala se regulativa uvjeta osnivanja novih
banaka, �to je dovelo do povećanja konkurencije poslovnih banaka.
Kako profitabilnost i rizičnost ulaganja nisu bile vodeće ideje poslovanja banaka lo�i
su plasmani bili prije pravilo nego izuzetak. Visoka inflacija svekoliko je pomagala rješavanju
problema loših plasmana jer je bankama donosila kapitalnu dobit kroz smanjenje realne
vrijednosti plasmana i smanjenje realne vrijednosti obveza po depozitima u domaćoj valuti
(inflacija nije mogla obezvrijediti obveze po deviznim depozitima, što je rezultiralo velikim
gubicima banaka koje je i SFRJ priznavala kao svoj javni dug).
Interesantan mo�e biti primjer Međimurske banke iz Čakovca koja je upravo
inflacijom bila spašena. Naime, gubici su ove banke krajem osamdesetih godina višestruko
premašivali kapital, a državne su institucije razmatrale model sanacije ove banke. Sanacija na
kraju nije niti bila potrebna jer je realna vrijednost gubitaka jednostavno presahnula.
S obzirom na ove pokazatelje razumljivo je da se �eljelo uvesti reda u poprilično
konfuznu situaciju. Slijedom toga, u suradnji sa Službom društvenog knjigovodstva
revizorska je tvrtka Coopers&Lybrand izvršila analizu kvalitete banaka prema podacima za
1989. godinu.
Temeljem rezultata ove analize i vlastitog ispitivanja Hrvatska narodna banka,
odnosno tada�nja Narodna banka Hrvatske je u svom godi�njem izvje�ću za 1991. godinu
navela kako je na kraju 1990. godine 5 banaka bilo solventno, 10 banaka je bilo solventno ali
s problemima vezanima za naplatu potra�ivanja, 11 ih je bilo tehnički insolventno, a dvije su
bile ozbiljno insolventne. Dakle, od ukupno 28 banaka nešto manje od polovine (13) je bilo
insolventno, što ukazuje na vrlo teško stanje u bankovnom sustavu, i to usred meteža rata i
tranzicije.
Potraživanja koja su kasnije pretvorena u obveznice Republike Hrvatske s osnove
stare devizne štednje bila su u Coopers&Lybrand analizi prikazana kao najbolja aktiva
banaka, a radilo se o potra�ivanjima od (biv�e) Narodne banke Jugoslavije koja su činila oko
čak 50 % ukupne aktive banaka. Raspadom SFRJ ova su potra�ivanja postala bezvrijedna.
Problem nesolventnosti tada se drastično povećao te pojavio i kod onih 15 banaka koje do
tada nisu pokazivale znakove insolventnosti. Ovo je bio vrlo iznimno problematičan trenutak i
jedna od prekretnica u bankovnom sustavu Republike Hrvatske.
61
4.2. Gospodarska situacija i linearna sanacija banaka
Osim liberalizacije ulaza u bankovni sektor, od 1990. do 1993. godine bankovni je
sustav u novonastaloj Republici Hrvatskoj funkcionirao po načelima ustanovljenim u SFR
Jugoslaviji. Broj se banaka od njih 26 u vrijeme deklariranja nezavisnosti nakon dvije godine
gotovo udvostručio i do�ao do 43 već krajem 1993. No, bankovna regulativa i praksa
(diversifikacija rizika, praksa pozajmljivanja, izračun adekvatnosti kapitala) ostale su
nepromijenjene, što je prvi moderni Zakon o bankama iz 1993. godine nastojao korigirati.
Nepovoljna gospodarska situacija uzrokovala je da se bankovni sustav u Hrvatskoj u
vrijeme osamostaljenja našao u ozbiljnim problemima. Kriza je imala korijene u:
1. biv�em socijalističkom sustavu, u kojemu se formiralo vi�e od polovice aktive i pasive
bankovnog sustava;
2. pogre�nom okviru poslovanja, u kojem je bankovni sustav bio servis za provođenje
planova organizacija udruženog rada i društveno-političkih zajednica;
3. pogre�noj poslovnoj politici, prema kojoj temeljna načela poslovanja banaka i
gospodarskih subjekata nisu bila sigurnost, likvidnost i profitabilnost, nego tzv.
društvena opravdanost proizvodnje i investicija;
4. u bivšim propisima kojima je regulirano bankovno poslovanje, a kojima se nije tražilo
od banaka da identificiraju gubitke u svojim bilancama, te su oni stoga ostali prikriveni
do promjene sustava;
5. izvanrednoj ratnoj situaciji koja je nestabilna i često kaotična, a �to naru�ava same
temelje bankarstva – povjerenje zasnovano na stabilnosti i sigurnosti.
Nastankom Hrvatske narodne banke, i općenito osamostaljenjem Republike Hrvatske
1991. godine počinje reforma bankovnog sustava. U njoj Hrvatska narodna banka postaje
središnja, emisijska banka, sa svim funkcijama i odgovornostima koje takav naslov nosi.
S obzirom da je devizna �tednja hrvatskih građana ostala u Narodnoj banci
Jugoslavije, a ista ih nije imala namjeru vratiti vlasnicima, ove je obveze država sanirala u
smislu izdavanja obveznica komercijalnim bankama. Domaće su banke tako postale du�nici
od kojih su štedi�e potra�ivale svoje uloge. Na ovaj je način vraćeno povjerenje u bankovni
Copyr
ight
62
sustav, koje je možda i najbitnija njegova komponenta, ali i preuzet javni dug bivše
Socijalističke Federativne Republike Jugoslavije kao vlastiti.
Krajem 1991. godine donesena je odluka o izdavanju obveznica s osnove stare devizne
�tednje i o blokiranju �tednje stanovni�tva na određeno vrijeme, jer RH nije imala
međunarodne pričuve. Obveznice su nosile kamatu od 5% plativu polugodi�nje, i bile su
indeksirane prema njemačkoj marki.
Tek u lipnju 1992. godine u knjigovodstvima banaka relativno su pouzdano iskazane
operacije zamjene potraživanja i blokade depozita – obveznice su činile 44,7 % aktive banaka,
a blokirani depoziti 41,5 % pasive. Iznosi su izvorno bili jednaki, a razlika od 3,2 % odnosi se
na razdoblje tijekom 1991. godine tijekom kojeg su banke isplaćivale depozite, ali nisu mogla
naplatiti potraživanja za njih.
Osim navedenih obveznica po osnovi stare devizne štednje, rješavanje problema
insolventnosti pokušano je i izdavanjem tzv. velikih obveznica u 1991. i 1992. godini. Ove je
obveznice dr�ava donirala velikim dr�avnim poduzećima (odnosno klijentima velikih banaka)
temeljem Zakona iz 1991. godine. Poduzeća su tim obveznicama po nominalnoj vrijednosti
otplatila svoje dospjele obveze prema bankama, a obveznice su izdate na rok od 20 godina, i
formalno nose kamatu od 5 % godišnje, plativu polugodišnje, no kasnije je Ministarstvo
financija dalo tumačenje kako su obveznice zapravo beskamatne, jer se polugodi�njim
otplatama kamata otplaćuje glavnica.
Obveznice su uglavnom dobili krajnji korisnici selektivnih kredita iz primarne emisije
(poljoprivredni kombinati, brodogradili�ta i poduzeća usmjerena na nekada�nje klirin�ko
tržište) koji su time otplatili svoje dospjele obveze prema bankama.
Izdavanjem velikih obveznica riješen je problem insolventnosti, ali nisu provedene
nikakve druge mjere koje bi navele one banke koje ne slijede dobru bankarsku poslovnu
praksu da preispitaju svoj način poslovanja. Stoga nije do�lo do značajnih promjena u
poslovanju banaka, niti do restrukturiranja. One koje su nisu vodile računa o lo�im
plasmanima, kreditiranju povezanih osoba, i sl. jednostavno su nastavile raditi po starim
principima. Iz navedenih se razloga izdavanje velikih obveznica, zajedno sa izdavanjem
obveznica s osnove devizne �tednje najče�će naziva linearna sanacija banaka.
63
Linearna sanacija banaka gotovo je potpuno riješila problem loše aktive banaka, te se
u godi�njem izvje�ću HNB za 1991. godinu mo�e čitati porast kapitala od u prosjeku od
225%, čime je koeficijent adekvatnosti kapitala gotovo udeseterostručen. Uzrok je tomu u
provedenom knjiženju obveznica RH na osnovu koji je isknjižena loša aktiva banaka i
smanjeni mogući gubici.
Visoki financijski rezultati ostvareni su zahvaljujući visokoj inflaciji (u 1991. godini
zabilježen je rast cijena od 122,4%, što je bila osnova za revalorizaciju velikih dionica) i
neevidentiranju svih troškova. Naime, nisu iskazani enormni troškovi obzirom na promjenu
tečaja. Slu�beni tečaj po kojem su iskazane devizne stavke u bilancama bio je 13 HRD za 1
DEM, a tr�i�ni je tečaj bio gotovo tri puta veći – oko 37 HRD za 1 DEM.
4.3. Sanacije velikih banaka u pretežito državnom vlasništvu
Za razliku od sanacije kompletnog bankovnog sustava (linearne sanacije), u 1995. je
godini pristupljeno prvim individualnim sanacijama pojedinačnih banaka, i to onih u prete�ito
državnom vlasništvu.
Bankovni sustav Republike Hrvatske u 1996. godini činila je 61 banka. Povećanje
broja banaka tijekom 1996. godine nije promijenilo strukturu hrvatskog bankarstva, pa su tako
i dalje četiri velike banke raspolagale s gotovo polovinom ukupne bilančne svote svih banaka
(43%). Zbog lo�eg poslovanja 1996. je godine javno priznata neučinkovitost tri od četiri
najveće banke, te je donesena odluka o njihovoj sanaciji.
Banke su zabilje�ile gubitke vi�estruko veće od kapitala, koji su rezultirali iz
nenaplativih plasmana velikim dr�avnim poduzećima. Splitska je banka imala 2,3 puta veće
lo�e plasmane od kapitala, Riječka 1,4 puta, a Privredna oko 2,7 puta. Udio loših plasmana u
ukupnim plasmanima banke iznosio je 16,3 % u Splitskoj, u Riječkoj 29,9%, dok za
Privrednu banku podaci nisu objavljeni, ali se pretpostavlja da je bio najveći. Poznato je da je
neposredno pred sanaciju PBZ-a udio njenih loših plasmana u ukupnim plasmanima svih
banaka domaćim poduzećima iznosio 25,1 %, te je sanacija Privredne banke bila
mnogostruko značajnija od sanacije Splitske i Riječke banke.
Copyr
ight
64
Kod sve tri banke postojala je iznimno velika koncentracija loših plasmana, a preko
90% njih se odnosilo na plasmane velikim poduzećima u dr�avnom vlasni�tvu.
Opći i administrativni tro�kovi koji u ukupnim rashodima hrvatskih banaka na kraju
1996. godine imaju udio od čak 35% također su dobar pokazatelj lo�eg stanja bankovnog
sustava u Hrvatskoj u tom razdoblju.
Sve su sanacije obuhvaćale slijedeće elemente:
1. Prijenos loših plasmana na Državnu agenciju za osiguranje štednih uloga i sanaciju
banaka. Ovdje valja naglasiti kako odluke o sanaciji banaka ne bi trebale uključivati
oprost ili reprogram obveza loših dužnika – njihove bi obveze trebale dospijevati kako
je izvorno bilo ugovoreno. No ipak, dug je pojedinih du�nika restrukturiran (praktično
otpisan) direktno putem sanacije poduzeća.
2. Dokapitalizacija. Po otpisu loših plasmana država je dokapitalizirala banke do razine
minimalne adekvatnosti kapitala. Kod sve tri je banke ovo rezultiralo smanjenjem
ukupne bilančne svote, te je tako nakon sanacije PBZ postala druga banka u Hrvatskoj
po veličini aktive.
3. Promjena dioničara banke. Stare dionice čiji su vlasnici bili prvenstveno poduzeća u
privatnom vlasni�tvu su poni�tene, a novi je dioničar postala Dr�avna agencija za
osiguranje štednih uloga i sanaciju banaka
4. Promjena uprave banke. Na čelo banaka postavljeni su povjerenici koji su za svoj rad
odgovorni Agenciji.
Najvidljivija promjena koja je nastupila po sanaciji banaka je pad aktivnih kamatnih
stopa. Tako su kratkoročne kamatne stope na tr�i�tu novca pale sa 29,7% u prvom tromjesečju
1996. godine na 10,0% u posljednjem tromjesečju 1996. godine.
U strukturi ukupne bilance banaka u Republici Hrvatskoj na kraju 1996. godine udio
dobre aktive iznosio je 88,4%, a udio lo�e aktive 11,6%, a značajnim dijelom rezultira i iz
sanacije banaka jer su iz bilanci tih banaka loši plasmani otpisani na teret kapitala banaka.
Tijekom 1995. godine sanirana je (restrukturirana) i Slavonska banka u Osijeku, te
broj saniranih banaka privremeno staje na brojci četiri. Slavonska je banka bila specifičan
slučaj sanacije jer je proceduru inicirala dobrovoljno, a potencijalni su gubici iznosili manje
od 50% temeljnog kapitala.
65
Bitno je istaći kako su sanacije velikih banaka u prete�ito dr�avnom vlasni�tvu
učinjene 1996. godine primarno zbog naslijeđa lo�e aktive i problema izvanredne ratne
situacije, a ne iz razloga strukturnog nepridr�avanja dobrih poslovnih običaja u bankarstvu, a
�to je bio slučaj kod slomova banaka u krizi 1998. godine.
4.4. Kriza bankovnog sustava 1998. godine
Najveća je bankovna kriza u suvremenoj hrvatskoj dr�avi nastala u godini značajnog
povećanja fiskalnih prihoda zahvaljujući uvođenju poreza na dodanu vrijednost, a veći su
prihodi pribavljeni od poreznih obveznika rezultirali drastičnim povećanjem fiskalnih rashoda
u rebalansu proračuna. Krajem godine dr�ava je objavila relativno malo ostvarenje
proračunskog deficita, no on nije sadr�avao brojne ostvarene a neisplaćene rashode.
Na makroekonomskoj razini mo�e se govoriti i o smanjenju mogućnosti inozemnog
zaduživanja nakon ruske i azijske krize, što je dovelo do deficita tekućeg računa platne
bilance.
Poslovanje skupine agresivnih, brzorastućih srednjih banaka čije su stope rasta bile
oko četiri puta vi�e od procijenjene stope rasta nominalnog BDP-a došlo je do prijelomne
točke. U prethodnom su razdoblju ove banke imale visoke kamatne stope na depozite kako bi
privukle sredstva za svoje često vrlo rizične plasmane. To je navedene banke (uz druge
slabosti i nepravilnosti u poslovanju) dovelo u insolventnost i nelikvidnost te u konačnici i do
stečaja. Nudile su kamatne stope znatno više od tržišnog prosjeka i izdavale plasmane
iznimno rizičnim komitentima, a često i povezanim osobama. Krajem 1996. godine ove su
banke (gotovo sve nastale nakon 1991. godine) isplaćivale prosječnu kamatnu stopu od 12%
na �tedne i oročene depozite, a stabilne banke svega 8%. Agresivnu politiku kamatnih stopa
nisu pratili adekvatni plasmani koji bi ove isplate omogućavali. U 1998. godini banke su
ostvarile ukupni gubitak od 1,3 milijarde kuna, dok je prethodne godine ostvarena dobit od
1,2 milijarde kuna.
U izvje�ću o stanju u bankovnom sustavu Republike Hrvatske podnesenom Saboru
naslovljenom "Banke na raskri�ju" koje je u rujnu 1997. godine najavilo mogućnost krize
(koja se nažalost i obistinila), zabilježeno je: "Skupina agresivnih srednjih banaka ima
zabrinjavajuće visok udio lo�e aktive od 9,3% u rizičnoj aktivi."
Copyr
ight
66
U navedenom izvje�ću tu su skupinu banaka činile Dubrovačka banka, Glumina
banka, Županjska banka, Hrvatska poštanska banka, Gradska banka, Komercijalna banka,
Trgovačka banka, i Agroobrtnička banka. Od navedenih redovno je nastavila poslovati samo
Hrvatska po�tanska banka (Trgovačka je banka danas u sastavu Erst&Steierm. banke).
Početkom 1998. godine Dubrovačka je banka (peta po veličini u to vrijeme) prestala
redovno funkcionirati, a svega nekoliko mjeseci kasnije donijeta je odluka o sanaciji po istom
modelu po kojem su sanirane i velike banke u državnom vlasništvu. Brzina je rješavanja
problema bila rezultat velike političke afere koja je pratila krizu ove banke. Poljuljano je
povjerenje građana u depozite kod drugih banaka koje su se smatrale sudionicima ove afere, i
premda nije do�lo do ukupnog smanjenja depozita u bankovnom sustavu do�lo je do prilično
značajne redistribucije depozita među bankama.
U srpnju 1998. godine �esta je banka po veličini prestala uredno ispunjavati svoje
obveze, potom je krajem godine i početkom 1999. god. to isto učinilo jo� nekoliko manjih i
srednjih banaka113. Za razliku od Dubrovačke banke nije se pristupilo promptnoj sanaciji, te
su ove banke praktično prestale raditi.
U godi�njem izvje�ću HNB za 1998. godinu o krizi se govori na slijedeći način:
"Nakon razdoblja koje je bilo obilje�eno, s jedne strane, sanacijom četiriju velikih
dr�avnih banaka (Slavonska, Riječka, Splitska i Privredna banka) opterećenih u velikoj mjeri i
nasljeđem iz pro�log sustava, te s druge strane otvaranjem većeg broja novih banaka i naglim
širenjem bankovnog poslovanja, pokazalo se da brzi rast u dijelu banaka nije bio zasnovan na
zdravim temeljima. Stoga su se neke banke na�le u ozbiljnim pote�koćama, čim je splasnuo
visoki priljev štednje ostvarivan u prvim poratnim godinama a obveze prema deponentima
trebalo je izmirivati prihodima od plasmana prikupljenih sredstava. Budući da su pojedine
banke velik dio kredita dale povezanim osobama, bez odgovarajućih jamstava i brige oko
naplate potra�ivanja, vrlo brzo zapale su u nevolje s likvidno�ću, iza kojih je na vidjelo izbila
i njihova nesolventnost, uzrokovana neodgovornim raspolaganjem tuđim novcem, ponegdje i
s obilježjima kriminalne aktivnosti.
113 Redoslijed je slijedeći: kako je navedeno najprije su se problemi javili u Dubrovačkoj banci, zatim u
Ilirija banci, Glumina banci, Komercijalnoj banci, Županjskoj banci, Gradskoj banci te potom u Neretvansko-
gospodarskoj banci.
67
Kako se nije radilo o prolaznim poremećajima, a spa�avanje takvih banaka na teret
svih poreznih obveznika nije prihvatljivo jer bi poticalo daljnji moralni hazard i zlouporabe,
prema nekim financijskim institucijama morale su biti poduzete i drastične mjere isključivanja
s tržišta.
Na prijedlog Savjeta HNB tijekom 1997. i dijela 1998. godine donijete su odluke o
pokretanju stečaja u osam banaka114. Uz to, u Dubrovačkoj banci i Croatia banci, nakon
imenovanja privremenog upravitelja i analize zatečenog stanja otvoren je postupak sanacije.
U pojedine je banke gdje su kontrolni nalazi pokazali neke poremećaje u poslovanju, sredi�nja
banka uputila svoje povjerenike kako bi pomogli u otklanjanju nepravilnosti i u stabilizaciji
poslovanja. Iako nenavikla na to da i banke mogu u stečaj, hrvatska javnost primila je ovo
proči�ćavanje bankovnog tr�i�ta smireno. Istina, do�lo je do prolaznog smanjivanja kunske i
devizne štednje od ožujka do svibnja 1999. godine, a poslije toga štednja u hrvatskom
bankovnom sustavu opet bilje�i blagi, ali neprekinuti rast. Odstranjivanje problematičnih
banaka s tržišta povoljno se odrazilo i na odnos ponude i potražnje na tržištu novca, a time i
na smanjivanje kamatnih stopa tijekom ove godine."
Kontradiktorno je kako "spašavanje takvih banaka na teret svih poreznih obveznika
nije prihvatljivo", i potom otvaranje postupka sanacije u dvije banke (za koje je očito, među
ostalim, postojala i politička volja da se isto učini) na račun poreznih obveznika, te navod
kako je "hrvatska javnost primila ovo proči�ćavanje bankovnog tr�i�ta smireno".115 Činjenica
je kako se odabir banaka koje će biti pod izvanrednom terapijom infuzijom sredstava poreznih
obveznika temeljio na političkoj moći određenih krugova ljudi. Činjenice su također slijedeće:
"Tro�kovi sanacije pete banke po veličini bili su 2 posto BDP-a, a početne procjene
pokazuju da su troškovi isplate osiguranih depozita iz ostalih propalih banaka oko 3 posto
BDP-a. Ukratko, ukupni troškovi bankovnih kriza (1996. i 1998.) iznose barem oko 27 posto
114 Vukovarska banka, Ilirija banka, Glumina banka, Gradska banka, Komercijalna banka, Županjska
banka, Neretvansko-gospodarska banka, Trgovačko-turistička banka 115 Stečaj �upanjske banke, primjerice, paralizirao je dobar dio gospodarstva jugoistočne Slavonije, a
recesija koja otada na tom području traje činjenica je s kojom se tamo�nji građani ne mogu pomiriti, osobito oni
čija je �ivotna u�teđevina oti�la u nepovrat. Slično se mo�e reći i za neke druge banke koje su tada oti�le u stečaj,
te se mo�e zaključiti kako je hrvatska javnost ovu činjenicu primila smireno jedino ako ovu bankovnu krizu
uspoređujemo s krizom koja se dogodila u npr. Argentini.
Copyr
ight
68
BDP-a. Te se krize ubrajaju među (fiskalno) najskuplje bankovne krize u modernoj
povijesti."116
Samo za Dubrovačku banku Vlada je Republike Hrvatske donijela odluku o izdavanju
obveznica u iznosu od 2,601 milijarde kuna.
4.4.1. Upravljanje rizikom kao jedan od glavnih uzroka problema
Upravljanje rizikom pokazalo se kao bolna točka hrvatskog bankovnog sustava.
Slijedeće su komponente rizika najznačajnije utjecale na nastanak krize:
1. Kreditni rizik
Kreditni rizik najprepoznatljiviji je rizik u bankarstvu i u hrvatskim je bankama
dominantan. Kreditni je rizik rizik vjerojatnosti da klijent neće podmiriti svoje obveze prema
banci. Naime, postoji izvjesna mogućnost da klijent ili izdavatelj vrijednosnog papira, neće
biti u stanju otplatiti zajam ili neku drugu kreditnu izlo�enost, odnosno da neće uredno
servisirati dug. Krediti u pojedinim bankama davani su bez prethodnog utvrđivanja kreditne
sposobnosti klijenata, bez adekvatnog osiguranja i uz veliku koncentraciju rizika (velika
izloženost prema pojedinim klijentima ili povezanim klijentima).
Da bi se upravljalo kreditnim rizikom, moraju postojati i provoditi se jasno definirane
kreditne politike. Kod dijela banaka kreditne politike uopće nisu niti postojale, odnosno gdje
su i postojale, nisu se provodile.
Prethodni centralistički gospodarski sustav ostavio je u naslijeđe određen način
razmišljanja i pristup upravljanju i poslovanju. Naime, u uvjetima tranzicije još nije
razdvojeno vlasništvo od upravljanja, što se moglo promatrati i u sektoru bankarstva. Nije bila
rijetka pojava da jedna osoba, ili mali broj osoba, kontrolira poslovanje grupe poduzeća,
odnos grupe s određenom bankom, a često ista osoba ima utjecaj i na poslovanje banke, ili je
pak njezin većinski vlasnik. Za banku je osobito rizičan sukob interesa koji nastaje kada se
vlasnik banke ili osoba koja upravlja bankom istodobno koristi kreditom te banke. Davanje
kredita povezanim stranama posljedica je lo�eg upravljanja rizikom, koja ima ključnu ulogu u
nastanku krize u banci.
116 �onje, Velimir; Vujčić, Boris: Hrvatska u drugoj fazi tranzicije 1994. – 1999., HNB – direkcija za
odnose s javno�ću i izdavačku djelatnost, Zagreb, lipanj 2000., str. 11.
69
Također valja spomenuti kako ukupni iznos svih kredita i drugih potra�ivanja ili
preuzetih obveza prema jednom zajmoprimcu ne smije prelaziti 30% jamstvenoga kapitala.
Na kraju 1998. godine to je ograničenje prekoračilo osamnaest banaka u 43 pojedinačna
slučaja, a ta su potra�ivanja iznosila su ukupno 7,5 milijardi kuna. No razlog ovih
prekoračenja su veliki krediti naslijeđeni iz pro�log sustava, kao �to su krediti Hrvatskoj
elektroprivredi i INA-i.
Ova je komponenta bankovnog rizika imala najznačajniji utjecaj u krizi hrvatskog
bankarstva 1998. godine.
2. Rizik likvidnosti
Rizik likvidnosti jest rizik da banka neće moći izvr�iti svoje obveze o dospijeću.
Poslovodstvu banke se mo�e dogoditi da ne uspije uskladiti ročnost dospijeća aktive i pasive
kako bi udovoljila gotovinskim potraživanjima potrebnim za poslovanje, odnosno da nema
dostatnu količinu likvidnih sredstava. Krajnja situacija koja mo�e rezultirati je povlačenje
depozita iz banke, a ona se mo�e javiti kao rezultat većih poremećaja koji su izvan moći
bančinog upravljanja rizikom likvidnosti.
Rizik likvidnosti ne može se promatrati odvojeno od kreditnog rizika i, u pravilu,
banka koja ima dobro ustrojeno upravljanje kreditnim rizikom imat će i dobro razrađeno
upravljanje likvidno�ću. Karakteristika dobrog upravljanja bankom je upravljanje svim
bankovnim rizicima, odnosno upravljanje rizikom u cjelini. Isto tako, banka koja ne drži do
upravljanja kreditnim rizikom te�ko da će dobro upravljati rizikom likvidnosti. Ovo se
pokazalo najočitijim u slučajevima problematičnih banaka 1998. godine. Upravo njihovi
problemi s likvidno�ću bili su ne samo početak vidljivog manifestiranja nakupljenih slabosti u
tim bankama nego i potvrda njihove loše politike upravljanja rizicima.
3. Valutni rizik
Valutni rizik je rizik od gubitka zbog nepovoljnih kretanja deviznih tečajeva
primjenjivih na aktivu i pasivu denominiranu u stranoj valuti ili na prava i obveze
denominirane u stranoj valuti. Devizne obveze ne smiju biti veće od deviznih potra�ivanja niti
devizna potraživanja od deviznih obveza u iznosu koji prelazi 30% jamstvenoga kapitala
banke, a izvještaj se Hrvatskoj narodnoj banci podnosi dnevno.
Copyr
ight
70
U hrvatskom je bankarstvu osobito aktualan valutni rizik jer je 62% pasive banaka u
1998. godini bilo denominirano u stranoj valuti, dok je većina aktive u kunama. Da bi izbjegle
valutni rizik, banke daju kredite uz valutnu klauzulu. Na taj način se valutni rizik pretvara u
kreditni rizik. Prema podacima za 31. prosinac 1998. godine na razini bankovnog sustava
devizna potra�ivanja prema�ila su devizne obveze u iznosu koji čini 38% jamstvenoga
kapitala. Razlog tome su već spomenuto davanje kredita uz valutnu klauzulu, kao i obveznice
za sanaciju (koje također imaju valutnu klauzulu) u aktivama saniranih banaka.
4. Rizik kamatnih stopa
Rizik kamatnih stopa jest osjetljivost banke na promjene kamatnih stopa na izvore i
plasmane. Naime, banka mo�e imati gubitke ako aktiva i pasiva nisu usklađene na
odgovarajući način s aspekta promjene kamatnih stopa. Praćenje toga rizika va�no je za banku
kako bi u svakom trenutku imala pod kontrolom raskorak između aktive koja nosi kamate i
pasive na koju se plaćaju kamate, kao i razliku između aktivne i pasivne kamatne stope.
Prema podacima za 1998. godinu kamatonosna aktiva banaka bila je veća za 9,3% od
pasive na koju se plaća kamata, �to je s toga aspekta povoljan pokazatelj. Međutim, banke u
kojima su se pojavili problemi nisu adekvatno pratile na taj rizik nego su provodile politiku
visokih kamatnih stopa na depozite u namjeri da pod svaku cijenu privuku sredstva. Takav
pristup poslovanju mo�e odr�ati poslovanje neko vrijeme, ali ne i dugoročno.
4.4.2. Uloga moralnog hazarda u krizi bankovnog sustava 1998. godine
Osim navedenih komponenata rizika i općeg problema upravljanja rizikom, na višoj se
razini mora u obzir uzeti i element upravljanja bankom, te njegova uloga u nastanku krize
banaka 1998. godine.
Koncept vlasni�tva nerazdvojno povezanog s upravljanjem naslijeđen iz
socijalističkog sustava bio je uvrije�en kod mnogih poduzetnika koji su uspjeli preuzeti ili
osnovati banku u vremenu neposredno nakon osamostaljenja Republike Hrvatske. Posebnost
banke kao jedne od vrsta dioničkog dru�tva le�i (među ostalim) u njenoj osjetljivosti i
doprinosu općem dobru.
Osjetljivost se sastoji u usklađivanju u pravilu likvidnih obveza (svaki deponent može
relativno brzo povući svoj polog iz banke) i manje likvidnih potra�ivanja (u obliku zajmova),
zbog kojih je te�ko utvrditi stvarni bankovni kapital, odnosno financijsku moć banke. Kroz
71
navedeno treba pratiti solventnost banaka. Solventan je bankovni sustav onaj koji je stabilan,
sustav koji je sposoban podmiriti dospjele obveze i amortizirati neočekivane događaje.
Iznad privatne koristi banke doprinose i općem dobru, i to promicanjem stabilnosti i
povjerenja kao osnovnih dru�tvenih normi na kojima počiva sustav tr�i�ne alokacije rijetkih
resursa. Naime, banke mogu samo u uvjetima povjerenja i stabilnosti obavljati jednu od svojih
glavnih funkcija, a koja je prikupljati mnoge manje depozite i transformirati ih u krupnije
plasmane. Kada banke dobro obavljaju ovu funkciju one promoviraju i učvr�ćuju stabilnost i
povjerenje u dru�tvu, no ako to čine lo�e kr�e osnovne dru�tvene norme.
Imajući na umu osjetljivost i funkcije koju banke obavljaju u dru�tvu lakše je
razumjeti lavinu stečajeva banaka u Hrvatskoj krajem 1990-tih godina. Brzo rastuće banke
postale su insolventne i destabilizirale su ne samo bankovni sustav, nego društvo u cjelini, te
stoga uopće ne čudi velika politička afera koja je krizu pratila.
Treba istaći kako događaji nisu bili iznenađujući i potpuno nenadani. U već
spomenutom izvje�ću o stanju u bankovnom sustavu RH podnesenom Saboru, a naslovljenom
"Banke na raskri�ju" u rujnu 1997. god. (dakle nekoliko mjeseci prije negoli je Dubrovačka
banka kao prva u nizu prestala uredno podmirivati svoje obveze) mo�e se pročitati:
"Stanje insolventnosti u samo jednoj banci opasnost je za čitav bankovni sustav jer se
racionalno ponašanje vlasnika i uprava banaka koje više nemaju kapital ili su ga iscrpile do
krajnjih granica, bitno razlikuje od racionalnog ponašanja vlasnika i uprava banaka koje
kapital imaju. Pona�anje vlasnika i uprava čiji kapital postoji jo� samo na papiru promiče
dru�tvene vrijednosti drukčije od onih koje promiče solventni sustav. Gospodarstvenici takvo
ponašanje povezuju s pojmom moralnog hazarda.
Pojam moralni hazard opisuje pona�anje ljudi koji imaju moć odlučivanja, a pritom ne
riskiraju vlastiti kapital. To je tipično pona�anje ljudi koji nemaju �to izgubiti i koji su skloni
pretjeranom riziku. Samo poslovi visokog rizika mogu donijeti iznimno visok povrat na
ulaganje koji je potreban da se obnovi kapital. A �to je vi�i rizik i prinos, manja je mogućnost
da će se ulo�ena glavnica vratiti. To je začarani krug.
Moralni hazard uzrokuje rast kamatnih stopa. Insolventne banke koje i dalje posluju
sklone su podizanju aktivnih i pasivnih kamatnih stopa i ulasku u poslove visokog rizika.
Kako niti depozitari niti središnja banka nemaju obavijest o stvarnom stanju solventnosti
pojedine banke u stvarnom vremenu (odnosno postoji vremenski odmak od trenutka nastanka
insolventnosti do trenutka kada insovlentnost postane općepoznata činjenica u eksternom
Copyr
ight
72
okru�enju banke), vi�e kamatne stope mogu privući depozitare i kreditore, povećati kreditnu
moć lo�ih banaka i preusmjeriti rijetka sredstva u problematične poslove visokog rizika.
Narav je tr�i�noga natjecanja takva da pojava moralnog hazarda mo�e potaknuti inače
solventne suparnike na slično pona�anje, �to uzrokuje opći porast kamatnih stopa."
No postojala su i jo� ranija upozorenja. U svibnju 1996. godine u izvje�ću "Analiza
financijskog stanja i rezultata poslovanja hrvatskih banaka prema podacima za 1995. godinu",
sastavljenom u Sektoru nadzora i kontrole u Narodnoj banci Hrvatske za Vladu RH (odnosno
po njenom nalogu), jasno je istaknuto:
"Velike banke ustrojile su slu�be unutarnje kontrole na neodgovarajući način. U
pravilu one funkcioniraju vi�e formalno nego po svojoj temeljnoj zadaći. Najče�će slu�bu čine
pojedinci koji niti po opsegu posla niti po stručnosti ne mogu osigurati cjelovit i kontinuiran
nadzor nad poslovanjem banke. Manje i novoosnovane banke najče�će nisu ni ispunile
zakonsku obvezu glede organizacije službe za unutarnju kontrolu.
Prema Zakonu o bankama i štedionicama, za imenovanje predsjednika uprave banke
potrebno je mišljenje Narodne banke Hrvatske. ona izdaje pozitivno mišljenje ako utvrdi
stručnu osposobljenost osobe kojoj je povjereno upravljanje bankom. Nepostojanje obveza
uvažavanja takvog mišljenja od strane nadzornog odbora banke svodi, međutim, utjecaj NBH
na neobvezujuću sugestiju."
Odmah potom slijedi odlomak na koji valja obratiti osobitu pažnju:
"U suvremenim bankovnim sustavima razvijenih dr�ava općenito se zahtijeva da
djelatnici banke budu sposobni, što znači da imaju znanje, iskustvo i tehničku vje�tinu u
obavljanju bankovnih poslova. Osim toga, oni, a napose uprava, moraju biti i 'valjani' za
obavljanje bankovnih poslova, �to znači da su karakterne, po�tene i odgovorne osobe za
obavljanje ovako složenih i odgovornih poslova. U tim bankovnim sustavima središnja banka
odnosno bankovna supervizija ovla�tena je da izda obvezujuće mi�ljenje o sposobnosti i
valjanosti predlo�enih članova uprave u procesu izdavanja odobrenja za rad banke, odnosno u
procesu primitka novih članova ili zamjene onih članova koji su oti�li."
Navedeni citat implicitno nudi procjenu sposobnosti djelatnika bankovnog sustava u
RH izrečenu gotovo dvije godine prije bankovne krize 1998. godine, te zahtjev Sektora
73
nadzora i kontrole Narodne banke Hrvatske za većim ovlastima na tom području.117 Tražene
će ovlasti dobiti tek nakon kraha banaka kada je situacija do�la u krajnost i kada su morali biti
povučeni radikalni potezi, odnosno izmjenama Zakona o bankama u 1998. godini.
Naravno, to je porezne obveznike koštalo mnogo, a cijena se sanacija banaka u
razdoblju od 1995. do 1998. godine može vidjeti u tablici 4.
Tablica 4. Dug središnje države radi sanacije banaka i udio sanacije u ukupnom dugu118
(na kraju razdoblja, u milijunima US$, i %) 1995. 1996. 1997. 1998.
1. Ukupni dug središnje države 4.168,4 5.539,5 5.383,3 5.637,3 2. Dug radi sanacije banaka 3.007,9 3.597,3 2.971,3 2.836,0 3. Udio sanacije u ukupnom dugu ( 2. / 1., u %) 72,2 64,9 55,2 50,3
Koliki su značaj imale banke u pote�koćama? Savjet središnje banke pokrenuo je
1998. stečajne postupke u dvije depozitne institucije a u o�ujku i travnju 1999. pokrenuto je
jo� �est velikih stečajnih postupaka. Tih osam institucija zajedno obuhvaćaju 7 posto ukupne
aktive bankarskog sustava. Dodavanjem pete banke po veličini, sanirane u travnju 1998. udio
problematičnih banaka u ukupnoj aktivi banaka povećava se na 12 posto. Dakle, vi�e od
osmine bankovnog sustava imalo je ozbiljne poslovne pote�koće. 4.4.3. Način rje�avanja problema i izlazak iz krize
Kao posljedica bankovne krize izmijenjen je Zakon o bankama (NN 161/1998). Za
razliku od starog Zakona o bankama i štedionicama, izmijenjeni je sadržavao i odredbe o
izlasku banaka s bankovnog tržišta te o preventivnom djelovanju Hrvatske narodne banke
kada se u bankama pojave problemi. Rezultat je odlazak nekolicine banaka s tržišta u 1999.
godini.
Nad �est banaka 1998. je godine otvoren stečajni postupak (Ilirija, Glumina, Gradska,
Komercijalna, Županjska, Neretvansko-gospodarska banka), a za Trgovačko-turističku banku
je podnesen prijedlog za stečaj (usvojen 1999. god.). Ako izuzmemo Vukovarsku banku, čiji
stečaj u 1998. godini - zbog specifičnosti ove banke - nije bio klasičan stečaj, stečajevi
provedeni u prvoj polovici 1999. godine bili su prvi "pravi" stečajevi banaka u Hrvatskoj.
117 Početkom devedesetih sektor nadzora zapo�ljavao je oko 20 djelatnika, dok je broj banaka bio gotovo
dvostruko veći. 118 Djelomično preneseno iz Problemi banaka: uzroci, načini rje�avanja i posljedice, Lj. Jankov,
Financijska praksa, Zagreb, 23 (6) / 1999., str. 689
Copyr
ight
74
Nastala situacija nije bila neočekivana. Dugo se upozoravalo na strukturu hrvatskog
bankarstva i s tim u vezi o poželjnim okrupnjavanju banaka te o pojavi moralnog hazarda u
nekim bankama. Smanjen dotok inozemnih kredita zbog kriza na svjetskom financijskom
tr�i�tu te sve veći problemi u dijelu gospodarstva samo su ubrzali slom nekih banaka i
aktualizirali rješavanje kriznih situacija u drugima.
Prema odredbama Zakona o bankama iz 1998. godine HNB je u 17 banaka izrekao
mjere za poboljšanje stanja u banci. Jedna od mjera je imenovanje povjerenika, a on je
imenovan u tri banke. Osim toga, rješenja o nelikvidnosti dobilo je ukupno 9 banaka. Savjet
Hrvatske narodne banke je u četiri banke imenovao privremenog upravitelja (Croatia banka
prije sanacije, Agroobrtnička banka, Hrvatska gospodarska banka, Promdei banka). Osim tih
banaka, privremenog upravitelja imale su i neke banke koje su kasnije oti�le u stečaj (Gradska
banka, Županjska banka, Komercijalna banka i Glumina banka). U 1998. i 1999. godini za
ukupno osam banaka i četiri �tedionice Hrvatska narodna banka podnijela je Trgovačkom
sudu prijedloge za pokretanje stečajnog postupka.
Prema Zakonu o sanaciji i restrukturiranju banaka Hrvatska narodna banka ima
mogućnost predložiti Vladi Republike Hrvatske sanaciju banke, a odluku o sanaciji donosi
Vlada ako ocijeni da je to od posebnog državnog interesa i ako utvrdi da su iscrpljene druge
mogućnosti sprječavanja naru�avanja stabilnosti ukupnoga financijskog sustava.
Program se odvijao po modelu utvrđenom na sanacijama banaka provedenima 1996.
godine119.
Na grafikonu br. 4. može se promatrati kretanje broja banaka u RH od 1992. godine.
Vidljiv je porast konkurencije od početka devedesetih godina, od kada je udvostručen broj
banaka, do krize 1998. godine nakon koje broj banaka opada. Porast u 2002. godini posljedica
je promjene zakonske regulative - ukidanjem štedionica neke su transformirane u banke.
119 prijenos loših plasmana na Državnu agenciju za osiguranje štednih uloga i sanaciju banaka,
dokapitalizacija, promjena dioničara banke, promjena uprave banke.
75
Grafikon 4. Broj banaka u RH (na kraju razdoblja)120
25
30
35
40
45
50
55
60
broj banaka 28 40 43 50 53 57 60 60 53 45 44 46 42 40
1991. 1992. 1993. 1994. 1995. 1996. 1997. 1998. 1999. 2000. 2001. 2002. 2003. 2004.
4.5. Aktualna problematika i mogući izvori novih kriza
Uspoređujući sada�nje stanje s onim početkom devedesetih godina pro�log stoljeća,
odmah je uočljivo kako se bankovni sustav u Hrvatskoj bitno promijenio. Stari problemi koji
korijene vuku u naslijeđu socijalizma dobrim su dijelom rije�eni, velika je kriza prebrođena,
dogodila se privatizacija, i najveći je dio aktive banaka danas u stranom vlasni�tvu. Hrvatska
narodna banka ima nove izazove u upravljanju, kontroliranju i nadgledanju sustava, i
poku�ava naći nova rje�enja za nove probleme kao �to je, primjerice, ograničavanje
nekontrolirane ekspanzije plasmana koja su dijelom rezultat zadu�ivanja banaka kćeri kod
matičnih banaka u inozemstvu.
U novonastalom okruženju ne može se više govoriti o kriznim situacijama na način na
koji se do sada o njima raspravljalo. Radi se o kriznim situacijama koje su implicitne
bankarstvu općenito. Slučaj Riječke banke u 4.5.1. dobra je ilustracija.
120 Izvor: podaci preuzeti sa Internetske stranice http://www.hnb.hr, Narodne novine br. 74 / 1992, i
�onje, Velimir; Vujčić, Boris: Hrvatska u drugoj fazi tranzicije 1994. – 1999., HNB – direkcija za odnose s
javno�ću i izdavačku djelatnost, Zagreb, lipanj 2000.
Copyr
ight
76
4.5.1. Novi problemi nakon privatizacije U ožujku 2002. objavljeno je da Riječka banka (čiji je većinski vlasnik tada bila
Bayerische Landesbank) ima gubitke procijenjene na 98 mil. USD koji su nastali zbog
deviznih transakcija koje je provodio glavni diler te banke. Ti su gubici oštetili kapital banke,
ali nisu doveli do insolventnosti banke. Došlo je do navale na banku, prilikom koje su u
drugoj polovici o�ujka i početkom travnja deponenti povukli iz banke vi�e od 200 mil. EUR.
Situacija u banci stabilizirala se zahvaljujući kreditu za likvidnost Hrvatske narodne banke, a
zatim sindiciranom kreditu ostalih hrvatskih banaka.
Slučaj Riječke banke trebao bi poslu�iti kao upozorenje i stranim i domaćim
bankarima. �to se tiče inozemnih ulagača, slučaj Riječke banke pokazuje u kojoj mjeri mogu
biti važni postupci temeljite analize poslovanja (due diligence) i detaljno poznavanje banke
koja se kupuje. Nakon ovoga i sličnih događaja banke koje stječu druge banke u inozemstvu
zasigurno će ulo�iti dodatne napore kako bi dobile potpune informacije o banci koju kupuju.
�to se tiče domaćih banaka, slučaj Riječke banke je otre�njavajuće upozorenje za
korporacijsko upravljanje. Propisivanje odvojenosti izvršne službe (front office) od
pozadinske službe (back office) nije dovoljno kako bi se osigurala provedba propisa u praksi.
Domaće, kao i strane banke, zasigurno će �eljeti, u svjetlu događaja u Riječkoj banci,
ponovno ispitati sve aspekte svojih internih postupaka.
Potrebno je reći kako Riječka banka nije bila sanirana, HNB se nije izlo�ila riziku,
niti je ova kriza uzrokovala direktne troškove poreznim obveznicima.
Ova kriza pokazuje kakvu štetu može uzrokovati nepošteni trgovac ako zakažu
kontrolni mehanizmi u banci, te da ni ugledne strane banke nisu imune na probleme.
4.5.2. Strane banke u Hrvatskoj Prva strana banka ušla je u Hrvatsku krajem 1994. godine. Ta se situacija drastično
promijenila krajem 1999. i početkom 2000. kad su druga, treća i četvrta najveća banka po
ukupnoj aktivi prodane inozemnim ulagačima. Nadalje, u prvim mjesecima 2000. većina
dionica najveće banke do�la je u posjed inozemnih ulagača prodajom na Londonskoj burzi.
Direkcija za istraživanja HNB provela je u ožujku i travnju 2002. godine anketiranje
banaka, te su na pitanje o motivima banaka za ulazak na hrvatsko tržište predstavnici stranih
banaka odgovorili su da su visoke kamatne marže bile glavni razlog. To se posebno odnosi na
banke koje su na hrvatsko bankovno tržište ušle u drugoj polovici 1990-ih, kada su marže u
77
Hrvatskoj bile izuzetno visoke. Sljedeći razlog koji su naveli kao gotovo jednako va�an, bila
je potraga za novim klijentima i neiskorišteni kreditni potencijal hrvatskog stanovništva i
poduzeća. Zanimljiva je činjenica da su za pitanje njihova ostanka na hrvatskom tr�i�tu u
ovome trenutku kamatne marže mnogo manje važne nego što su bile prilikom donošenja
odluke o ulasku na hrvatsko tržište. Najvažnija je potraga za novim klijentima. Odmah nakon
toga dolazi neiskori�teni potencijal, prije svega stanovni�tva, a zatim i poduzeća.
Ekonomska teorija pokazuje da se strane banke koncentriraju na područjima na kojima
imaju komparativnu prednost. To je često poslovanje sa stanovni�tvom, u čemu strane banke
već imaju dobro razrađene proizvode, usluge i stručnost. U ostalim slučajevima, strane banke
imaju komparativnu prednost u aktivnostima koje traže specijalističko znanje, tehnologiju ili
resurse, poput investicijskog bankarstva, trgovanja izvedenicama ili usluga osobnog bankara.
Premda se brojni građani Hrvatske ne mogu pomiriti s činjenicom da je hrvatsko
bankarstvo u stranim rukama, ističe se kako je njihov dolazak pridonio postizanju više razine
konkurentnosti, većoj efikasnosti i boljoj kvaliteti proizvoda i usluga. Bilančni podaci
pokazuju da su strane banke profitabilnije, imaju niže troškove poslovanja i bolju kvalitetu
aktive od domaćih banaka. No ipak, kreditni rast te�ko mo�e omogućiti strukturni razvoj
hrvatskog gospodarstva imamo li u vidu kako je većina kredita potro�ačkog karaktera (krediti
za automobile, itd.).
Copyr
ight
78
55.. RRaannoo pprreeddvviiđđaannjjee ppoosslloovvnniihh ppootteešškkooććaa bbaannaakkaa uu
RReeppuubblliiccii HHrrvvaattsskkoojj Učinjeno je mno�tvo najrazličitijih studija na području predviđanja poslovnih
pote�koća, no u Hrvatskoj smo imali svega nekoliko istra�ivanja poslovnih pote�koća banaka.
Banke tek odnedavna funkcioniraju po tržišnim principima, a razdoblje od 1990-tih čini
prilično malen niz nestabilnih godina (inflacija, rat, tržišna ekonomija u povojima, prijenos
vlasni�tva) za dono�enje čvrstih zaključaka. Također treba imati na umu kako je Hrvatska
relativno maleno tržište.
Uz navedene nedostatke u Hrvatskoj ipak postoji prednost u činjenici da je dobar dio
povijesti istra�ivanja poslovnih pote�koća već ispisan, te da mo�emo koristiti dobra,
provjerena rje�enja koja funkcioniraju i izbjeći poznate nam probleme. Stoga se ovaj
magistarski rad bavi predviđanjem poslovnih pote�koća banaka u Republici Hrvatskoj
korištenjem poznate i provjerene metodologije.
Dva su bitna razloga za izbor bankovnog sustava u ovom radu. Hrvatska narodna
banka po slu�benoj du�nosti prikuplja financijska izvje�ća svih banaka u sustavu. Bez ovog
ograničenja na bankovni sektor prilično bi se te�ko prikupili pokazatelji poslovanja različitih
poduzeća. Ovako se sva izvje�ća mogu dobiti na jednom mjestu.
Uz ovo, budući da se mogu prikupiti izvje�ća svih banaka ne mora se konstruirati
statistički reprezentativan uzorak, nego se model može konstruirati na gotovo cjelovitoj
populaciji (pojedini slučajevi ipak su morali biti isključeni), čime se izbjegavaju statističko –
metodološki problemi.
Banke s poslovnim pote�koćama u ovom se radu definiraju kao banke koje su zavr�ile
u stečaju, ili su spa�ene dr�avnom intervencijom, tj. određenim oblikom sanacije. Svakako
treba napomenuti da ovo ne znači kako pojedine banke koje i danas redovno posluju, a nisu
bile sanirane niti je pokrenut postupak stečaja nisu imale ozbiljnih problema u poslovanju koji
su mogli rezultirati stečajem. Ovo je poznat i već opisan problem u istra�ivanju poslovnih
pote�koća (Beaver, 1966.121).
121 Beaver, W.; Financial Ratios as Predictors of Failure, Journal of Accounting Research, 1966.
Supplement, Vol. 4 Issue 3.
79
5.1. Informacijska osnova analize
Rano predviđanje poslovnih pote�koća banaka u Republici Hrvatskoj izvedeno je na
temelju podataka sadr�anih u izvje�ću o stanju poslovnog bankarstva u Republici Hrvatskoj
pod naslovom "Analiza financijskog stanja i rezultat poslovanja hrvatskih banaka prema
podacima za 1995. godinu", kojeg je Sektor nadzora i kontrole Hrvatske narodne banke
podnio Vladi i Saboru u svibnju 1996. godine (u daljnjem tekstu: Izvje�će).
U Izvje�ću su sadr�ani podaci za cjelokupni bankovni sustav Republike Hrvatske,
kojeg su u 1995. godini sačinjavale 54 banke koje se nalaze u tablici 1.
Iz cjelokupne populacije bankovnog sustava iz istra�ivanja su isključene slijedeće
banke, i to zbog slijedećih razloga:
Hrvatsko-austrijska banka – ne postoje podaci za 1994. godinu,
banke u likvidaciji: Primus banka (ex Hypo banka, Zagreb) i Convest
banka – isključene zbog trenutno nepoznatog uzroka likvidacije,
Histria banka, Pula – oduzeta dozvola za rad 1996. godine, te ne ulazi u
definiciju poslovnih pote�koća.
Ovo čini reprezentativan uzorak od 50 banaka, �to u ukupnoj populaciji od 54 banke
čini 92,59 %. Udio isključenih banaka u ukupnoj aktivi svih banaka u Republici Hrvatskoj na
dan 31. 12. 1995. iznosio je 0,08%, odnosno uzorak na kojemu se provodi istra�ivanje čini
99,92% ukupne aktive svih banaka u Republici Hrvatskoj.
U tablici 5. koja daje popis svih banaka u sustavu isključene su banke označene
zvjezdicom.
Copyr
ight
80
Tablica 5. Popis banaka u Republici Hrvatskoj u 1995. godini
RB NAZIV BANKE 1. AGRO OBRTNIČKA BANKA D.D. ZAGREB 2. ALPE-JADRAN BANKA D.D. SPLIT 3. BJELOVARSKA BANKA D.D. BJELOVAR 4. BRODSKO-POSAVSKA BANKA D.D. SLAV.BROD 5. ČAKOVEČKA BANKA D.D. ČAKOVEC 6. CENTAR BANKA D.D. ZAGREB 7. CIBALAE BANKA D.D. VINKOVCI 8. * CONVEST BANKA D.D. ZAGREB 9. CREDO BANKA D.D. SPLIT 10. CROATIA BANKA D.D. ZAGREB 11. DALMATINSKA BANKA D.D. ZADAR 12. DUBROVAČKA BANKA D.D. DUBROVNIK 13. GLUMINA BANKA D.D. ZAGREB 14. GOSPODARSKO KREDITNA BANKA D.D. ZAGREB 15. GRADSKA BANKA D.D. OSIJEK 16. * HISTRIA BANKA D.D. PULA 17. HRV. GOSPODARSKA BANKA D.D. ZAGREB 18. HRV. POŠTANSKA BANKA D.D. ZAGREB 19. * HYPO BANKA D.D. ZAGREB (Primus) 20. ILIRIJA BANKA D.D. ZAGREB 21. IMEX BANKA D.D. SPLIT 22. ISTARSKA BANKA D.D. PULA 23. ISTARSKA KREDITNA BANKA D.D. UMAG 24. JADRANSKA BANKA D.D. ŠIBENIK 25. KARLOVAČKA BANKA D.D. KARLOVAC 26. KOMERCIJALNA BANKA D.D. ZAGREB 27. KRAPINSKO ZAGORSKA BANKA D.D. KRAPINA 28. KREDITNA BANKA D.D. ZAGREB 29. KVARNER BANKA D.D. RIJEKA 30. MEĐIMURSKA BANKA D.D. ČAKOVEC 31. NAVA BANKA D.D. ZAGREB 32. NERETVANSKA BANKA D.D. PLOČE 33. PARTNER BANKA D.D. ZAGREB 34. PRIVREDNA BANKA D.D. ZAGREB 35. PODRAVSKA BANKA D.D. KOPRIVNICA 36. POMORSKA BANKA D.D. SPLIT 37. POŽEŠKA BANKA D.D. POŽEGA 38. * PRVA. HRV.-AUSTRIJSKA BANKA D.D. ZAGREB 39. PROMDEI BANKA D.D. 40. RAIFFEISENBANK BANKA D.D. ZAGREB 41. RAZVOJNA BANKA D.D. SPLIT 42. RIADRIA BANKA D.D. RIJEKA 43. RIJEČKA BANKA D.D. RIJEKA 44. SAMOBORSKA BANKA D.D. SAMOBOR 45. SISAČKA BANKA D.D. SISAK 46. SLATINSKA BANKA D.D. SLATINA 47. SLAVONSKA BANKA D.D. OSIJEK 48. SPLITSKA BANKA D.D. SPLIT 49. ŠTEDBANKA BANKA D.D. ZAGREB 50. TRGOVAČKA Z BANKA D.D. AGREB 51. TRGOVAČKO - TURISTIČKA BANKA D.D. SPLIT
81
52. VARAŽDINSKA BANKA D.D. VARAŽDIN 53. ZAGREBAČKA BANKA D.D. ZAGREB 54. ŽUPANJSKA BANKA D.D. ŽUPANJA
Za navedene 54 banke u Izvje�ću su iskazane stavke sadr�ane u tablici 6., i to za 1994.
i 1995. godinu.
Tablica 6. Podaci sadr�ani u Izvje�ću HNB IZVJE�ĆE STAVKA
BONITETNA REKLASIFICIRANA BILANCA (AKTIVA)
NOVČANA SREDSTVA DEPOZITI KOD NARODNE BANKE KRATKOROČNI VRIJEDNOSNI PAPIRI I TEKUĆA DOSPIJEĆA DUGOROČNIH VRIJEDNOSNIH PAPIRA KRATKOROČNI KREDITI I DRUGI PLASMANI ODOBRENI BANKAMA I DRUGIM FINANCIJSKIM ORGANIZACIJAMA KRATKOROČNI KREDITI, DRUGI PLASMANI I TEKUĆA DOSPIJEĆA DUGOROČNIH KREDITA OBRAČUNATE KAMATE, NAKNADE I OSTALA AKTIVA DUGOROČNI VRIJEDNOSNI PAPIRI TRAJNA ULAGANJA U DIONICE, UDJELE I SUDJELUJUĆE INTERESE DUGOROČNI KREDITI DANI BANKAMA I DRUGIM FINANCIJSKIM INSTITUCIJAMA DUGOROČNI KREDITI I DRUGI PLASMANI KUPLJENA POTRAŽIVANJA I PRAVA NA POTRAŽIVANJA IZ ISPORUKA ROBA I USLUGA MATERIJALNA I NEMATERIJALNA IMOVINA
BONITETNA REKLASIFICIRANA BILANCA (PASIVA)
DEPOZITI PO VIĐENJU KRATKOROČNI DEPOZITI I TEKUĆA DOSPIJEĆA DUGOROČNIH DEPOZITA OBVEZE IZ KRATKOROČNIH KREDITA I TEKUĆA DOSPIJEĆA DUGOROČNIH KREDITA IZDANI KRATKOROČNI VRIJEDNOSNI PAPIRI I TEKUĆA DOSPIJEĆA DUGOROČNIH VRIJEDNOSNIH PAIRA OBVEZE IZ OBRAČUNATIH KAMATA, NAKNADA I OSTALA PASIVA DUGOROČNI DEPOZITI OBVEZE IZ DUGOROČNIH KREDITA IZDANI DUGOROČNI VRIJEDNOSNI PAPIRI TEMELJNI KAPITAL DOPUNSKI KAPITAL REZERVE POSEBNE REZERVE DOBIT ILI GUBITAK
RAČUN DOBITI I GUBITKA (PRIHODI)
KAMATE I SLIČNI PRIHODI PROVIZIJE PRIHODI OD VLASNIČKIH VRIJEDNOSNIH PAPIRA OSTALI PRIHODI I IZVANREDNI PRIHODI
RAČUN DOBITI I GUBITKA (RASHODI)
KAMATE I SLIČNI TRO�KOVI PROVIZIJE ZA USLUGE I SLIČNI TRO�KOVI OPĆI ADMINISTRATINI TRO�KOVI OSTALI TROŠKOVI I IZVANREDNI RASHODI VRIJEDNOSNA USKLAĐIVANJA (REZERVIRANJA ZA RIZIKE I ISPRAVCI VRIJEDNOSTI)
IZVJE�ĆE O RASPOREĐIVANJU RIZIČNE AKTIVE I ODGOVARAJUĆIH IZVANBILANČNIH
KRATKOROČNI KREDITI DUGOROČNI KREDITI POTRA�IVANJA KOJA NISU PLAĆENA U ROKU 45 DANADOSPJELA, SUMNJIVA I SPORNA POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA (GARANCIJA, JAMSTAVA, AVALA, I SL.)
Copyr
ight
82
STAVKI SUMNJIVA I SPORNA POTRAŽIVANJA IZ KREDITA I VRIJEDNOSNIH POTRAŽIVANJA IZVANBILANČNA AKTIVA POTENCIJALNI GUBICI
Od stavki navedenih u tablici 2. prvotno je bilo formirano 45 omjera. Nakon izračuna
matrice korelacija (45x45) i preliminarne backward i forward stepwise diskriminacijske
analize broj omjera reduciran je na 12122. Ovih 12 omjera sadržano je u tablici 7.
Tablica 7. Omjeri kori�teni u predviđanju poslovnih pote�koća
OZNAKA OMJER X1 KRATKOTRAJNA SREDSTVA / UKUPNA AKTIVA X2 KRATKOTRAJNA SREDSTVA / ZAJMOVI KLIJENTIMA X3 DOBIT / PROSJEČNI KAPITAL I REZERVE X4 DOPUNSKI KAPITAL, REZERVE I POSEBNE REZERVE / UKUPNA AKTIVA X5 POTRA�IVANJA NEPLAĆENA U 45 DANA / JAMSTVENI KAPITAL X6 POTRA�IVANJA NEPLAĆENA U 45 DANA / UKUPNA AKTIVA X7 POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA / JAMSTVENI KAPITAL X8 POTENCIJALNI GUBICI / JAMSTVENI KAPITAL X9 KRATKOROČNI KREDITI / JAMSTVENI KAPITAL
X10 KOEFICIJENT ADEKVATNOSTI KAPITALA
X11 (KAPITAL + REZERVE - POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA - SUMNJIVA I SPORNA POTRAŽIVANJA - IZVANBILANČNA AKTIVA) / PROSJ. UK. AKTIVA
X12 (JAMSTVENI KAPITAL - POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA - SUMNJIVA I SPORNA POTRAŽIVANJA) / DOBIT
Opis omjera: Omjer X1: (novčana sredstva + depoziti kod HNB + kratkoroč. vrij. papiri i tekuća
dospijeća dugoroč. vrij. papira) / ukupna aktiva → pokazuje udio
kratkotrajnih sredstava u ukupnoj imovini poduzeća. Sna�an je indikator
poslovnih pote�koća jer upravo iz ovih stavki banka podmiruje dospjele
obveze. �to je omjer veći manja je mogućnost nastanka poslovnih pote�koća.
Omjer X2: (novčana sredstva + depoziti kod HNB + kratkoroč. vrij. papiri i tekuća
dospijeća dugoroč. vrij. papira) / (kratkoroč. krediti i drugi plasmani
odobreni bankama i drugim financijskim organizacijama + kratkoroč.
krediti, drugi plasmani i tekuća dospijeća dugoroč. kredita + trajna
ulaganja u dionice, udjele i sudjelujuće interese + dugoroč. krediti dani
bankama i drugim financijskim institucijama + dugoroč. krediti i drugi
plasmani) → pokazuje koliko se zajmova odobrava klijentima iz kratkotrajnih
122 Za sve je izračune kori�ten računalni software Statistica 6.0., StatSoft, Inc. (2001).
83
sredstava banke. Uprava banke trebala bi komponirati kratkoročne zajmove
najvećim dijelom iz kratkotrajne imovine, a dugoročne zajmove potpuno iz
dugotrajne imovine. Pokazatelj je strukture financiranja s obzirom na ročnost
pojedinih stavki aktive. Smanjenjem apsolutne vrijednosti omjera raste i
mogućnost nastanka poslovnih pote�koća, jer to znači da se (ukupni) zajmovi
klijentima financiraju iz dugotrajne imovine. Kako je u hrvatskoj bankovnoj
praksi kratkoročno pozajmljivanje rizičnije od dugoročnog, ni�i omjer ukazuje
kako se uzima dugotrajna imovina kako bi se ostvarili kratkoročni (rizičniji)
plasmani.
Omjer X3: dobit / {(temeljni i dopunski kapital iz '94. god. + rezerve i posebne
rezerve iz '94. god.) + (temeljni i dopunski kapital iz '95. god. + rezerve i
posebne rezerve iz '9. god.) / 2} → daje uvid u profitabilnost banke, odnosno
stavlja u odnos dobit i prosječni kapital i rezerve. Pretpostavlja se kako veća
profitabilnost doprinosi imunosti na poslovne pote�koće, odnosno veći omjer
pretpostavlja ni�u mogućnost poslovnih pote�koća.
Omjer X4: dopunski kapital + rezerve + posebne rezerve / ukupna aktiva → pokazuje
koliko uprava banke odvaja za nepredviđene financijske 'potrese', odnosno daje
uvid u udio dopunskog kapitala i rezervi u ukupnoj aktivi. Veći omjer pokazuje
bolju sposobnost amortiziranja potencijalnih gubitaka, te stoga i manju
mogućnost poslovnih pote�koća.
Omjer X5: potra�ivanja koja nisu plaćena u roku od 45 dana / jamstveni kapital →
padom sposobnosti naplate potra�ivanja raste mogućnost poslovnih pote�koća.
Omjer X5 pokazuje koliko je banka sposobna amortizirati neplaćanje
potraživanja u roku od mjesec i pol dana jamstvenim kapitalom. Što je omjer
veći jamstveni kapital manje pokriva neplaćena potra�ivanja, te je veća
mogućnost poslovnih pote�koća.
Omjer X6: potra�ivanja koja nisu plaćena u roku od 45 dana / ukupna aktiva →
jednako kao i omjer X5, pokazuje udio neplaćenih potra�ivanja u roku od 45
dana, ali ovdje u ukupnoj imovini banke. Daje uvid u pokrivenost neplaćenih
potraživanja ukupnom aktivom banke
Omjer X7: potraživanja iz potencijalnih obveza / jamstveni kapital → pokazuje kako
jamstveni kapital pokriva potraživanja iz potencijalnih obveza. Ako se
potraživanja iz potencijalne obveze realiziraju jamstveni kapital morao bi ih
Copyr
ight
84
moći apsorbirati. �to je omjer veći, manja je sposobnost poduzeća da nadvlada
poslovne pote�koće.
Omjer X8: potencijalni gubici / jamstveni kapital → vrlo je sličan omjeru X7, no u
brojniku se nalazi stavka potencijalni gubici. �to su potencijalni gubici veći,
veća je i mogućnost poslovnih pote�koća, no bitnije je da jamstveni kapital kao
nazivnik prema�uje stavku brojnika. U svakom slučaju, povećavanjem
apsolutne vrijednosti omjera povećava se i mogućnost poslovnih pote�koća.
Omjer X9: kratkoročni krediti / jamstveni kapital → pokazuje koliko jamstveni kapital
banke nadmašuje stavku kratkoročnih kredita. Daje uvid u ročnu strukturu
imovinskog portfelja banke. Budući da su u Hrvatskoj kratkoročni krediti
rizičniji od dugoročnih, veći omjer znači i veću mogućnost poslovnih
pote�koća.
Omjer X10: koeficijent adekvatnosti kapitala → Zakonom propisan pokazatelj kapitala
temeljen na riziku. Koeficijent adekvatnosti kapitala iskazuje kapital kao
postotak aktive i izvanbilančnih stavki ponderiranih rizikom, pri čemu se
ponderi kreću između 0 i 300 %. U Izvje�ću je ovaj omjer već izračunat. Što je
koeficijent veći manja je mogućnost nastanka poslovnih pote�koća.
Omjer X11: (temeljni i dopunski kapital + rezerve i posebne rezerve – potraživanja iz
potencijalnih obveza – sumnjiva i sporna potraživanja – ukupna
izvanbilančna aktiva) / {(ukupna imovina iz '94. god. + ukupna imovina iz
'95. god.) / 2} → stavlja u odnos iznos kapitala i rezervi koji preostane nakon
oduzimanja rizične aktive i prosječne ukupne imovine. Dakle, pokazuje koliko
udjela u prosječnoj ukupnoj imovini ima kapitala i rezervi nakon oduzimanja
rizične aktive. Mogućnost poslovnih pote�koća raste s porastom omjera..
Omjer X12: jamstveni kapital – potraživanja iz potencijalnih obveza – sumnjiva i
sporna potraživanja / dobit → pokazuje koliko dobit iz poslovanja pokriva
iznos jamstvenog kapitala (temeljni + dopunski kapital + rezerve) koji
preostane nakon oduzimanje rizične aktive. Smanjenjem apsolutne vrijednosti
omjera smanjuje se i mogućnost nastajanja poslovnih pote�koća.
U tablici 8. nalaze se statistički pokazatelji omjera. Budući da su svi omjeri
međusobno različiti kako bi se mod mogao izračunati omjeri su reducirani na jedno decimalno
mjesto.
85
Tablica 8. Statistički pokazatelji omjera
OMJ. MIN MAX MAX-MIN ARITM. SREDINA MEDIJAN MOD STANDARDNA
DEVIJACIJA KOEF.
VARIJACIJE X1 0,0111 0,4409 0,4298 0,1630 0,1444 0,1 0,0928 56,95% X2 0,0116 1,0907 1,0790 0,3059 0,2760 0,1 0,2241 73,28% X3 -0,1674 0,4169 0,5843 0,0762 0,0584 0,1 0,1062 139,31% X4 0 0,2725 0,2725 0,0962 0,0821 0,1 0,0694 72,18% X5 0 0,9023 0,9023 0,1639 0,0524 0 0,2140 130,58% X6 0 0,1359 0,1359 0,0272 0,0137 0 0,0324 118,97% X7 0 0,4689 0,4689 0,0432 0,0114 0 0,0860 198,89% X8 0 2,8508 2,8508 0,3135 0,1731 0 0,5015 159,99% X9 0,0234 3,6531 3,6296 1,1161 1,0052 0,9 0,6766 60,62%
X10 0,0641 1,5891 1,5250 0,4359 0,3007 0,2 0,3177 72,89% X11 -0,6933 1,4761 2,1694 0,2095 0,1211 0,0 0,3574 170,62% X12 -115,4212 8206,5333 8321,9546 279,3999 10,4442 7,4 1304,4969 466,89%
Opis statističkih pokazatelja omjera
Omjer X1 ima najniži koeficijent varijacije u usporedbi, kao i relativno malen raspon
vrijednosti. Jednako kao i kod omjera X2 najnižu vrijednost omjera X1 ima Razvojna
banka koja je u stečaju od 2001. god., a najvi�u Raiffeisen banka, prva od stranih banaka
koja je ušla u hrvatski bankovni sustav.
Omjer X3 kao omjer profitabilnosti pokazuje najnižu vrijednost (negativnu uslijed ostvarenog
gubitka) kod Neretvanske banke koja je u stečaju od 1999. godine, nasuprot Trgovačkoj
banci koja je sada u sastavu Erste & Steiermärkische grupe, a koja ima najveću
vrijednost omjera. Ukupno 5 banaka ima negativan X3, odnosno 5 je banaka iskazalo
gubitak u 1995. godini, i to: Karlovačka, Krapinsko-zagorska, Neretvanska, Istarska iz
Pule, i Raiffeisen banka koja je tada tek ušla na tržište.
Udio dopunskog kapitala i posebnih rezervi u ukupnoj imovini banke – omjer X4 – najnižu
vrijednost (ništicu) pokazuje kod Krapinsko-zagorske banke, koja 1995. godine nije
imala dopunskog kapitala, rezervi niti posebnih rezervi. Danas je u sastavu PBZ grupe.
U odnosu na ukupnu aktivu Slavonska je banka (sanirana) 1995. god. imala najveći
iznos dopunskog kapitala i rezervi.
Omjeri X5 i X6 su interesantni stoga što od osam banaka koje imaju ništicu iskazanu pod
stavkom 'potra�ivanja neplaćena u roku od 45 dana' njih 4 je zavr�ilo u stečaju, i to:
Glumina, Promdei, Razvojna, i Trgovačko-turistička banka. Najveće su vrijednosti kod
X5 iskazale najveće banke u sustavu, a sve su (osim Zagrebačke) bile sanirane, dok je
kod omjera X6 situacija nešto složenija. Osim što ima najmanji raspon vrijednosti u
usporedbi, najveće vrijednosti imaju banke koje su zavr�ile u stečaju (uz određene
Copyr
ight
86
iznimke). Redoslijed je: Brodsko-posavska banka, Slatinska (obje posluju i danas), te
zatim Agro-obrtnička, Alpe-Jadran, Dubrovačka banka (sve u stečaju), itd. Ovdje se
ponovno ističe već spomenuti "problem oporavka", jer je očito kako su Brodsko-
posavska i Slatinska banka imale visok iznos neplaćenih potra�ivanja u odnosu na
ukupnu aktivu, ali nisu zavr�ile u stečaju.
Slijedeći omjer - X7 - jo� značajnije ukazuje na pojavu koja se mogla uočiti kod omjera X5 i
X6. Naime, čini se kako je kod banaka u Republici Hrvatskoj sredinom devedesetih
godina bilo dovoljno prostora za slobodno tumačenje pojedinih knjigovodstvenih stavki.
Konkretno, od 17 banaka koje su pod stavkom 'potraživanja iz potencijalnih obveza'
iskazale ni�ticu njih 4 je zavr�ilo u stečaju (Glumina, Komercijalna, Promdei, i
Trgovačko-turistička banka). Banke koje su sanirane i koje su zavr�ile u stečaju imaju
najveće vrijednosti ovog omjera, koji također pokazuje visok koeficijent varijacije.
Potencijalni gubitak nisu iskazale tri banke (tj. iskazale su ništicu) i to Gospodarsko-kreditna,
Imex, i Nava banka (koje i danas redovno posluju), te su imale najniži omjer X8.
Najveće vrijednosti imaju Splitska, Dubrovačka, i Slavonska banka kod kojih su
potencijalni gubici premašivali jamstveni kapital, no one su spašene državnom
intervencijom. Već je navedeno kako su omjeri, da bi se mogao izračunati mod,
reducirani na jednu decimalu. Kod omjera X8 ovo je značilo da je najče�ća vrijednost
omjera 0,0x što je redukcijom svedeno na 0,0. Uz medijan od 0,17 ovo ukazuje kako je
aritmetička sredina (0,31) kao mjera centralne tendencije u ovom slučaju pod utjecajem
ekstremnih vrijednosti.
Omjer X9 pokazao je kako su kratkoročni krediti premašili jamstveni kapital dva i više puta
kod Croatia, Hrv.-gospodarske, Županjske, te najviše (3,6) kod Glumina banke. Sve su
ove banke imale poslovnih pote�koća. Promdei banka imala je najni�i omjer (0,02) i to
značajno ispod mjera centralne tendencije koje imaju vrijednosti oko 1. Ova se banka
opet ističe jer je zavr�ila u stečaju, premda se promatrajući samo ovaj omjer deklarira
kao "najzdravija". Izuzev omjera X12, X9 ima najveći raspon vrijednosti, �to je vidljivo
i na grafikonu br. 1.
Koeficijent adekvatnosti kapitala (X10) potvrđuje pretpostavku kako manja vrijednost znači i
veću mogućnost poslovnih pote�koća. Splitska banka koja je sanirana ima najni�u
vrijednost, dok najveću ima Pomorska banka, danas u sastavu Zagrebačke banke.
Omjer X11 iskazuje negativnu vrijednost za 11 banaka, od kojih je 5 imalo poslovne
pote�koće (Croatia – sanirana, Cibalae, Glumina, Gradska, Ilirija – u stečaju). Ostalih 6
su Bjelovarska, Dalmatinska, Karlovačka, Međimurska, Zagrebačka, i s najni�om
87
vrijedno�ću – Hrvatska-po�tanska banka. Nakon oduzimanja rizične imovine vi�e
kapitala i rezervi od prosječne uk. imovine (X11>1) imale su �tedbanka i Krapinsko-
zagorska, koja iskazuje najveći omjer, a obje redovno posluju i danas.
Ekstremno veliku vrijednost omjera X12 ima Promdei banka (8206,5), osobito imajući u vidu
medijan (10,4) i mod (7,4), te "gura" aritmetičku sredinu na visokih 279,4. Uzrok je
iznimno niska dobit (koja je u nazivniku ovog omjera) iskazana 1995. godine u iznosu
od 15.000,00 kuna. Slična je situacija i kod Ilirija banke koja je iskazala dobit od
11.000,00 kuna, a za koju omjer X12 iznosi 4433,09. Isključivanjem ove dvije banke u
stečaju aritmetička sredina omjera X12 postaje deseterostruko manja i iznosi 27,71,
standardna devijacija je gotovo 18 puta manja i iznosi 73,04, a koef. varijacije je
263,54%. Za pet je banaka X12 < 0, a najviše za Istarsku banku iz Pule (X12 = -11,67) i
za Krapinsku banku (X12 = -115,42). Očigledno je kako je kod Promdei i Ilirija banke
dobit višestruko manja i stoga ne pokriva ono što preostane od kapitala i rezervi kad se
od njih oduzmu potencijalne obveze i sumnjiva i sporna potraživanja. Ova bi varijabla
mogla ukazivati na problem ekstremnih vrijednosti, odnosno iznimki123.
Na grafikonu 5. nalazi se raspon vrijednosti 11 omjera s prikazom položaja medijana,
rasponom vrijednosti središnja dva kvartila podataka (središnjih 50% vrijednosti), te
minimalnom i maksimalnom vrijedno�ću. Omjer X12 isključen je zbog potpunog drugačijeg
vrijednosnog razreda veličina (najveći maksimum u usporedbi 11 omjera ima X9 i to 3,65,
dok X12 ima maksimum od 8206,5. Jednako je i s minimumom) �to značajno ote�ava grafički
prikaz i interpretaciju.
Uočljiva je pojava nerazmjerno velikih maksimalnih vrijednosti kod omjera X5, X6,
X7, X8, i X9. Kod navedenih je omjera maksimalna vrijednost značajno udaljena od
sredi�njih 50% podataka. Naravno, ove vrijednosti utječu na aritmetičku sredinu i pomiču je
prema višim vrijednostima.
Omjer X6 ima najmanji, a omjer X9 najveći raspon vrijednosti. Također je vidljivo
kako svi omjeri osim X3 i X11 imaju pozitivne vrijednosti.
123 eng. outlier
Copyr
ight
88
Grafikon 5. Raspon vrijednosti 11 omjera
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
Median
25%-75%
Min-Max
Grafikon 6. prikazuje poziciju aritmetičke sredine kao mjere centralne tendencije, te
kolika je disperzija (varijabilnost) podataka predstavljena ± 1 standardnom greškom
(odnosno standardnom devijacijom svih aritmetičkih sredina u uzorku ), i ± 1 standardnom
devijacijom.
Mo�e se uočiti kako je aritmetička sredina ne�to lo�ija mjera centralne tendencije jer je
uvjetovana krajnjim vrijednostima. Jednako kao i kod grafikona 5., omjeri X8 i X9 i na
grafikonu 6. pokazuju najveću varijabilnost podataka, nakon kojih slijede omjeri X10, X11, te
X2 i X5.
Kvantitativnom analizom omjera, ne ulazeći u kvalitativnu analizu podataka, moglo bi
se pretpostaviti kako će omjeri X8 i X9 koji imaju (kao �to je već navedeno) najveću
disperziju biti najbolji za diskriminiranje poduzeća, odnosno svrstavanje u grupu poduzeća sa
poslovnim pote�koćama, ili u grupu bez njih. No, model se u diskriminacijskoj analizi formira
kumulativnim učinkom varijabli a ne pojedinačnom snagom zasebnog omjera, te se na ovom
stadiju bez provedenih temeljitijih statističkih istra�ivanja ne mogu donijeti signifikantni
zaključci.
89
Grafikon 6. Raspon vrijednosti standardne greške i standardne devijacije kod 11 omjera
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
ARITMETIČKA SREDINA
±1 STANDARDNA GREŠKA
±1 STANDARDNA DEVIJACIJA
Međusobne korelacije 12 omjera prikazane su u tablici 9.
Tablica 9. Korelacije omjera kori�tenih u predviđanju poslovnih pote�koća
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12
X1 1,00 X2 0,91 1,00 X3 0,29 0,07 1,00 X4 -0,32 -0,30 -0,11 1,00 X5 -0,13 -0,13 -0,16 0,27 1,00 X6 0,14 0,02 -0,05 0,23 0,77 1,00 X7 -0,20 -0,18 -0,19 -0,04 0,10 0,03 1,00 X8 -0,36 -0,28 -0,22 0,49 0,69 0,26 0,07 1,00 X9 0,16 0,03 0,18 -0,20 -0,02 -0,06 0,09 0,03 1,00 X10 0,01 0,04 -0,01 -0,19 -0,33 -0,22 -0,28 -0,41 -0,44 1,00 X11 -0,18 -0,15 -0,05 -0,11 -0,36 -0,24 -0,17 -0,26 -0,29 0,48 1,00 X12 -0,12 -0,14 -0,15 -0,08 -0,12 -0,14 0,04 -0,07 -0,14 -0,01 0,16 1,00
Vidljiva je pozitivna korelacija u iznosu od 0,91 između omjera X1 i X2, te 0,77
između omjera X5 i X6, čemu je uzrok isti brojnik u omjeru (kratkotrajna sredstva kod X1 i
X2, te potra�ivanja neplaćena u 45 dana kod X5 i X6).
Copyr
ight
90
Kod omjera X5 i X8 i pozitivne korelacije od 0,69 radi se o jednakom nazivniku
(jamstveni kapital) te o svezi elemenata u brojniku. Potencijalni gubici kao element u
brojniku kod X8 je zbroj kod kojeg je jedna od komponenti koja se zbraja i stavka
'potra�ivanja neplaćena u 45 dana', a koja čini brojnik omjera X5.
Ove tri ne�to veće korelacije uzete su u obzir, i unatoč ne�to većim vrijednostima
omjeri nisu izmijenjeni jer ova činjenica ne poni�tava rezultate istra�ivanja. Naime, tijekom
preliminarnih istra�ivanja i izbora omjera koji će se koristiti visoke korelacije nisu značajno
mijenjale izlazne rezultate predviđanja.
Korelacije ostalih omjera, kao što je vidljivo u tablici 5., relativno su niske.
5.2. Višestruka diskriminacijska analiza
Prije same diskriminacijske analize nazivi banaka �ifrirani su četveroslovnom
oznakom zbog preglednosti rezultata. Budući da diskriminacijska analiza zahtijeva prethodno
grupiranje slučajeva, ovo je i učinjeno tako da su banke su svrstane u dvije grupe. Grupa koja
obuhvaća banke koje su zavr�ile u stečaju, kao i banke koje su spa�ene dr�avnom
intervencijom (odnosno koje su sanirane)s poslovnim pote�koćama, kodirana je kao
PROBLEM. Grupa banaka koje nisu imale nagla�enih poslovnih pote�koća, i koje redovno
posluju i danas kodirana je nazivom UREDNA.
Svrstavanje banaka u jednu od dvije grupe, njihov poslovni status, te pripadajuće
četveroslovne oznake prikazane su u tablici 10.
U tablici 10. postoje tri iznimke u kodiranju banaka. Alpe-Jadran banka iz Splita (pod
rednim brojem 2. u tablici 10.) koja je u stečaju od 2002. godine kodirana je kao banka bez
pote�koća. Ovo je učinjeno zbog značajne vremenske razlike. Naime, pretpostavljeno je kako
financijsko–računovodstveni podaci o poslovanju banke iz 1995. godine ne nose informacijski
sadr�aj o stečaju koji se dogodio 7 godina kasnije, odnosno 2002. godine. Iz ovoga proizlazi
kako vremenski horizont predviđanja poslovnih pote�koća iznosi �est godina, te se s pravom
mo�e govoriti o ranom predviđanju.
Dvije su banke "tiho" sanirane, odnosno njihove sanacije nisu bile medijski popraćene
čak niti u stručnom tisku. Istarskoj banci iz Pule (r.b. 34. u tablici 10.) Hrvatska narodna
banka je dodijelila stečajnog upravitelja 2000. godine, a poslovnih pote�koća imala je i
Hrvatska poštanska banka. Ove dvije banke su stoga svrstane u grupu PROBLEM.
Navedene su tri banke u tablici 10. označene zvjezdicom.
91
Tablica 10. Oznake banaka i grupiranje u diskriminacijskoj analizi
R.B. ŠIFRA NAZIV BANKE STATUS GRUPA
bn 1. AGRO AGRO OBRTNIČKA BANKA D.D. ZAGREB u stečaju od 2000. PROBLEM 2. *ALPE ALPE-JADRAN BANKA D.D. SPLIT u stečaju od 2002. UREDNA 3. BJEL BJELOVARSKA BANKA D.D. BJELOVAR sada Erste&Steier. UREDNA 4. BROD BRODSKO-POSAVSKA BANKA D.D. SLAV.BROD posluje UREDNA 5. CAKO ČAKOVEČKA BANKA D.D. ČAKOVEC sada Erste&Steier. UREDNA 6. CENT CENTAR BANKA D.D. ZAGREB posluje UREDNA 7. CIBA CIBALAE BANKA D.D. VINKOVCI u stečaju od 2000. PROBLEM 8. CRDO CREDO BANKA D.D. SPLIT posluje UREDNA 9. CROA CROATIA BANKA D.D. ZAGREB sanirana PROBLEM 10. DALM DALMATINSKA BANKA D.D. ZADAR posluje UREDNA 11. DUBR DUBROVAČKA BANKA D.D. DUBROVNIK sanirana PROBLEM 12. GLUM GLUMINA BANKA D.D. ZAGREB u stečaju od 1999. PROBLEM 13. GOKR GOSPODAR. - KREDITNA BANKA D.D. ZAGREB posluje UREDNA 14. GRAD GRADSKA BANKA D.D. OSIJEK u stečaju od 1999. PROBLEM 15. HRGO HRV. GOSPODARSKA BANKA D.D. ZAGREB u stečaju od 2000. PROBLEM 16. *HRPO HRV. POŠTANSKA BANKA D.D. ZAGREB posluje, "tiho" sanirana PROBLEM 17. ILIR ILIRIJA BANKA D.D. ZAGREB u stečaju od 1999. PROBLEM 18. IMEX IMEX BANKA D.D. SPLIT posluje UREDNA 19. JADR JADRANSKA BANKA D.D. ŠIBENIK posluje UREDNA 20. KARL KARLOVAČKA BANKA D.D. KARLOVAC posluje UREDNA 21. KOME KOMERCIJALNA BANKA D.D. ZAGREB u stečaju od 1999. PROBLEM 22. KRAP KRAPINSKO ZAGORSKA BANKA D.D. KRAPINA sada PBZ UREDNA 23. KRED KREDITNA BANKA D.D. ZAGREB posluje UREDNA 24. KVAR KVARNER BANKA D.D. RIJEKA posluje UREDNA 25. MEDJ MEĐIMURSKA BANKA D.D. ČAKOVEC posluje UREDNA 26. NAVA NAVA BANKA D.D. ZAGREB posluje UREDNA 27. NERE NERETVANSKA BANKA D.D. PLOČE u stečaju od 1999. PROBLEM 28. PART PARTNER BANKA D.D. ZAGREB posluje UREDNA 29. PBZG PRIVREDNA BANKA D.D. ZAGREB sanirana PROBLEM 30. PODR PODRAVSKA BANKA D.D. KOPRIVNICA posluje UREDNA 31. POMO POMORSKA BANKA D.D. SPLIT sada Zagrebačka UREDNA 32. POZE POŽEŠKA BANKA D.D. POŽEGA posluje UREDNA 33. PROM PROMDEI BANKA D.D. ZAGREB u stečaju od 1999. PROBLEM 34. *PULA ISTARSKA BANKA D.D. PULA posluje, "tiho" sanirana PROBLEM 35. RAIF RAIFFEISENBANK BANKA D.D. ZAGREB posluje UREDNA 36. RAZV RAZVOJNA BANKA D.D. SPLIT u stečaju od 2001. PROBLEM 37. RIAD RIADRIA BANKA D.D. RIJEKA posluje UREDNA 38. RIJE RIJEČKA BANKA D.D. RIJEKA sanirana PROBLEM 39. SAMO SAMOBORSKA BANKA D.D. SAMOBOR posluje UREDNA 40. SISK SISAČKA BANKA D.D. SISAK posluje UREDNA 41. SLAT SLATINSKA BANKA D.D. SLATINA posluje UREDNA 42. SLAV SLAVONSKA BANKA D.D. OSIJEK sanirana PROBLEM 43. SPLIT SPLITSKA BANKA D.D. SPLIT sanirana PROBLEM 44. STED ŠTEDBANKA BANKA D.D. ZAGREB posluje UREDNA 45. TRGO TRGOVAČKA BANKA D.D. ZAGREB sada Erste&Steier. UREDNA 46. TRTU TRGOVAČKO - TURISTIČKA BANKA D.D. SPLIT u stečaju od 2000. PROBLEM 47. UMAG ISTARSKA KREDITNA BANKA D.D. UMAG posluje UREDNA 48. VARA VARAŽDINSKA BANKA D.D. VARAŽDIN posluje UREDNA 49. ZABA ZAGREBAČKA BANKA D.D. ZAGREB posluje UREDNA 50. ZUPA ŽUPANJSKA BANKA D.D. ŽUPANJA u stečaju od 1999. PROBLEM
Copyr
ight
92
Korištena je backward stepwise metoda višestruke diskriminacijske analize. Ovo je tip
diskriminacijske analize u kojoj se u prvom koraku u model uključuju sve varijable (omjeri),
te se potom iterativno iz modela isključuju one varijable koje najmanje doprinose
diskriminacijskoj snazi modela.
Pri definiranju metoda izabrana je vrijednost tolerancije od 0,01. Ako R2 definiramo
kao indikator koliko je varijabilnosti objašnjeno modelom, tada je tolerancija pri formiranju
modela iznosi 1- R2 .Ovo znači da ako varijabla ima vrijednost tolerancije manju od 0,01 tada
je ta varijabla vi�e od 99% redundantna sa ostalim varijablama u modelu i model se neće moći
formirati.
Vrijednost 'F za ulaz' je 5,01, a 'F za izlaz' 5,00.
U tablici 11. prikazan je sažetak diskriminacijske analize sa preostalim omjerima.
Tablica 11. Sažetak diskriminacijske analize – varijable u modelu Backward stepwise analiza - korak 8 (konačni korak)
Broj varijabli u modelu: 4 Posljednja varijabla koja je isključena: X10, F (1,45) = 2,672267 p < 0,1091
Wilks' Lambda: 0,572656 approx. F (4,45) = 8,395301 p < ,000001 STUPAC 1. 2. 3. 4. 5. 6.
Omjer Wilks' Lambda
Parcijalni Lambda
F za izlaz (1,45)
p-vrijednost
Tolerancija (1-R2)
1- Toler. (R2)
X5 0,682234 0,839383 8,610808 0,005244 0,913573 0,086427 X7 0,692472 0,826973 9,415316 0,003638 0,985886 0,014114 X9 0,664841 0,861343 7,244019 0,009952 0,907977 0,092023
X12 0,671565 0,852719 7,772366 0,007745 0,873298 0,126702 X5 = POTRA�IVANJA NEPLAĆENA U 45 DANA / JAMSTVENI KAPITAL X7 = POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA / JAMSTVENI KAPITAL X9 = KRATKOROČNI KREDITI / JAMSTVENI KAPITAL X12 = (JAMSTVENI KAPITAL - POTR. IZ POTENCIJALNIH OBVEZA - SUMNJIVA I SPORNA POTRAŽIVANJA) / DOBIT
Backward stepwise metoda je u posljednjem, osmom koraku formirala konačni model
diskriminacijske analize u kojem je preostalo 4 varijable. U sedmom je koraku isključena
varijabla X10 sa F vrijedno�ću od 2,67 pri p < 0,10.
Wilks' Lambda kao standardna vrijednost koja se koristi za opis statističke
signifikantnosti diskriminacijske snage modela za ukupni model iznosi 0,57 uz F = 8,4 pri
p < 0,000001. S obzirom da Wilks' Lambda može imati vrijednost od 0 (savršena
diskriminacija) do 1 (nema diskriminacije) zaključuje se kako model ima relativno prosječnu
diskriminacijsku snagu.
Pojedinačni Wilks' Lambda (stupac 1.) za svaki omjer u tablici 7. označava vrijednost
Wilks' Lambde nakon �to je određena varijabla uvr�tena u model. Tako vidimo da nakon
uvrštenja varijable X7 Wilks' Lambda iznosi 0,69.
93
Parcijalni Wilks' Lambda (stupac 2.) je Wilks' Lambda kao specifični doprinos
određene varijable diskriminaciji između grupa. �to je vrijednost u ovom stupcu ni�a veća je
pojedinačna diskriminacijska snaga određene varijable. Zaključujemo kako najveću
diskriminacijsku snagu ima varijabla X7 sa parcijalnom Wilks' Lambda vrijedno�ću od 0,82.
Wilks' Lambda se mo�e konvertirati u F vrijednosti (stupac 3.) i pripadajuće p-
vrijednosti (stupac 4.). Očito je kako najveću vrijednost F za izlaz ima varijabla s najvećom
diskriminacijskom snagom – X7, i to uz najnižu p-razinu. Kada bi nastavili isključivati
varijable slijedeća bi bila X5.
Vrijednost tolerancije (stupac 5.) pokazuje redundantnost (suvišnost) pojedine
varijable, te je uočljivo kako varijable uglavnom nose isti informacijski sadr�aj. Najveću
redundanciju ima upravo omjer koji ima i najveću diskriminacijsku snagu – omjer X7, koji je
98,59% redundantan s ostalim omjerima. No budući da smo pri definiranju modela odabrali
kako će granica redundantnosti biti 99%, model je mogao biti formiran i sa ovim omjerom.
Na isti način kako je protumačena tablica 11. mo�e se protumačiti i tablica 12., u kojoj
se nalaze varijable koje su isključene, odnosno omjeri koji nisu u modelu.
Tablica 12. Varijable isključene iz diskriminacijske analize
Omjer Wilks' Lambda
Parcijalni Lambda
F za izlaz (1,45)
p-vrijednost
Tolerancija (1-R2)
1- Toler. (R2)
STUPAC 1. 2. 3. 4. 5. 6. X8 0,556192 0,971250 1,302437 0,259942 0,573856 0,426144 X3 0,566643 0,989500 0,466909 0,497996 0,905365 0,094635
X11 0,563684 0,984332 0,700378 0,407179 0,857912 0,142088 X4 0,572541 0,999798 0,008874 0,925376 0,891833 0,108167 X6 0,540745 0,944275 2,596591 0,114245 0,381441 0,618559
X10 0,539868 0,942744 2,672266 0,109246 0,798594 0,201406 X1 0,572039 0,998922 0,047465 0,828542 0,916395 0,083605 X2 0,566783 0,989744 0,455948 0,503057 0,922244 0,077756
Budući su definirane dvije grupe, mogu se izračunati dvije funkcije klasifikacije.
Pojedinačni slučaj, tj. banka svrstava se u onu grupu za koju je vrijednost funkcije
klasifikacije veća. Npr. uvrstimo li omjere za Glumina banku dobit ćemo F(PROBLEM) =
9,31 i F(UREDNA) = 7,68. Budući da je 9,31 > 7,68 banku svrstavamo u grupu PROBLEM.
Tablica 14. sadrži vrijednosti funkcija klasifikacije za sve banke.
U tablici 13. zvjezdicom su označeni krivo svrstani slučajevi.
F (PROBLEM) = –6,253 + 9,817X5 + 18,298X7 + 4,232X9 + 0,001X12
F (UREDNA) = –2,054 + 4,392X5 + 4,221X7 + 2,656X9 + 0,0005X12
Copyr
ight
94
Tablica 13. Vrijednosti funkcija klasifikacije F (PROBLEM) F (UREDNA)
AGRO 4,558 3,661 ALPE -1,719 0,192 BJEL -1,372 0,676
*BROD 4,480 3,790 CAKO -1,474 0,574 CENT -2,608 0,164 CIBA 2,138 1,892 CRDO -5,656 -1,811 CROA 12,247 6,881 DALM 1,753 2,348 DUBR 5,532 4,245 GLUM 9,310 7,687 GOKR -4,215 -0,778 GRAD 4,586 3,305
*HRGO 4,272 4,373 *HRPO 0,004 1,707
ILIR 10,469 5,591 IMEX -1,121 1,164 JADR -0,996 0,547 KARL -3,564 -0,390
*KOME 0,091 1,923 KRAP -3,472 -0,300 KRED 2,103 2,875 KVAR 0,323 1,976
*MEDJ 3,699 3,315 NAVA 0,037 1,888
*NERE 0,281 0,694 PART -1,850 0,678 PBZG 4,691 3,399 PODR 0,807 2,226 POMO -1,616 0,225 POZE 0,321 1,356 PROM 4,941 2,120
*PULA -1,079 0,462 RAIF -3,064 -0,078 RAZV 7,054 2,846 RIAD -4,883 -1,283 RIJE 6,880 3,478 SAMO 3,167 3,413 SISK -1,740 0,536 SLAT -1,057 0,657
*SLAV 1,532 2,122 SPLIT 7,498 4,754 STED -0,838 1,337 TRGO 0,794 2,276
*TRTU -3,223 -0,156 UMAG -4,143 -0,743 VARA -2,184 0,347
*ZABA 4,130 3,807 ZUPA 6,624 5,682
95
Od ukupno 50 banaka 40 ih je pravilno svrstano. Model teže definira pripadnike grupe
PROBLEM nego pripadnike grupe UREDNA (65,0% nasuprot 90,0% točnosti). Ukupna
točnost modela iznosi 80% i prikazana je u tablici 14.
Tablica 14. Točnost modela formiranog diskriminacijskom analizom Ispravno svrstanih Krivo svrstanih u grupi PROBLEM 65,0% ili 13 od 20 35,0% ili 7 od 20 u grupi UREDNA 90,0% ili 27 od 30 10,0% ili 3 od 30
Ukupna točnost 80% ili 40 od 50 20% ili 10 od 50
Klasifikacije pojedinačnih slučajeva prikazane su u tablici 15. Netočno svrstane banke
obilježene su zvjezdicom.
Tablica 15. Klasifikacija banaka predviđena diskriminacijskom analizom
BANKA POČETNA KLASIFIKACIJA
KLASIFIKACIJA PREDVIĐENA
MODELOM AGRO PROBLEM PROBLEM ALPE UREDNA UREDNA BJEL UREDNA UREDNA *BROD UREDNA PROBLEM CAKO UREDNA UREDNA CENT UREDNA UREDNA CIBA PROBLEM PROBLEM CRDO UREDNA UREDNA CROA PROBLEM PROBLEM DALM UREDNA UREDNA DUBR PROBLEM PROBLEM GLUM PROBLEM PROBLEM GOKR UREDNA UREDNA GRAD PROBLEM PROBLEM *HRGO PROBLEM UREDNA *HRPO PROBLEM UREDNA ILIR PROBLEM PROBLEM IMEX UREDNA UREDNA JADR UREDNA UREDNA KARL UREDNA UREDNA *KOME PROBLEM UREDNA KRAP UREDNA UREDNA KRED UREDNA UREDNA KVAR UREDNA UREDNA
*MEDJ UREDNA PROBLEM NAVA UREDNA UREDNA *NERE PROBLEM UREDNA
PART UREDNA UREDNA PBZG PROBLEM PROBLEM PODR UREDNA UREDNA POMO UREDNA UREDNA POZE UREDNA UREDNA PROM PROBLEM PROBLEM *PULA PROBLEM UREDNA
RAIF UREDNA UREDNA RAZV PROBLEM PROBLEM RIAD UREDNA UREDNA RIJE PROBLEM PROBLEM SAMO UREDNA UREDNA SISK UREDNA UREDNA SLAT UREDNA UREDNA
*SLAV PROBLEM UREDNA SPLIT PROBLEM PROBLEM STED UREDNA UREDNA TRGO UREDNA UREDNA *TRTU PROBLEM UREDNA
UMAG UREDNA UREDNA VARA UREDNA UREDNA *ZABA UREDNA PROBLEM
ZUPA PROBLEM PROBLEM
U tablici 16. nalaze se naknadne (a posteriori) vjerojatnosti svrstavanja pojedinačnih
slučajeva. Netočno svrstane banke obilje�ene su zvjezdicom.
Copyr
ight
96
Tablica 16. Naknadne vjerojatnosti svrstavanja banaka
BANKA POČETNA KLASIFIKACIJA
Naknadna vjerojatnost svrstavanja
u grupu PROBLEM
Naknadna vjerojatnost svrstavanja
u grupu UREDNA AGRO PROBLEM 0,710307 0,289693 ALPE UREDNA 0,128792 0,871208 BJEL UREDNA 0,114216 0,885784
*BROD UREDNA 0,666048 0,333952 CAKO UREDNA 0,114273 0,885727 CENT UREDNA 0,058848 0,941152 CIBA PROBLEM 0,560990 0,439010 CRDO UREDNA 0,020927 0,979073 CROA PROBLEM 0,995345 0,004655 DALM UREDNA 0,355462 0,644538 DUBR PROBLEM 0,783645 0,216355 GLUM PROBLEM 0,835181 0,164819 GOKR UREDNA 0,031162 0,968838 GRAD PROBLEM 0,782701 0,217299 *HRGO PROBLEM 0,474649 0,525351 *HRPO PROBLEM 0,154135 0,845865
ILIR PROBLEM 0,992445 0,007555 IMEX UREDNA 0,092353 0,907647 JADR UREDNA 0,176087 0,823913 KARL UREDNA 0,040124 0,959876
*KOME PROBLEM 0,137976 0,862024 KRAP UREDNA 0,040258 0,959742 KRED UREDNA 0,316210 0,683790 KVAR UREDNA 0,160810 0,839190
*MEDJ UREDNA 0,594861 0,405139 NAVA UREDNA 0,135776 0,864224
*NERE PROBLEM 0,398328 0,601672 PART UREDNA 0,073952 0,926048 PBZG PROBLEM 0,784366 0,215634 PODR UREDNA 0,194848 0,805152 POMO UREDNA 0,136855 0,863145 POZE UREDNA 0,262060 0,737940 PROM PROBLEM 0,943816 0,056184
*PULA PROBLEM 0,176388 0,823612 RAIF UREDNA 0,048051 0,951949 RAZV PROBLEM 0,985348 0,014652 RIAD UREDNA 0,026621 0,973379 RIJE PROBLEM 0,967788 0,032212 SAMO UREDNA 0,438945 0,561055 SISK UREDNA 0,093162 0,906838 SLAT UREDNA 0,152749 0,847251
*SLAV PROBLEM 0,356782 0,643218 SPLIT PROBLEM 0,939590 0,060410 STED UREDNA 0,102077 0,897923 TRGO UREDNA 0,185210 0,814790
*TRTU PROBLEM 0,044492 0,955508 UMAG UREDNA 0,032292 0,967708 VARA UREDNA 0,073661 0,926339
*ZABA UREDNA 0,580189 0,419811 ZUPA PROBLEM 0,719536 0,280464
97
5.2.1. Netočno svrstani slučajevi u diskriminacijskoj analizi
Banke koje je model višestruke diskriminacijske analize svrstao u grupu u koju ne
pripadaju po početnoj klasifikaciji prikazane su u tablici 17.
Tablica 17. Krivo svrstane banke
R. B
R.
BANKA KLASIFIKACIJA PREDVIĐENA
MODELOM POČETNA
KLASIFIKACIJA
1. BRODSKO-POSAVSKA BANKA D.D. SL.BROD PROBLEM UREDNA 2. MEĐIMURSKA BANKA D.D. ČAKOVEC
3. ZAGREBAČKA BANKA D.D. ZAGREB 4. ISTARSKA BANKA D.D. PULA
UREDNA PROBLEM
5. HRV. GOSPODARSKA BANKA D.D. ZAGREB 6. HRV. POŠTANSKA BANKA D.D. ZAGREB 7. KOMERCIJALNA BANKA D.D. ZAGREB 8. NERETVANSKA BANKA D.D. PLOČE 9. SLAVONSKA BANKA D.D. OSIJEK
10. TRG.-TURISTIČKA BANKA D.D. SPLIT
Ukratko će se analizirati svaka pojedina banka iz tablice 17. usporedbom s mjerama
centralne tendencije grupe u koju je banka početno klasificirana.
Brodsko – posavska banka d.d., Slavonski Brod
Brodsko-posavska banka redovno posluje i nije imala evidentiranih poslovnih
pote�koća, odnosno nije bila sanirana, te je u početnoj klasifikaciji stoga bila svrstana u grupu
bez poslovnih pote�koća. Model vi�estruke diskriminacijske analize ju je nakon izračuna
svrstao u grupu s poslovnim pote�koćama.
Pokazatelji Brodsko-posavske banke i njihova usporedba s mjerama centralne
tendencije i standardnom devijacijom pojedinih grupa prikazani su u tablici 18.
Tablica 18. Analiza pokazatelja Brodsko - posavske banke d.d., Slavonski Brod
Početna klasifikacija: UREDNA
Brodsko-posavska
Aritmetička sredina Medijan Stand.
devijacija Aritmetička
sredina Medijan Stand. devijacija
za grupu PROBLEM za grupu UREDNA X5 0,4119 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,0220 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,4821 1,350 1,188 0,861 0,960 0,877 0,474
X12 8,6325 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 66,604 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 33,395 %
Copyr
ight
98
Uspoređujući Brodsko-posavsku banku s mjerama centralne tendencije grupe
UREDNA u koju je početno svrstana vidljivo je kako se omjeri X7 (potra�ivanja iz
potencijalnih obveza / jamstveni kapital) i X12 ({jamstveni kapital - potr. iz potencijalnih
obveza - sumnjiva i sporna potraživanja} / dobit) nalaze unutar jedne standardne devijacije
oko aritmetičke sredine i medijana grupe bez poslovnih pote�koća.
Omjer X9 (kratkoročni krediti / jamstveni kapital) je gotovo u doma�aju sume
aritmetičke sredine grupe UREDNA i jedne standardne devijacije (0,96 + 0,47 = 1,43, a omjer
X9 je za 0,05 veći i iznosi 1,48). No, ipak vidljivo je kako je omjer X9 bli�i mjerama
centralne tendencije grupe PROBLEM.
Varijabla X5 (potra�ivanja neplaćena u 45 dana / jamstveni kapital) je značajno (četiri
puta) veća od aritmetičke sredine i medijana grupe bez poslovnih pote�koća i time odstupa iz
grupe UREDNA i premje�ta banku u grupu s poslovnim pote�koćama.
Očito je kako omjer X9, te osobito omjer X5 Brodsko posavsku banku iz grupe bez
poslovnih pote�koća svrstavaju u grupu sa poslovnim pote�koćama.
U grupi bez poslovnih pote�koća omjer X5 (potra�ivanja neplaćena u 45 dana /
jamstveni kapital) kod Brodsko posavske ima maksimum što ga jasno distancira od ostatka
grupe. Dakle, varijabla X5 "zaslužna" je za distanciranje Brodsko-posavske banke od grupe
bez poslovnih pote�koća, čemu neznatno pridonosi i omjer X9 (kratkoročni krediti / jamstveni
kapital).
Zaključuje se kako je po odnosu neplaćenih potra�ivanja u 45 dana i jamstvenog
kapitala ova banka imala problema u poslovanju, ali oni nisu doveli niti do stečaja niti do
državne intervencije.
Međimurska banka d.d., Čakovec
Međimurska banka redovno posluje i nije bila sanirana, stoga je u početnoj
klasifikaciji bila svrstana u grupu bez poslovnih pote�koća. Model vi�estruke diskriminacijske
analize ju je nakon izračuna svrstao u grupu s poslovnim pote�koćama.
Pokazatelji Međimurske banke i njihova usporedba s mjerama centralne tendencije i
standardnom devijacijom pojedinih grupa prikazani su u tablici 19.
99
Tablica 19. Analiza pokazatelja Međimurske banke d.d., Čakovec
Početna klasifikacija: UREDNA
Međimurska Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,3443 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,0361 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,3917 1,350 1,188 0,861 0,960 0,877 0,474
X12 14,100 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 59,486 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 40,513 %
Promatrajući omjere najlak�e je uočiti omjer X12 ({jamstveni kapital - potr. iz
potencijalnih obveza - sumnjiva i sporna potraživanja} / dobit) koji je neznatno odstupa od
aritmetičke sredine svoje početne grupe, te tako jasno banku svrstava u grupu bez poslovnih
pote�koća.
Omjer X7 (potra�ivanja iz potencijalnih obveza / jamstveni kapital) također smje�ta
banku u grupu bez poslovnih pote�koća, premda ne toliko jasno kao X12. On, naime ima
vrijednost koja je tri puta veća od aritmetičke sredine grupe UREDNA, ali promotrivši red
veličina omjera X7 u grupi PROBLEM vidljivo je kako je ovaj omjer u toj grupi ima značajno
veću vrijednost nego u grupi UREDNA. Aritmetička sredina (i medijan) omjera X7 u grupi
PROBLEM dobrim je dijelom determinirana pojedinim bankama koje kod ovog omjera
prilično diskutabilnu iskazuju ni�ticu.
Varijabla X9 (kratkoročni krediti / jamstveni kapital) je kod Međimurske banke u
gornjem razredu vrijednosti grupe UREDNA, no čini se ipak kako po mjerama centralne
tendencije pripada u grupu PROBLEM. U svakom slučaju, ovaj je omjer kod Međimurske
banke nešto teže interpretirati.
Presudan za svrstavanje Međimurske banke u grupu PROBLEM je omjer X5
(potra�ivanja neplaćena u 45 dana / jamstveni kapital). Nakon Brodsko-posavske banke
Međimurska banka ima treću vrijednost po veličini u grupi UREDNA za ovaj omjer, te tako
svrstava ovu banku u grupu s poslovnim pote�koćama.
Vrijednosti funkcija klasifikacije slične su i razlikuju se samo za iznos od 0,38. Ovo je
posljedica omjera X9 i X7 koje nisu uspjeli jasno distancirati banku u neku od dvije grupe.
Međimurska je banka imala relativno velik iznos neplaćenih potra�ivanja u 45 dana u odnosu
na jamstveni kapital, no ostaje nejasno bi li to bilo dovoljno da banka ima ozbiljnih poslovnih
pote�koća, odnosno da zavr�i u stečaju.
Copyr
ight
100
Zagrebačka banka d.d., Zagreb
Zagrebačka banka danas je najveća banka u Hrvatskoj po veličini aktive. Nije bila
sanirana, te je u početnoj klasifikaciji bila svrstana u grupu UREDNA (bez poslovnih
pote�koća). Prema modelu višestruke diskriminacijske analize svrstana je u grupu s
poslovnim pote�koćama.
Pokazatelji Zagrebačke banke i njihova usporedba s mjerama centralne tendencije i
standardnom devijacijom pojedinih grupa prikazani su u tablici 20.
Tablica 20. Analiza pokazatelja Zagrebačke banke d.d., Zagreb
Početna klasifikacija: UREDNA
Zagrebačka Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,3250 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,0107 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,6502 1,350 1,188 0,861 0,960 0,877 0,474
X12 7,8700 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 58,018 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 41,981%
Omjeri X7 (potraživanja iz potencijalnih obveza / jamstveni kapital) i X12 ({jamstveni
kapital - potr. iz potencijalnih obveza - sumnjiva i sporna potraživanja} / dobit) pokazuju
vrijednosti slične ostalim bankama u grupi UREDNA.
S druge strane, omjeri X5 (potra�ivanja neplaćena u 45 dana / jamstveni kapital) i X9
(kratkoročni krediti / jamstveni kapital) jasno banku svrstavaju u grupu s poslovnim
pote�koćama. Vrijednost omjera X5 vrlo je visoko u grupi UREDNA i po mjerama centralne
tendencije pripada u grupu PROBLEM. Jednako je s omjerom X9 koji ovu banku stavlja na
listu prvih pet banaka po veličini navedenog omjera u grupi PROBLEM.
Kao i kod prethodne, Međimurske banke, postoji podvojenost omjera, odnosno dva su
omjera bliža grupi UREDNA nasuprot druga dva koja su bliža grupi PROBLEM.
Zagrebačka je banka u vrijeme nastanka podataka koji su temelj ovog predviđanja
nakon PBZ bila najveća po veličini aktive u Republici Hrvatskoj. Od tada�njih prvih osam
banaka na ljestvici po veličini aktive samo ona i Dalmatinska banka nisu bile subjektom
dr�avne intervencije i spa�avanja na teret poreznih obveznika. Premda druga po veličini
aktive, po ljestvici adekvatnosti kapitala zauzima vrlo nisko 49. mjesto od 54 banke u sustavu.
Koeficijent adekvatnosti kapitala (kao omjer X10) je backward stepwise metodom isključen iz
101
konačnog oblika diskriminacijske analize, no dio njegovog informacijskog sadr�aja zasigurno
se nalazi u 4 omjera koji su u�li u konačni model diskriminacijske analize.
Zagrebačku banka zauzima na ljestvici svih banaka u Hrvatskoj 1995. god. treće
mjesto po omjeru ukupne rizične aktive i jamstvenog kapitala, te se mo�e reći kako je upravo
ovaj omjer učinio da ova banka bude svrstana u grupu banaka s poslovnim pote�koćama.
Istarska banka d.d., Pula
Hrvatska je narodna banka 22. o�ujka 2000. godine imenovala stečajnog upravitelja
Istarskoj banci d.d. iz Pule. U veljači 1999. god. HNB je ovoj banci odobrila kredit za
likvidnost s kojom je ova banka ima problema. "Tek je izravnim nadzorom Hrvatske narodne
banke utvrđeno da je stanje u banci gore nego �to je to proizlazilo iz izvje�ća koja je banka
dostavljala, �to je utvrđeno i zapisnikom".124 Iz ovih je razloga Istarska banka prethodno
svrstana u grupu PROBLEM, odnosno grupu s poslovnim pote�koćama, no
diskriminacijskom je analizom svrstana u grupu UREDNA, odnosno u grupu bez poslovnih
pote�koća.
U tablici 21. prikazani su pokazatelji Istarske banke i njihova usporedba s mjerama
centralne tendencije i standardnom devijacijom pojedinih grupa.
Tablica 21. Analiza pokazatelja Istarske banke d.d., Pula
Početna klasifikacija: PROBLEM
Histria Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,388 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,469 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,074 1,350 1,188 0,861 0,960 0,877 0,474
X12 132,531 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 17,638 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 82,361 %
Omjer X7 (omjer s najvećom snagom diskriminacije) i omjer X12 upućuju kako bi
banka trebala biti svrstana u grupu s poslovnim pote�koćama, no omjeri X5 (potra�ivanja
neplaćena u 45 dana / jamstveni kapital) i X9 (kratkoročni krediti / jamstveni kapital) jasno
svrstavaju banku u grupu bez poslovnih pote�koća.
124 N.N., Hrvatska narodna banka, Sektor bonitetne regulative i nadzora banaka: Očitovanje na ekspertizu
Ekonomskog instituta u Zagrebu, http://www.hnb.hr, 2005., str. 7
Copyr
ight
102
Moguće je dvojako tumačenje krivog svrstavanja ove banke:
a) vremenski interval istraživanja za Istarsku banku prevelik te stoga u financijskim
izvje�ćima iz 1994. i 1995. godine nije sadr�ana informacija o nadolazećim
poslovnim pote�koćama, i/ili
b) već 1995.god. je započeo proces iskrivljavanja financijskih izvje�ća koji je utvrđen
izravnim nadzorom Hrvatske narodne banke (pogledati prethodni citat).
Hrvatska gospodarska banka d.d., Zagreb
Hrvatska gospodarska banka je u stečaju od 2000. godine, stoga je u početnoj
klasifikaciji bila svrstana u grupu s poslovnim pote�koćama, no nakon provedene vi�estruke
diskriminacijske analize svrstana je u grupu bez poslovnih pote�koća.
U tablici 22. prikazani su pokazatelji Hrv. gospodarske banke i njihova usporedba s
mjerama centralne tendencije i standardnom devijacijom pojedinih grupa.
Tablica 22. Analiza pokazatelja Hrv. gospodarske banke, d.d. Zagreb
Početna klasifikacija: PROBLEM
Hrvatska gospodarska
Aritmetička sredina Medijan Stand.
devijacija Aritmetička
sredina Medijan Stand. devijacija
za grupu PROBLEM za grupu UREDNA X5 0,048 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,012 0,088 0,026 0,122 0,014 0,001 0,022 X9 2,317 1,350 1,188 0,861 0,960 0,877 0,474
X12 11,270 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 47,464 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 52,535 %
Omjeri X7 (potraživanja iz potencijalnih obveza / jamstveni kapital; omjer s najvećom
snagom diskriminacije) i X9 (kratkoročni krediti / jamstveni kapital) svrstali su banku u grupu
UREDNA, tj. u grupu bez poslovnih pote�koća.
Evidentna je podvojenost omjera (dva omjera sugeriraju svrstavanje u grupu
UREDNA, a druga dva u grupu PROBLEM) �to se očituje i u gotovo podjednakoj naknadnoj
vjerojatnosti svrstavanja. Prevagu vrši postotak od relativno niskih 2,53 %.
103
Hrvatska poštanska banka d.d., Zagreb
Hrvatska poštanska banka je u izvje�ću Hrvatske narodne banke iz kolovoza 1997.
naslovljenom 'Banke na raskri�ju' svrstana u skupinu agresivnih, brzo rastućih srednje velikih
banaka te joj se (neizravno) predbacuje pogoršanje kvalitete aktive, poslovna strategija koja
nije održiva na duži rok, te moralni hazard. Poznato je kako je ova banka "tiho" sanirana
(daleko od očiju javnosti) te je stoga u početnoj klasifikaciji bila svrstana u grupu s poslovnim
pote�koćama, no nakon provedenih izračuna model vi�estruke diskriminacijske analize
svrstao ju je u grupu bez poslovnih pote�koća.
U tablici 23. prikazani su pokazatelji Hrv. poštanske banke i njihova usporedba s
mjerama centralne tendencije i standardnom devijacijom pojedinih grupa.
Tablica 23. Analiza pokazatelja Hrv. poštanske banke d.d., Zagreb
Početna klasifikacija: PROBLEM
Hrvatska poštanska
Aritmetička sredina Medijan Stand.
devijacija Aritmetička
sredina Medijan Stand. devijacija
za grupu PROBLEM za grupu UREDNA X5 0,024 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,016 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,347 1,350 1,188 0,861 0,960 0,877 0,474
X12 4,595 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 15,413 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 84,586 %
Samo omjer X9 Hrv. po�tansku banku smje�ta u grupu s poslovnim pote�koćama, dok
ostala tri omjera jasno indiciraju kako banka nema značajnih poslovnih pote�koća.
Kod ove se banke mo�e zaključiti isto �to i kod Istarske banke: vremenski je horizont
predviđanja za Hrv. po�tansku banku prevelik, i/ili je već tada započeto iskrivljavanje njenih
financijskih izvje�ća.
Komercijalna banka d.d., Zagreb
Komercijalna banka je u stečaju od 1999. godine, stoga je u početnoj klasifikaciji bila
svrstana u grupu s poslovnim pote�koćama, no nakon provedenih izračuna model vi�estruke
diskriminacijske analize svrstao ju je u grupu bez poslovnih pote�koća.
Copyr
ight
104
U tablici 24. prikazani su pokazatelji Komercijalne banke i njihova usporedba s
mjerama centralne tendencije i standardnom devijacijom pojedinih grupa.
Tablica 24. Analiza pokazatelja Komercijalne banke d.d., Zagreb
Početna klasifikacija: PROBLEM
Komercijalna Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,001 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,000 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,494 1,350 1,188 0,861 0,960 0,877 0,474
X12 7,055 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 13,797 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 86,202 %
Osim varijable X9 (kratkoročni krediti / jamstveni kapital), ostali omjeri kod
Komercijalne banke ukazuju kako ova banka pripada u grupu bez poslovnih pote�koća.
Promatrajući kod omjera X5, X7 i X12 mjere centralne tendencije – aritmetičku sredinu i
medijan – jasno je kako su znatno bliži grupi UREDNA nego grupi PROBLEM.
Omjer X9 po razredu veličine svrstava banku u grupu u koju je i početno bila
klasificirana – grupu PROBLEM.
Komercijalna je banka, kako je već navedeno, u stečaju od 1999. godine, i za razliku
od prethodno analiziranih slučajeva krivog svrstavanja banaka, bila je početno svrstana kao
banka s pote�koćama. Nakon učinjene diskriminacijske analize omjeri X5, X7 i X12 zaslužni
su za njeno svrstavanje u grupu UREDNA, i to stoga što ova banka nije iskazala gotovo
nikakvu rizičnu aktivu.
Slijedom navedenoga omjeri kod kojih se u brojniku ova rizična aktiva nalazi (X5, X7
i X12) poprimaju vrlo niske vrijednosti, koje nakon uvrštavanja u funkcije diskriminacije ovu
banku svrstavaju u grupu bez poslovnih pote�koća.
Neretvanska banka d.d., Ploče
Neretvanska je banka u početnoj klasifikaciji bila svrstana u grupu s poslovnim
pote�koćama jer je u stečaju od 1999. godine. Model diskriminacijske analize svrstao ju je u
grupu UREDNA – bez poslovnih pote�koća.
105
U tablici 25. prikazani su pokazatelji Neretvanske banke i njihova usporedba s
mjerama centralne tendencije i standardnom devijacijom pojedinih grupa.
Tablica 25. Analiza pokazatelja Neretvanske banke d.d., Ploče
Početna klasifikacija: PROBLEM
Neretvanska Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,083 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,166 0,088 0,026 0,122 0,014 0,001 0,022 X9 0,634 1,350 1,188 0,861 0,960 0,877 0,474
X12 -3,123 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 39,832 % Naknadna vjerojatnost svrstavanja u grupu UREDNA = 60,167 %
Omjeri X5, X9 i X12 bli�i su prosječnim vrijednostima grupe UREDNA. Neretvanska
banka je jedna od pet banaka u istraživanju kod koje varijabla X12 poprima negativnu
vrijednost, i to stoga što je iskazala gubitak u poslovanju.
Varijabla X7 (potraživanja iz potencijalnih obveza / jamstveni kapital) je jedina od
navedenih koja svrstava banku u grupu s poslovnim pote�koćama.
Zaključuje se kako četiri godine prije odlaska u stečaj Neretvanska banka nije imala
pokazatelje koji bi ju svrstali u grupu s poslovnim pote�koćama, osim omjera potra�ivanja iz
potencijalnih obveza i jamstvenog kapitala.
Naknadna vjerojatnost klasifikacija niža je nego kod Komercijalne banke i iznosi 64
%, �to je posljedica činjenice kako omjer s najvećom snagom diskriminacije (X/) upućuje
banku u suprotnu grupu. Funkcije klasifikacije jasno pokazuju kako je ovoj banci četiri
godine prije stečaja bilo mjesto među bankama bez poslovnih pote�koća.
Slavonska banka d.d., Osijek
Slavonska je banka spašena državnom intervencijom 1995. godine. U početnoj je
klasifikaciji bila svrstana u grupu s poslovnim pote�koćama, no model vi�estruke
diskriminacijske analize svrstao ju je u grupu bez poslovnih pote�koća.
Pokazatelji Slavonske banke i njihova usporedba s mjerama centralne tendencije i
standardnom devijacijom pojedinih grupa prikazani su u tablici 26.
Copyr
ight
106
Tablica 26. Analiza pokazatelja Slavonske banke d.d., Osijek
Početna klasifikacija: PROBLEM
Slavonska Aritmetička
sredina Medijan Stand. devijacija
Aritmetička sredina Medijan Stand.
devijacija za grupu PROBLEM za grupu UREDNA
X5 0,319 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,019 0,088 0,026 0,122 0,014 0,001 0,022 X9 1,011 1,350 1,188 0,861 0,960 0,877 0,474
X12 17,381 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 35,678% Naknadna vjerojatnost svrstavanja u grupu UREDNA = 64,321 %
Omjer X5 (potra�ivanja neplaćena u 45 dana / jamstveni kapital) smje�ta Slavonsku
banku u grupu s poslovnim pote�koćama, no zato ostali omjeri čine upravo suprotno, jer su
bli�e mjerama centralne tendencije grupi banaka bez poslovnih pote�koća.
Slavonska je banka sanirana na ne�to drugačiji način nego ostale velike banke u
sustavu. Kao �to je već ranije rečeno, Slavonska je banka bila specifičan slučaj sanacije jer je
proceduru inicirala dobrovoljno, a potencijalni su gubici iznosili manje od 50% temeljnog
kapitala.
No kako je u diskriminacijskoj analizi omjer X8 (omjer potencijalnih gubitaka i
jamstvenog kapitala) isključen u procesu backward stepwise analize, Slavonska je banka
zavr�ila u grupi dobrostojećih banaka. Ovo je bitno jer samo Splitska i Dubrovačka od svih 50
banaka imaju ovaj omjer veći od Slavonske banke. Omjer X5 pravilno ukazuje u smjeru
banaka s poslovnim pote�koćama, i to stoga jer je stavka potra�ivanja neplaćena u 45 dana
sadržana u stavci potencijalni gubici, a koja je u brojniku omjera X8.
Dakle, informacija o potencijalnim gubicima prenesena je do kraja analize, tj. nije
isključena u backward stepwise procesu, ali ostali pokazatelji (X7, X9, X12) dvije godine
prije dr�avne intervencije nisu ukazivali na značajnije anomalije u poslovanju, te je stoga
banka modelom diskriminacijske analize definirana kao banka bez pote�koća u poslovanju.
Trgovačko-turistička banka d.d., Split
U početnoj je klasifikaciji Trgovačko-turistička banka bila svrstana u grupu s
poslovnim pote�koćama stoga jer je u stečaju od 2000. godine. Model vi�estruke
diskriminacijske analize svrstao ju je u grupu bez poslovnih pote�koća.
Pokazatelji Trgovačko-turističke banke i njihova usporedba s mjerama centralne
tendencije i standardnom devijacijom pojedinih grupa prikazani su u tablici 27.
107
Tablica 27. Analiza pokazatelja Trgovačko-turističke banke d.d, Split
Početna klasifikacija: PROBLEM
Trgovačko-turistička
Aritmetička sredina Medijan Stand.
devijacija Aritmetička
sredina Medijan Stand. devijacija
za grupu PROBLEM za grupu UREDNA X5 0,000 0,249 0,078 0,285 0,107 0,045 0,127 X7 0,000 0,088 0,026 0,122 0,014 0,001 0,022 X9 0,713 1,350 1,188 0,861 0,960 0,877 0,474
X12 9,722 677,517 10,496 2026,926 13,988 10,444 37,356 Naknadna vjerojatnost svrstavanja u grupu PROBLEM = 4,492% Naknadna vjerojatnost svrstavanja u grupu UREDNA = 95,508%
Svi omjeri Trgovačko-turističke banke jasno pokazuju kako je banci mjesto u grupi
bez poslovnih pote�koća. Omjeri X5 i X7 iskazuju ni�ticu, a X9 i X12 relativno niske
vrijednosti zbog koji obje funkcije diskriminacije imaju negativnu vrijednost.
Slijedom veličina uvr�tenih omjera dobiva se jednoznačan odgovor metode
diskriminacijske analize: banci je mjesto u grupi bez poslovnih pote�koća. Naknadna
vjerojatnost od visokih 95,5 % govori to isto, osobito u slučaju kada omjer s najvećom
diskriminacijskom snagom – omjer X7 – ima vrijednost jednaku ništici.
5.2.2. Zaključak nakon provedene višestruke diskriminacijske analize
Diskriminacijskom je analizom ispravno svrstano 80 % banaka (tj. 40 od 50) u sustavu
Republike Hrvatske 1995. godine. Model teže definira pripadnike grupe sa poslovnim
pote�koćama nego pripadnike grupe bez pote�koća u poslovanju (65,0% nasuprot 90,0%
točnosti). Ovaj model pokazuje ukupno ni�u točnost u usporedbi sa Sinkey-evim
istra�ivanjem banaka iz 1978. godine, kod kojega je ukupna točnost modela iznosila 95,4%.
Signifikantne varijable koje su ostale u analizi nakon backward stepwise procesa
nalaze su u tablici 28, od kojih najveću diskriminacijsku snagu predviđanja ima varijabla X7.
Tablica 28. Varijable koje su ostale u modelu diskriminacijske analize
OZNAKA OMJER X5 POTRA�IVANJA NEPLAĆENA U 45 DANA / JAMSTVENI KAPITAL X7 POTRAŽIVANJA IZ POTENCIJALNIH OBVEZA / JAMSTVENI KAPITAL X9 KRATKOROČNI KREDITI / JAMSTVENI KAPITAL
X12 (JAMSTVENI KAPITAL - POTR. IZ POTENCIJALNIH OBVEZA - SUMNJIVA I SPORNA POTRAŽIVANJA) / DOBIT
Copyr
ight
108
Wilks' Lambda za cjelokupni model (odnosno standardna vrijednost koja se koristi za
opis statističke signifikantnosti diskriminacijske snage modela) iznosi 0,57.
Omjer X12 ima visok koeficijent varijacije, odnosno velik raspon vrijednosti, što je
potencijalan indikator ekstremnih slučajeva125. No njegovim isključivanjem iz analize sa
početnih 11 omjera backward stepwise metodom reduciran je broj omjera na dva, i to na X7, i
X10. Pri tome do�lo je do porasta Wilks' lambda vrijednosti na 0,67 (odnosno pada statističke
signifikantnosti diskriminacijske snage modela) i pada točnosti modela na 76% tj. 12
slučajeva krivog svrstavanja.
Iz navedenog proizlazi kako je omjer X12 dobar odraz stanja prikazanog financijskim
izvje�ćima, te kako ga vrijedi zadr�ati u analizi jer povećava točnost i diskriminacijsku snagu
modela. Koeficijent kod X12 u funkcijama diskriminacije iznosi iznimno niskih 0,0005 i
0,001 te primarno služi detekciji banaka s ekstremnim vrijednostima omjera X12, odnosno
onima koje su prikazale nisku dobit iz poslovanja. Drugim riječima, visoku vrijednost omjera
X12 imaju banke koje su prikazale nisku dobit.
Mogu se donijeti slijedeći zaključci:
1. pojedina računovodstvena izvje�ća nisu odgovarala realnoj poslovnoj poziciji banke,
odnosno određene banke formirale su izvje�ća s ciljem stvaranja pozitivne slike o
financijskom stanju banke u javnosti,
2. model relativno dobro diskriminira banke koje su sanirane odnosno banke koje su
zavr�ile u stečaju, i one koje to nisu,
3. za pojedine je banke vremenski horizont prevelik, te stoga financijsko-
računovodstveni podaci ne sadr�e informaciju o nadolazećim poslovnim pote�koćama.
Prvi zaključak mo�e se pro�iriti odnosno pojasniti pitanjem: je li moguće da banka
iskazuje dobre financijske rezultate i ima dobre pokazatelje pet godina prije stečaja? Ukoliko
pretpostavimo kako nije bilo pristranosti u formiranju financijskih izvje�ća, onda je moguće.
S druge strane, razumna je i logična činjenica kako stečaj banke nije nagao, nenadani događaj
koji odjednom ru�i 'zdravu' banku, već postupna akumulacija negativnih internih i eksternih
poslovnih događaja koji dovode banku do stečaja. Slijedom ovoga mo�e se zaključiti kako se
u pojedinim bankama uzelo previ�e slobode pri formiranju financijskih izvje�ća, a kontrolni
125 eng. outlier
109
mehanizmi u to doba nisu dovoljno dobro funkcionirali (komercijalna revizija, interna
kontrola, i kontrola HNB).
5.3. Logit model
Pri istra�ivanju poslovnih pote�koća banaka kori�ten je i logit model kao varijanta
nelinearnih regresijskih modela126.
Ulazni su podaci isti kao i kod višestruke diskriminacijske analize, odnosno korišten je
isti uzorak od 50 banaka (tablica 10.) i 12 omjera (tablica 7.). Zavisna je binarna varijabla
STATUS, a nezavisne kontinuirane varijable su 12 omjera.
Pri definiranju modela određene je opcija backward stepwise uz 'p1, enter' vrijednost
od 0,05, te 'p2, remove' od 0,05. Ovo znači da će varijabla ući u model ako je statistička
signifikantnost doprinosa predviđanju bolja (tj. manja) od p1, odnosno da će varijabla biti
izbačena ako je statistička signifikantnost doprinosa predviđanju slabija (tj. veća) od p2. Za
definiranje procjene izabrane su Hooke-Jeeves i quasi-Newton metode.
Procjena parametara modela, njihova standardna gre�ka, i statistička signifikantnost
modela nalaze se u tablici 29.
Tablica 29. Parametri logit modela
PARAMETAR STAND. GREŠKA
p-RAZINA VJEROJATNOSTI
ODSJEČAK (KONSTANTA) 2,29631 1,025996 0,025213
OMJERI U
MODELU
X10 -8,97750 3,382020 0,007943 X12 0,00375 0,006600 0,569553
X10 = KOEFICIJENT ADEKVATNOSTI KAPITALA X12 = (JAMSTVENI KAPITAL - POTR. IZ POTENCIJALNIH OBVEZA - SUMNJIVA I SPORNA POTRAŽIVANJA) / DOBIT
Logit model prikazan je u izrazu:
126 Nelinearni modeli izračunavaju odnos između vi�e nezavisnih varijabli i zavisne varijable. U ovom
smislu, logit je model identičan vi�estrukoj regresiji, no za razliku od nje ne rezultira linearnim (pravocrtnim)
odnosom između nezavisnih i zavisne varijable. U logit regresijskom modelu predviđene vrijednosti zavisne
varijable nikada neće biti manje ili jednake 0, niti veće ili jednake 1, odnosno bez obzira na koeficijente regresije
i veličine nezavisnih varijabli x ovaj model uvijek daje rezultate u okviru 0 do 1.
)12003,010977,829,2(
)12003,010977,829,2(
1 XX
XX
eey
Copyr
ight
110
Početne vrijednosti, vrijednosti predviđene logit modelom i reziduali prikazane su u
tablici 30. Netočno svrstane banke obilje�ene su zvjezdicom.
Tablica 30. Početne, predviđene i rezidualne vrijednosti logit modela
Banka Početna vrijednost
Predviđena vrijednost Rezidual
Početna klasifikacija: PROBLEM
*AGRO 0 0,569087 -0,569087 CIBA 0 0,242464 -0,242464 CROA 0 0,356193 -0,356193 DUBR 0 0,199036 -0,199036 GLUM 0 0,388256 -0,388256 GRAD 0 0,351867 -0,351867 HRGO 0 0,427540 -0,427540 HRPO 0 0,212478 -0,212478 ILIR 0 0,000001 -0,000001 KOME 0 0,406074 -0,406074
*NERE 0 0,570017 -0,570017 PBZG 0 0,063391 -0,063391 PROM 0 0,000000 0,000000
*PULA 0 0,679247 -0,679247 RAZV 0 0,404033 -0,404033
*RIJE 0 0,505486 -0,505486 SLAV 0 0,303047 -0,303047 SPLIT 0 0,140222 -0,140222
*TRTU 0 0,947136 -0,947136 ZUPA 0 0,363245 -0,363245
Početna klasifikacija:
UREDNA
ALPE 1 0,825281 0,174719 BJEL 1 0,709085 0,290915 BROD 1 0,849973 0,150027 CAKO 1 0,569190 0,430810 CENT 1 0,997899 0,002101 CRDO 1 0,918694 0,081306
*DALM 1 0,348045 0,651955 GOKR 1 0,999500 0,000500 IMEX 1 0,912733 0,087267 JADR 1 0,528432 0,471568 KARL 1 0,613326 0,386674 KRAP 1 0,999216 0,000784
*KRED 1 0,411975 0,588025 KVAR 1 0,945303 0,054697
*MEDJ 1 0,386437 0,613563 NAVA 1 0,972698 0,027302 PART 1 0,931718 0,068282
*PODR 1 0,362599 0,637401 POMO 1 0,999993 0,000007 POZE 1 0,597698 0,402302 RAIF 1 0,998259 0,001741 RIAD 1 0,991060 0,008940
*SAMO 1 0,469512 0,530488 SISK 1 0,772081 0,227919 SLAT 1 0,952242 0,047758 STED 1 0,974316 0,025684 TRGO 1 0,573275 0,426725 UMAG 1 0,999369 0,000631 VARA 1 0,993550 0,006450
*ZABA 1 0,266821 0,733179
111
Vidljivo je kako su u tablici 30. banke s poslovnim pote�koćama kodirane kao 0, a
banke bez poslovnih pote�koća kao 1. Rezidualne vrijednosti su razlike promatranih i
predviđenih vrijednosti. Ukoliko je rezidual veći od 0,5 banka je krivo svrstana.
Vrijednosti predviđene logit modelom mogu se promatrati i kao vjerojatnosti
pripadanja pojedinoj grupi. Tako mo�emo za npr. Riječku banku sa 49,5% sigurno�ću (1 –
0,505 = 0,495) reći kako pripada grupi s poslovnim pote�koćama, a za npr. Zagrebačku kako
pripada grupi bez poslovnih pote�koća sa 73,38%. Sve su vjerojatnosti prikazane u tablici 31.
Netočno svrstane banke obilje�ene su zvjezdicom.
Tablica 31. Vjerojatnosti svrstavanja kod logit modela
Banka
Vjerojatnost svrstavanja
u grupu UREDNA
Vjerojatnost svrstavanja
u grupu PROBLEM
PRO
BLE
M
*AGRO 0,569087 0,430913 CIBA 0,242464 0,757536 CROA 0,356193 0,643807 DUBR 0,199036 0,800964 GLUM 0,388256 0,611744 GRAD 0,351867 0,648133 HRGO 0,427540 0,572460 HRPO 0,212478 0,787522 ILIR 0 1 KOME 0,406074 0,593926
*NERE 0,570017 0,429983 PBZG 0,063391 0,936609 PROM 0 1
*PULA 0,679247 0,320753 RAZV 0,404033 0,595967
*RIJE 0,505486 0,494514 SLAV 0,303047 0,696953 SPLIT 0,140222 0,859778
*TRTU 0,947136 0,052864 ZUPA 0,363245 0,636755
UR
EDN
A
ALPE 0,825281 0,174719 BJEL 0,709085 0,290915 BROD 0,849973 0,150027 CAKO 0,569190 0,430810 CENT 0,997899 0,002101 CRDO 0,918694 0,081306
*DALM 0,348045 0,651955 GOKR 1 0 IMEX 0,912733 0,087267 JADR 0,528432 0,471568 KARL 0,613326 0,386674 KRAP 0,999216 0,000784
*KRED 0,411975 0,588025 KVAR 0,945303 0,054697
*MEDJ 0,386437 0,613563 NAVA 0,972698 0,027302 PART 0,931718 0,068282
*PODR 0,362599 0,637401
Copyr
ight
112
POMO 1 0 POZE 0,597698 0,402302 RAIF 0,998259 0,001741 RIAD 0,991060 0,008940
*SAMO 0,469512 0,530488 SISK 0,772081 0,227919 SLAT 0,952242 0,047758 STED 0,974316 0,025684 TRGO 0,573275 0,426725 UMAG 0,999369 0,000631 VARA 0,993550 0,006450
*ZABA 0,266821 0,733179
Točnost logit modela prikazana je u tablici 32. Model relativno dobro svrstava banke
bez poslovnih pote�koća (80 %). Pogre�ka u grupi PROBLEM iznosi 75%, �to znači da je
četvrtina banaka s poslovnim pote�koćama krivo svrstano u grupu bez pote�koća u
poslovanju. Kao i kod diskriminacijske analize, model te�e definira banke sa pote�koćama
nego banke bez pote�koća.
Tablica 32. Točnost logit modela Ispravno svrstanih Krivo svrstanih u grupi PROBLEM 75 % ili 15 od 20 25 % ili 5 od 20 u grupi UREDNA 80 % ili 24 od 30 20 % ili 6 od 30
Ukupna točnost 78% ili 39 od 50 22% ili 11 od 50
Netočno svrstani slučajevi nalaze se u tablici 33.
Tablica 33. Banke netočno svrstane logit modelom
BANKA KLASIFIKACIJA PREDVIĐENA
MODELOM
POČETNA KLASIFIKACIJA
DALMATINSKA BANKA D.D. ZADAR
PROBLEM UREDNA
KREDITNA BANKA D.D. ZAGREB MEĐIMURSKA BANKA D.D. ČAKOVEC PODRAVSKA BANKA D.D. KOPRIVNICA SAMOBORSKA BANKA D.D. SAMOBOR ZAGREBAČKA BANKA D.D. ZAGREB AGRO-OBRTNIČKA BANKA D.D. ZAGREB
UREDNA PROBLEM ISTARSKA BANKA D.D. PULA NERETVANSKA BANKA D.D. PLOČE RIJEČKA BANKA D.D. RIJEKA TRGOVAČKO - TURISTIČKA BANKA D.D. SPLIT
113
Netočna klasifikacija Međimurske, Zagrebačke, Istarske, Neretvanske, i Trgovačko
turističke banke podudara se sa vi�estrukom diskriminacijskom analizom. Dakle, sukladnost
logit modela i dikriminacijske analize s obzirom na slučajeve krivog svrstavanja iznosi 50%.
Dalmatinska, Kreditna, Podravska, Samoborska, Agro-obrtnička i Riječka banka
dospjele su u suprotne grupe zahvaljujući omjeru X10 koji ima najveću signifikantnost u logit
modelu, a koji je kod ovih banaka bliži mjerama centralne tendencije suprotne grupe. Omjer
X10 je preuzet iz izvje�ća Hrvatske narodne banke i predstavlja koeficijent adekvatnosti
kapitala, no kao samostalan omjer očito je nedovoljan za identifikaciju banaka s poslovnim
pote�koćama.
Budući da je u logit modelu nakon backward stepwise metode preostalo samo dva
omjera, X10 i X12, te uzmemo li u obzir da je omjer X12 već posebno istaknut kod
diskriminacijske analize kao mogući izvor statističkih problema zbog ekstremnih vrijednosti
koje poprima, logit model je ponovljen i to ovaj puta bez omjera X12. U modelu je ostao
samo jedan omjer - X10, a točnost modela pala je na 76% uz 12 slučajeva krivog svrstavanja.
Kako se isključivanjem omjera X12 nisu dobili značajno drugačiji rezultati u smislu omjera
koji su preostali u modelu, odnosno kako je u modelu ostao opet samo omjer X10 uz nižu
točnost modela, jo� se jednom mo�e zaključiti kako se omjer X12 treba zadr�ati u analizi.
Konačno, mo�e se reći kako logit model podupire zaključke donesene nakon
diskriminacijske analize, no uz ne�to ni�u točnost modela.
5.4. Metoda višedimenzionalnih skala
Metoda vi�edimenzionalnih skala specifična je zbog slijedećeg:
Ne zahtijeva prethodno znanje o statusu banke. Drugim riječima, za razliku od
diskriminacijske analize i logit modela ne insistira na svrstavanje banaka u grupe.
Rezultat metode višedimenzionalnih skala jest višedimenzionalna mapa (karta) u koju su
smještene banke po ovom principu: dvije se banke na karti nalaze vrlo blizu jer su po
realnoj poslovnoj poziciji i financijskim izvje�ćima vrlo slične, odnosno dvije se banke
na karti nalaze vrlo daleko jer su po realnoj poslovnoj poziciji i financijskim izvje�ćima
vrlo različite. Sličnost, odnosno različitost mjerena je standardiziranim omjerima.
Copyr
ight
114
Ulazni podaci za ovu metodu jednaki su kao i kod prethodnih metoda i sastoje se od
12 omjera za 50 banaka, ali su morali biti transformirani jer nisu istog razreda veličina (npr.
X1 ima raspon veličina od 0,4298, a X12 od 8321,95).
Prvo je učinjena standardizacija omjera i to na način da se od svakog omjera oduzela
aritmetička sredina tog omjera za cijeli uzorak te se rezultat stavio u omjer s standardnom
devijacijom. Izraz za standardizaciju glasi: xxi
Standardizacijom se posti�u međusobno usporedivi omjeri u jednakom redu veličina,
te kod svih omjera aritmetičkom sredinom iznosi 0, a standardna devijacija iznosi 1.
Nakon standardizacije formirana je matrica korelacija između svih banaka (matrica
50x50). Banke su pri tom varijable a standardizirani omjeri vrijednosti varijabli. Korelacije
među bankama predstavljaju sličnosti koje će metoda vi�edimenzionalnih skala reproducirati
u n-dimenzionalnom prostoru.
O broju dimenzija odlučeno je nakon provedenog Scree testa i nakon promatranja
Shepardova dijagrama.
Scree test je grafikon u kojeg se ucrtavaju i povezuju točke čije koordinate
predstavljaju tzv. ^D Raw Stress vrijednosti i pripadajući broj dimenzija. Stress je mjera
kojom se prosuđuje koliko dobro (ili lo�e) određena konfiguracija točaka u prostoru
reprezentira matricu podataka. Porastom broja dimenzija pada stress vrijednost. Scree test se
nalazi u grafikonu br. 7.
Grafikon 7. Scree test
0
100
200
300
400
500
600
700
1 2 3 4 5 6
BROJ DIMENZIJA
^D R
AW
STR
ESS
115
Iz scree testa je vidljivo kako optimalan broj dimenzija može biti 4 ili 5. Izbor je sužen
promatranjem Shepardova dijagrama za ovaj broj dimenzija (4 i 5). Shepardov dijagram
prikazuje raspr�enost točaka oko linije funkcije. Kako je kod Shepardova dijagrama za 4
dimenzije raspr�enost vrlo velika, odlučeno je za izbor 5 dimenzija. Shepardov dijagram za 5
dimenzija prikazan je u grafikonu 8.
Grafikon 8. Shepardov dijagram za 5 dimenzija Udaljenosti i ^D nasuprot omjera
-1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Omjeri
0,2
0,4
0,6
0,8
1,0
1,2
1,4
1,6
1,8
2,0
2,2
Uda
ljeno
sti /
^D
U konačnoj konfiguraciji iznesene su reproducirane udaljenosti među bankama u pet
dimenzija. D* Raw Stress iznosi 10,46574; koeficijent alijenacije je 0,0646677, a sveukupna
Stress vrijednost je 0,0609789.
Budući da se pet-dimenzionalna karta ne može vizualno reprezentirati, nakon
definiranja pet dimenzija učinjeno je 10 mapa (prva dimenzija nasuprot druge, prva nasuprot
treće, četvrte, itd.). Od navedenih deset mapa prve četiri dale su rezultate koji se mogu
interpretirati, dok je ostalih šest produciralo karte na kojima su banke bile raspršene i slabo
grupirane.
Nakon formiranja karata povučene su linije odnosno krivulje koje nastoje odijeliti
banke sa i bez poslovnih pote�koća. Ovako mo�emo utvrditi sukladnost iscrtanih pozicija sa
prethodnom klasifikacijom kod diskriminacijske analize i logit modela, odnosno kako su se
banke grupirale s obzirom na prethodno svrstavanje banaka u već izvedenim metodama.
Copyr
ight
116
Potrebno je naglasiti kako metoda, �to je već spomenuto, ne zahtijeva prethodno
svrstavanje banaka u grupe te se stoga niti ne mo�e govoriti o točnosti metode
višedimenzionalnih skala.
Naime, metoda reprezentira udaljenosti među bankama na temelju informacija
sadr�anih u omjerima, a tumačenje je prepu�teno istra�ivaču. Banke su se na kartama
grupirale sukladno podacima (omjerima), a koje će banke imati poslovnih pote�koća, odnosno
koje neće nisu predmetom analize metode vi�edimenzionalnih skala. Linije / krivulje
povučene su naknadno, temeljem vremenskog odmaka jer danas imamo iskustvo o tome koje
su banke zaista imale poslovnih pote�koća, a koje nisu. Stoga sukladnost modela u tablici 35.
nije točnost u statističkom smislu, nego način provjere vjerodostojnosti informacija sadr�anih
u omjerima usporedbom sa stanjem za koje znamo da se dogodilo. Jedina prava mjera točnosti
metode višedimenzionalnih skala jest Stress vrijednost kao mjera statističke reprezentativnosti
reproduciranih i promatranih udaljenosti.
Sukladnost metode vi�edimenzionalnih skala za prve četiri karte (grafikoni 9-12)
prikazana je u tablici br. 34., dok su u tablici 35. prikazane banke koje su na kartama svrstane
u suprotnu grupu u odnosu na višestruku diskriminacijsku analizu i logit model.
Tablica 34. Sukladnost metode višedimenzionalnih skala
BROJ BANAKA SVRSTANIH SUKLADNO
PRETHODNIM KLASIFIKACIJAMA
POSTOTAK
BROJ BANAKA KOJE NISU SVRSTANE SUKLADNO
PRETHODNIM KLASIFIKACIJAMA
POSTOTAK
KARTA 1 40 80 10 20 KARTA 2 39 78 11 22 KARTA 3 39 78 11 22 KARTA 4 39 78 11 22
U tablici 35. zvjezdicom su označene banke koje su svrstane u suprotnu grupu na sve 4
karte. Kurzivom su označene banke koje su krivo svrstane u diskriminacijskoj analizi i logit
modelu. Valja uočiti kako se (osim kod Po�e�ke banke) slučajevi označeni zvjezdicom
podudaraju sa slučajevima označenima kurzivom, odnosno postoji podudarnost među
metodama.
117
Tablica 35. Banke čija se pozicija na kartama ne podudara s prethodnom klasifikacijom kod diskriminacijske analize i logit modela
BANKA NE PODUDARA SE NA KARTI BR.
AGRO-OBRTNIČKA BANKA D.D. ZAGREB 2, 4 ALPE-JADRAN BANKA D.D. SPLIT 3 BRODSKO-POSAVSKA BANKA D.D. SL.BROD 1, 3 *DALMATINSKA BANKA D.D. ZADAR 1, 2, 3, 4 HRV. GOSPODARSKA BANKA D.D. ZAGREB 2 JADRANSKA BANKA D.D. ŠIBENIK 2, 4 KARLOVAČKA BANKA D.D. KARLOVAC 4 *KOMERCIJALNA BANKA D.D. ZAGREB 1, 2, 3, 4 KREDITNA BANKA D.D. ZAGREB 1, 3 *MEĐIMURSKA BANKA D.D. ČAKOVEC 1, 2, 3, 4 NERETVANSKA BANKA D.D. PLOČE 2 PODRAVSKA BANKA D.D. KOPRIVNICA 4 POMORSKA BANKA D.D. SPLIT 3 *POŽEŠKA BANKA D.D. POŽEGA 1, 2, 3, 4 PROMDEI BANKA D.D. ZAGREB 1, 2 SAMOBORSKA BANKA D.D. SAMOBOR 1, 4 SLATINSKA BANKA D.D. SLATINA 3 *TRG.-TURISTIČKA BANKA D.D. SPLIT 1, 2, 3, 4 *ZAGREBAČKA BANKA D.D. ZAGREB 1, 2, 3, 4
Grafikoni 9. do 12. prikazuju navedene četiri karte koje su produkt metode
vi�edimenzionalnih skala. Crvenom su bojom označene banke svrstane u grupu s poslovnim
pote�koćama kod diskriminacijske analize i logit modela.
Najjasnije je grupiranje na karti 2. (grafikon 10.), i mo�e se reći kako najbolji rezultat
polučuju dimenzije 1 i 3.
Copyr
ight
118
Grafikon 9. Metoda višedimenzionalnih skala, karta 1
AGRO
ALPE
BJELBROD
CENTCIBA
CRDO
CROADALM
DUBR
GLUM
GOKR
GRAD
HRGO
HRPO
ILIR
IMEX
JADR
KARL
KOME
KRAP
KRED
KVAR
MEDJ
NAVA
NERE
PART
PBZG
PODR/CAKO
POMO
POZE
PROMPULA
RAIF
RAZV
RIADRIJE
SAMO
SISK
SLAT
SLAV
SPLIT
STED
TRGO
TRTU
UMAG
VARA
ZABA
ZUPA
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
Dimension 1
-1,2
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8D
imen
sion
2
Grafikon 10. Metoda višedimenzionalnih skala, karta 2
AGRO
ALPE
BJEL
BRODCAKO
CENT
CIBA
CRDO
CROA
DALM
DUBR
GLUM
GOKR
GRAD
HRGO
HRPO
ILIR
IMEX
JADR
KARLKOME
KRAP
KRED
KVAR
MEDJ
NAVA
NERE
PART
PBZ
PODR
POMO
POZE
PROM
PULA
RAIF
RAZV
RIAD
RIJE
SAMO
SISK
SLAT
SLAVSPLIT
STED
TRGOTRTU
UMAGVARA
ZABA
ZUPA
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
Dimension 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
1,2
Dim
ensi
on 3
119
Grafikon 11. Metoda višedimenzionalnih skala, karta 3
AGRO
ALPE
BJEL
BROD
CAKO
CENTCIBA
CRDO
CROA
DALM
DUBR
GLUM
GOKR
GRAD
HRGO
HRPO
ILIR IMEX
JADR
KARL
KOME
KRAPKRED
KVAR
MEDJ
NAVA
NERE
PART
PBZG
PODR
POMOPOZE
PROMPULA
RAIF
RAZV
RIAD
RIJE
SAMO
SISK
SLAT
SLAV
SPLIT
STED
TRGO TRTUUMAG
VARA
ZABA ZUPA
-01 -01 -01 -01 -00 -00 00 00 00 01 01 01
Dimension 1
-01
-01
-00
-00
00
00
00
01
01
01D
imen
sion
4
Grafikon 12. Metoda višedimenzionalnih skala, karta 4
AGRO
ALPE
BJEL
BRODCAKO
CENT
CIBA
CRDO
CROADALM
DUBR
GLUM
GOKR
GRAD
HRGO
HRPO
ILIR
IMEX
JADR
KARL
KOME
KRAP
KRED
KVAR
MEDJ
NAVA
NERE
PART
PBZG
PODR
POMO
POZE
PROM
PULA
RAIF
RAZV
RIAD
RIJE
SAMO
SISK
SLAT
SLAVSPLIT
STED
TRGO
TRTUUMAG
VARA
ZABAZUPA
-1,2 -1,0 -0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0
Dimension 1
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
Dim
ensi
on 5
Copyr
ight
120
5.5. Analiza nakon reklasifikacije
Nakon provedene metode višedimenzionalnih skala možemo ponoviti višestruku
diskriminacijsku analizu, ali sada sa novim kodiranjem, odnosno novim grupiranjem banaka
prema položaju kojeg su banke zauzele na karti. Naime, zanemarimo li povijesno iskustvo o
tome koja je banka zavr�ila u stečaju, koja je sanirana, a koja i danas redovno posluje, te
zatim banke grupiramo prema metodi višedimenzionalnih skala, mogu se donijeti novi
zaključci.
Ako se snaga i točnost diskriminacijske analize poveća to bi značilo da rezultirajuće
stanje 2002. godine (i poslije) nije dobar odraz informacija sadržanih u financijskim podacima
banaka iz 1995. godine, pa su određene banke (prema podacima) imale određenu razinu
poslovnih pote�koća, a druge su redovno poslovale.
Nova klasifikacija banaka iznesena je u tablici 36.
Tablica 36. Reklasifikacija banaka prema metodi višedimenzionalnih skala ŠIFRA STATUS GRUPA AGRO u stečaju od 2000. UREDNA ALPE u stečaju od 2002. UREDNA BJEL sada Erste&St. UREDNA BROD posluje UREDNA CAKO sada Erste&St. UREDNA CENT posluje UREDNA
CIBA u stečaju od 2000. PROBLEM
CRDO posluje UREDNA
CROA sanirana PROBLEM
DALM posluje PROBLEM
DUBR sanirana PROBLEM
GLUM u stečaju od 1999. PROBLEM
GOKR posluje UREDNA
GRAD u stečaju od 1999. PROBLEM
HRGO u stečaju od 2000. PROBLEM
HRPO posluje PROBLEM
ILIR u stečaju od 1999. PROBLEM
IMEX posluje UREDNA
JADR posluje PROBLEM
KARL posluje PROBLEM
KOME u stečaju od 1999. UREDNA KRAP sada PBZ UREDNA
KRED posluje PROBLEM
KVAR posluje UREDNA
MEDJ posluje PROBLEM
NAVA posluje UREDNA
NERE u stečaju od 1999. PROBLEM
PART posluje UREDNA
PBZG sanirana PROBLEM
PODR posluje PROBLEM
POMO sada Zagrebačka UREDNA
POZE posluje PROBLEM
PROM u stečaju od 1999. UREDNA
PULA posluje PROBLEM
RAIF posluje UREDNA
RAZV u stečaju od 2001. PROBLEM
RIAD posluje UREDNA
RIJE sanirana PROBLEM
SAMO posluje UREDNA SISK posluje UREDNA SLAT posluje UREDNA
SLAV sanirana PROBLEM
SPLIT sanirana PROBLEM
STED posluje UREDNA TRGO sada Erste&St. UREDNA
121
TRTU u stečaju od 2000. UREDNA UMAG posluje UREDNA VARA posluje UREDNA ZABA posluje PROBLE
M
ZUPA u stečaju od 1999. PROBLEM
Kako bi se dobio bolji uvid u izmjene klasifikacija, odnosno kako bi bilo jasnije koje
su banke promijenile početnu grupu, formirana je tablica 37. u kojoj se eksplicitno navode
izvedene izmjene klasifikacija.
Tablica 37. Revidirani slučajevi
ŠIFRA POSLOVNI STATUS UNATOČ STATUSU SVRSTANE SU U GRUPU UVJET
DALM
BANKE KOJE REDOVNO POSLUJU,
NISU BILE SANIRANE NITI SU U STEČAJU
PROBLEM PREMA METODI VIŠEDIM.
SKALA PRIPADAJU
SUPROTNOJ GRUPI
JADR KARL KRED MEDJ PODR POZE ZABA AGRO
BANKE U STEČAJU UREDNA ALPE KOME PROM TRTU
5.5.1. Diskriminacijska analiza na temelju klasifikacije dobivene MDS
metodom
Nakon izvr�ene reklasifikacije učinjena je backward stepwise vi�estruka
diskriminacijska analiza, sa istim specifikacijama modela, nad istih 12 omjera i 50 banaka, uz
početno kodiranje navedeno u tablici 36. Rezultati su prikazani u tablici 38.
Tablica 38. Sažetak ponovljene diskriminacijske analize
Omjer Wilks' Lambda
Parcijalni Lambda
F za izlaz (1,45)
p-vrijednost
Tolerancija (1-R2)
1- Toler. (R2)
X2 0,314938 0,637689 24,99916 0,000010 0,668258 0,331742 X3 0,380171 0,528269 39,29098 0,000000 0,585608 0,414392 X9 0,233940 0,858480 7,25340 0,009976 0,777383 0,222617
X10 0,287273 0,699100 18,93806 0,000079 0,773727 0,226273 X11 0,311385 0,644965 24,22070 0,000012 0,638865 0,361135
Wilks' Lambda: 0,20083 approx. F (5,44)=35,018 p< 0,0000
Copyr
ight
122
U modelu je ostalo 5 omjera. Wilks' Lambda pokazuje vrlo dobru snagu diskriminacije
od 0,20. No, najbitnije je kako se točnost model povećala i iznosi 100 %, odnosno nema krivo
svrstanih slučajeva.
Naknadne vjerojatnosti pojedinih svrstavanja također su visoke, a nalaze se u tablici 39.
Tablica 39. A posteriori vjerojatnosti svrstavanja nakon reklasifikacije
BANKA POČETNA KLASIFIKACIJA
Naknadna vjerojatnost svrstavanja
u grupu PROBLEM
Naknadna vjerojatnost svrstavanja
u grupu UREDNA
AGRO UREDNA 0,70% 99,30% ALPE UREDNA 0,93% 99,07% BJEL UREDNA 0,43% 99,57% BROD UREDNA 1,11% 98,89% CAKO UREDNA 20,75% 79,25% CENT UREDNA 0,05% 99,95% CIBA PROBLEM 99,99% 0,01% CRDO UREDNA 3,38% 96,62% CROA PROBLEM 99,99% 0,01% DALM PROBLEM 99,88% 0,12% DUBR PROBLEM 99,99% 0,01% GLUM PROBLEM 100,00% 0,00% GOKR UREDNA 0,00% 100,00% GRAD PROBLEM 97,04% 2,96% HRGO PROBLEM 99,68% 0,32% HRPO PROBLEM 99,86% 0,14% ILIR PROBLEM 99,97% 0,03% IMEX UREDNA 0,01% 99,99% JADR PROBLEM 99,13% 0,87% KARL PROBLEM 99,99% 0,01% KOME UREDNA 0,01% 99,99% KRAP UREDNA 0,00% 100,00% KRED PROBLEM 98,93% 1,07% KVAR UREDNA 0,04% 99,96% MEDJ PROBLEM 99,98% 0,02% NAVA UREDNA 0,02% 99,98% NERE PROBLEM 99,83% 0,17% PART UREDNA 0,00% 100,00% PBZG PROBLEM 100,00% 0,00% PODR PROBLEM 99,25% 0,75% POMO UREDNA 0,00% 100,00% POZE PROBLEM 97,53% 2,47% PROM UREDNA 1,14% 98,86% PULA PROBLEM 99,70% 0,30% RAIF UREDNA 0,00% 100,00% RAZV PROBLEM 99,68% 0,32% RIAD UREDNA 0,45% 99,55% RIJE PROBLEM 98,06% 1,94% SAMO UREDNA 29,77% 70,23%
123
SISK UREDNA 22,72% 77,28% SLAT UREDNA 8,30% 91,70% SLAV PROBLEM 99,98% 0,02% SPLIT PROBLEM 100,00% 0,00% STED UREDNA 0,02% 99,98% TRGO UREDNA 0,00% 100,00% TRTU UREDNA 0,00% 100,00% UMAG UREDNA 0,01% 99,99% VARA UREDNA 0,45% 99,55% ZABA PROBLEM 99,99% 0,01% ZUPA PROBLEM 99,99% 0,01%
Samo Čakovečka, Samoborska i Sisačka banka imaju naknadne vjerojatnosti
svrstavanja niže od 98 %.
Funkcije klasifikacije su:
F (PROBLEM) = -5,12 + 6,71X2 + 4,91X3 + 3,74X9 + 8,04X10 + 2,08X11, i
F (UREDNA) = -16,11 + 21,68X2 + 44,42X3 + 0,78X9 + 19,22X10 + 12,73X11
5.5.2. Logit model na temelju klasifikacije dobivene MDS metodom
Logit model nakon reklasifikacije specificiran je jednako kao i u 5.3., na istom uzorku
od 50 banaka i 12 omjera.
Izveden je standardni logit model ali samo s omjerima koji su izlučeni ponovljenom
backward stepwise diskriminacijskom analizom, odnosno s omjerima X2, X3, X9, X10, i X11
(tablica 38.).
Logit model dan je u izrazu:
)1182,281004,14938,7335,7523718(
)1182,281004,14938,7335,7523718(
1 XXXXX
XXXXX
eey
Logit model je rezultirao 100 %-nom točno�ću klasifikacije.
Početne vrijednosti i vrijednosti dobivene logit modelom gotovo se potpuno
podudaraju, a naknadne vjerojatnosti svrstavanja nalaze se u tablici 40.
Konačno, dakle, mo�e se reći kako točnost ponovljene diskriminacijske analize i logit
modela koje iznose 100 % jo� jednom ukazuju na moguće zaključke:
Copyr
ight
124
a) pojedine banke su imale poslovnih pote�koća premda na to nisu
ukazivali njihovi financijski izvještaji, odnosno pojedine banke nisu
imale poslovnih pote�koća premda su njihovi pokazatelji ukazivali kako
će ih imati, i
b) pojedina prikazana financijska izvje�ća nisu najbolji izvor informacija.
Tablica 40. Vjerojatnosti svrstavanja kod ponovljenog logit modela
Prethodna klasifikacija Banka
Vjerojatnost svrstavanja
u grupu PROBLEM
Vjerojatnost svrstavanja
u grupu UREDNA
UREDNA
AGRO 0,000002 0,999998 ALPE 0,000001 0,999999 BJEL 0,000012 0,999988 BROD 0,000005 0,999995 CAKO 0,002322 0,997678 CENT 0 1 CRDO 0,000056 0,999944 GOKR 0 1 IMEX 0 1 KOME 0 1 KRAP 0 1 KVAR 0 1 NAVA 0 1 PART 0 1 POMO 0 1 PROM 0 1 RAIF 0 1 RIAD 0,000009 0,999991 SAMO 0,0009 0,9991 SISK 0,005903 0,994097 SLAT 0,000592 0,999408 STED 0 1 TRGO 0 1 TRTU 0 1 UMAG 0 1 VARA 0,000025 0,999975
PROBLEM
CIBA 1 0 CROA 1 0 DALM 0,999991 0,000009 DUBR 1 0 GLUM 1 0 GRAD 0,99774 0,00226 HRGO 0,999951 0,000049 HRPO 0,999999 0,000001 ILIR 1 0 JADR 0,998755 0,001245 KARL 1 0 KRED 0,999345 0,000655 MEDJ 1 0 NERE 0,998761 0,001239
125
PBZG 1 0 PODR 0,996925 0,003075 POZE 0,996579 0,003421 PULA 0,999843 0,000157 RAZV 0,999465 0,000535 RIJE 0,99467 0,00533 SLAV 0,999999 0,000001 SPLIT 1 0 ZABA 1 0 ZUPA 1 0
Copyr
ight
126
66.. ZZaakklljjuuččaakk
Postoji veliki interes medija i javnosti za rasvjetljavanjem događaja koji su prethodili
najvećoj krizi suvremenog hrvatskog bankarstva, a koji su bili uvod i jedan od temeljnih
razloga privatizacije bankovnog sektora i prijenosa vlasništva nad bankama u ruke stranih
dr�avljana, činjenicu s kojom se veći dio hrvatske javnosti jo� uvijek ne može jednostavno
pomiriti.
Bankovni je sektor posrnuo (i dobrim dijelom pao) krajem 1990-tih u vrijeme kada su
vlasnici bili domaći ljudi (dakle ne-stranci), te je politička elita pohitala transformirati
vlasničku strukturu kako bi uprave razrije�ila du�nosti127. Sada su te iste banke u rukama
stranih vlasnika visoko profitabilne.
Sve je ovo odvratilo pažnju od onog najbitnijeg, a to su same banke i njihova iskazana
poslovna pozicija. Banke su poslovale onako kako su ih njihove uprave najbolje umjele
voditi, i bilje�ile su zakonom točno određenu evidenciju – financijsko-računovodstvena
izvje�ća – evidenciju koja bi sama za sebe trebala biti jedini relevantan izvor informacija o
stanju i poslovnoj poziciji pojedine banke. No, čini se kako se računovodstvene stavke a priori
zanemaruju.
Cilj ranog predviđanja je - temeljem podataka sadr�anih u izvje�ću o stanju poslovnog
bankarstva u Republici Hrvatskoj pod naslovom "Analiza financijskog stanja i rezultat
poslovanja hrvatskih banaka prema podacima za 1995. godinu"128 – bio pokušati odrediti koje
varijable (omjeri formirani iz navedenog izvje�ća) mogu najbolje poslu�iti za predviđanje
poslovnih pote�koća banaka do �est godina kasnije. Uz ovo, dobit će se uvid u vjerodostojnost
tada�njih financijskih izvje�ća banaka.
Podaci u navedenom izvje�ću prema�uju opseg podataka koje su banke kao institucije
javnog interesa du�ne publicirati i obdr�avati javnima. Naime, javna financijska izvje�ća
skromnija su sadr�ajem te je stoga iz njih te�e izvesti određene zaključke, a računovodstvena
evidencija u "Analizi financijskog stanja i rezultat poslovanja hrvatskih banaka prema
podacima za 1995. godinu" potpuna je i vrlo dobra za formiranje modela ranog predviđanja.
127 I naravno, kako bi prihod od privatizacije popunio proračunske manjke. 128 Izvje�će je Sektor nadzora i kontrole Hrvatske narodne banke podnio Vladi i Saboru u svibnju 1996.g.
127
Metode su provjerene u brojnim znanstvenim radovima, i (osim metode
višedimenzionalnih skala koja je iz 1991. godine) nisu novitet u ekonometriji.
Pri prethodnom grupiranju kod višestruke diskriminacijske analize i logit modela
banka je definirana kao banka s poslovnim pote�koćama ukoliko je bila sanirana ili je zavr�ila
u stečaju. Ostale su banke definirane kao banke bez evidentnih poslovnih pote�koća. Ovo ne
znači da su banke određene kao banke bez poslovnih pote�koća poslovale "glatko" i bez
pote�koća koje su mogle zavr�iti stečajem, nego jednostavno da do stečaja nije došlo zbog
dobrog kriznog upravljanja ili iz drugih razloga.
Iz ukupnog broja banaka u sustavu izbačeni su specifični slučajevi, te uzorak čini
92,6% ukupne populacije, odnosno 99,92% ukupne aktive svih banaka u sustavu. Od 12
omjera formiranih iz navedenog izvje�ća o stanju poslovnog bankarstva u Republici Hrvatskoj
backward stepwise metodom izlučena su 4 omjera kao statistički najsignifikantnija, i njima je
ispravno klasificirano ukupno 80% banaka. Model teže definira banke sa poslovnim
pote�koćama nego banke bez poslovnih pote�koća, odnosno točnost svrstavanja u grupu sa
poslovnim pote�koćama iznosi 65% nasuprot 90% točnosti u grupi bez pote�koća.
Omjer s najvećom snagom diskriminacije je omjer potra�ivanja iz potencijalnih
obveza i jamstvenog kapitala.
Backward stepwise metoda kod logit modela je izlučila 2 omjera od početnih 12, i od
njih se jedan se podudara s preostalim omjerima u diskriminacijskoj analizi. Točnost modela
je manja i iznosi 78%, i manja je razlika točnosti svrstavanja po grupama. Tako je točnost
svrstavanja u grupu sa poslovnim pote�koćama 75% nasuprot 80% točnosti u grupi bez
pote�koća.
Sukladnost modela diskriminacijske analize i logit modela s obzirom na slučajeve
krivog svrstavanja iznosi 50%, a varijabla s najvećom snagom predviđanja je koeficijent
adekvatnosti kapitala.
U radu je kori�tena i metoda vi�edimenzionalnih skala koja funkcionira po drugačijem
principu od diskriminacijske analize i logit modela. Kod nje se ne zahtijeva prethodna
klasifikacija banaka, nego model formira kartu na kojoj je pozicija banke na karti definirana
informacijama sadržanima u 12 omjera. Banke koje se na karti nalaze blizu jedna drugoj
Copyr
ight
128
imaju slične poslovne pozicije sukladno omjerima; isto tako, banke koje se na karti nalaze
daleko imaju različite poslovne pozicije.
Nakon iscrtavanja pozicija mogu se povući linije koje odjeljuju banke. Ovaj postupak
nije inherentan metodi vi�edimenzionalnih skala, nego je učinjen temeljem znanja i
povijesnog iskustva o poslovnoj poziciji pojedinih banaka. Ovakvim grupiranjem u prosjeku
76% banaka je grupirano sukladno početnoj klasifikaciji kod vi�estruke diskriminacijske
analize i logit modela. Bitno je naglasiti kako su banke koje su ostale "s krive strane"129 linije
/ krivulje uglavnom iste one banke koje su krivo svrstane kod prethodne dvije metode.
Budući da su se slučajevi koji su na karti svrstani u suprotnu grupu podudarali s krivo
svrstanim slučajevima kod prethodnih metoda učinjena je reklasifikacija banaka. Banke su
ponovno klasificirane u dvije grupe (sa i bez poslovnih pote�koća), no ovaj put prema
položaju kojeg su zauzele na kartama koje su produkt metode višedimenzionalnih skala, a ne
prema povijesnom znanju i iskustvu.
Nakon reklasifikacije ponovljena je višestruka diskriminacijska analiza i logit model s
jednakim specifikacijama, nad istih 12 omjera i na istom uzorku od 50 banaka. Rezultat je
100%-na točnost kod obje metode, bez krivo svrstanih banaka, te velika statistička snaga
diskriminacije (Wilks' lambda iznosi 0,20). Ovo ukazuje kako su reklasificirane pozicije
banaka realne s obzirom na iskazana financijska izvje�ća i omjere koji su iz tih izvje�ća
formirani.
Ovdje je potrebno napomenuti kako se reklasifikacija gotovo potpuno podudara s
izvje�ćem Hrvatske narodne banke iz kolovoza 1997. naslovljenom 'Banke na raskrižju'. U
tom je izvje�ću u skupinu agresivnih, brzo rastućih srednje velikih banaka svrstano osam
banaka kojima se predbacuje pogoršanje kvalitete aktive, poslovna strategija koja nije održiva
na duži rok, te (indirektno) moralni hazard. Navedene kritike upućuju kako je upitan opstanak
ove skupine banaka bio poznata činjenica, te njihov slom nipo�to nije nenadan događaj.
Članice skupine su: Dubrovačka banka, Glumina banka, �upanjska banka, Hrv. po�tanska
banka, Gradska banka, Komercijalna banka, Trgovačka banka i Agroobrtnička banka.
Od navedenih banaka samo dvije nisu zavr�ile u stečaju ili direktnoj sanaciji, i to Hrv.
po�tanska i Trgovačka banka130. Hrv. poštanska je nakon metode višedimenzionalnih skala
129 Kod metode vi�edimenzionalnih skala ne mo�e se govoriti o točnosti i slučajevima krivog svrstavanja
na isti način kao kod vi�estruke diskriminacijske analize i logit modela. 130 Trgovačka je banka danas u sastavu Erste&Steiermarkische grupe
129
reklasificirana u grupu s poslovnim pote�koćama jer je na dvije karte kod metode
vi�edimenzionalnih skala smje�tena u grupu banaka s poslovnim pote�koćama.
Moguće je donijeti slijedeće zaključke (navedeni zaključci ne isključuju se
međusobno):
1. Informacije sadržane u omjerima nisu apsolutno vjerodostojne kod svih banaka.
Pojedine banke formirale su izvje�ća s ciljem stvaranja pozitivne a ne realne slike o
poslovnoj poziciji banke u javnosti.
2. Pojedine banke koje nisu imale evidentnih poslovnih pote�koća, a prema njihovim
iskazanim financijskim izvje�ćima "trebale" su ih imati, po svemu sudeći poslovni su
slom izbjegle određenim tehnikama i metodama kriznog managementa, ili na neki
drugi način. Ovu je pojavu u svom istra�ivanju naveo Beaver jo� 1966. godine.131
3. Vremenski horizont predviđanja za pojedine je banke prevelik. Ovaj se zaključak
mo�e donijeti samo za određen, relativno malen broj slučajeva.
Slijedom ovih zaključaka banke se nisu grupirale na kartama reproduciranima
metodom višedimenzionalnih skala onako kako nam povijesno iskustvo sugerira da su trebale,
no nakon reklasifikacije prema istim kartama modeli su rezultirali 100%-nom točno�ću
klasifikacije i visokom razinom statističke signifikantnosti.
Danas nam je poznato kako je postojala loša praksa upravljanja imovinom banke,
upravljanja rizicima, te osobito vođenja poslovnih knjiga. Neurednim du�nicima
reprogramirao se postojeći dug kojega nisu uredno servisirali na način da se odobravao novi
plasman iz kojega se dug podmirivao, a cijela se operacija provodila kao zatvaranje
postojećeg duga i odobrenje novoga, koji se, naravno, knji�io kao nerizičan kredit, odnosno
kao nerizična imovina.
Na ovaj se način rizična aktiva prevodila u manje rizičnu, odnosno nerizičnu. Ovo
rekomponiranje aktiva banke provodilo se s ciljem prikazivanja veće dobiti (iz koje su se
upravi isplaćivale plaće, naknade, bonusi i sl.), te radi prezentiranja povoljne slike o poslovnoj
poziciji u javnosti i pred središnjom bankom.
131 Pogledati str. 23. ovog rada.
Copyr
ight
130
Potrebno je naglasiti kako se produkti metoda u ovom radu ne mogu transferirati i
primijeniti na dana�nja izvje�ća banaka jer je predviđanje u ovom radu retroaktivno. Naime,
ovaj rad (2005. god.) predviđa stanje 2001. god. temeljem podataka iz 1994. i 1995. godine.
Stoga funkcije diskriminacije i logit model koji su izneseni u ovom radu nisu alat za
klasifikaciju sada�njih banaka i rano predviđanje njihovog poslovnog statusa jer su omjeri bili
formirani s ciljem provjeravanja pouzdanosti financijskih izvještaja banaka i pronalaženja
logičko-smislenog obrasca po kojemu su banke u drugoj polovici 1990-tih odlazile u stečaj,
odnosno bile sanirane.
Model koji bi predviđao budućnost sada�njih banaka u sustavu Republike Hrvatske, i
to nakon vlasničke transformacije, stabilizacije tr�i�nih principa funkcioniranja i poo�trenih
funkcija nadzora središnje banke treba se tek formirati. Metodologija postoji i provjerena je.
131
77.. PPrriilloogg
U tablici br. 41. može se promatrati kronološki tijek ulaska i izlaska pojedinih banaka iz
bankovnog sustava Republike Hrvatske. Tablica prikazuje dinamiku od 1992. godine, kada je
ustrojen sektor nadzora i kontrole banaka pri Hrvatskoj narodnoj banci.
Tablica 41. Kronološki tijek ulaska i izlaska pojedinih banaka iz bankovnog sustava
Republike Hrvatske od 1992. do 2002. godine132
GODINA, DINAMIKA BANKE KOJE ULAZE U SUSTAV BANKE KOJE IZLAZE IZ SUSTAVA
1992. 10
ZAGREBAČKA BANKA – POMORSKA BANKA D.D. SPLIT
-
ADRIA BANKA D.D. RIJEKA HRVATSKA GOSPODARSKA BANKA D.D ZAGREB
HYPOBANKA D.O.O. ZAGREB GOSPODARSKO KREDITNA BANKA D.D. ZAGREB
NERETVANSKA GOSPODARSKA BANAKA D.D. PLOČE ALPE JADRAN BANKA D.D. SPLIT
CENTAR BANKA D.D. ZAGREB SLATINSKA BANKA D.D. SLATINA
PRIVATNA AUS.-HRV. BANKA D.D. ZAGREB
1993. 5
KVARNER BANKA D.D. RIJEKA
- RAZVOJNA BANKA "DALMACIJA" D.O.O. SPLIT
AGROOBRTNIČKA BANKA D.D. ZAGREB GRADSKA BANKA D.D. OSIJEK
CREDO BANKA D.D. SPLIT
1994. 6
BRODSKO POSAVSKA BANKA D.D. SLAV. BROD
-
GLUMINA BANKA D.D. ZAGREB KREDITNA BANKA D.D. ZAGREB
RAIFFAISENBANK AUSTRIA D.D. ZAGREB ŠTEDBANKA D.D. ZAGREB HISTRIA BANKA D.D. PULA
1995. 4
1
CONVEST BANKA D.D. ZAGREB PRIVATNA AUSTRIJSKO-
HRVATSKA BANKA D.D. ZAGREB
IMEX BANKA D.D. SPLIT KRAPINSKO-ZAGORSKA BANKA D.D. KRAPINA
NAVA BANKA D.D. ZAGREB
1996. 7
1
BANK AUSTRIA CREDITANSTALT CROATIA D.D. ZAGREB
HISTRIA BANKA D.D. PULA
TR�ĆANSKA �TEDIONICA-BANKA D.D. ZAGREB HYPO BANKA CROATIA D.D. ZAGREB
KAPTOL BANKA D.D. ZAGREB LAGUNA BANKA D.D. POREČ
PODRUŽNICA SOCIETE GENERALE PARIS, ZAGREB LIBERTAS BANKA D.D. DUBROVNIK
1997. 2
1
BNP DRESDNER BANK CROATIA D.D. ZAGREB LIBERTAS BANKA D.D. DUBROVNIK133 VOLSKBANK D.D.
ZAGREB
132 Formirano iz izvje�ća o razvoju i radu i funkcije nadzora banaka u Republici Hrvatskoj, HNB, Zagreb, 2002. 133 Nikada nije niti počela poslovati
Copyr
ight
132
1998. 1 - VUKOVARSKA BANKA D.D. VUKOVAR
1999. 7 -
ILIRIJA BANKA D.D. ZAGREB GLUMINA BANKA D.D. ZAGREB GRADSKA BANKA D.D. OSIJEK
KOMERCIJALNA BANKA D.D. ZAGREB ŽUPANJSKA BANKA D.D. ŽUPANJA
NERETVANSKA GOSPODARSKA BANAKA D.D. PLOČE PROMDEI BANKA D.D. ZAGREB
2000. 2
11
BAYERISCHE HYPO-und VEREINSBANK,
PODRUŽNICA ZAGREB
HRVATSKA GOSPODARSKA BANKA D.D ZAGREB AGROOBRTNIČKA BANKA D.D. ZAGREB
CIBALAE BANKA D.D. VINKOVCI TRGOVAČKO TURISTIČKA BANKA D.D. SPLIT
PODRUŽNICA SOCIETE GENERALE PARIS, ZAGREB134 ALPE JADRAN BANKA D.D. SPLIT
ZAGREBAČKA BANKA – POMORSKA BANKA D.D. SPLIT135 ČAKOVEČKA BANKA D.D. ČAKOVEC136 TRGOVAČKA BANKA D.D. ZAGREB137
KRAPINSKO-ZAGORSKA BANKA D.D. KRAPINA138 BJELOVARSKA BANKA D.D. ERSTE&STEIERMAERKISCHE BANK D.D. ZAGREB
2001. 1
2 PRIMORSKA BANKA D.D. RIJEKA139 RAZVOJNA BANKA D.D. SPLIT
2002. 7
2
BANKA BROD D.D. BROD* KAPTOL BANKA D.D. ZAGREB BANKA KOVANICA D.D. VARAŽDIN*
BANKA SONIC D.D. ZAGREB* PRVA OBRTNIČKA BANKA D.D. ZAGREB* BAYERISCHE HYPO-und
VEREINSBANK, PODRUŽNICA ZAGREB
ZAGORSKA BANKA D.D. KRAPINA* SPLITSKO-DALMATINSKA BANKA D.D. SPLIT*
KRI�EVAČKA BANKA D.D. KRI�EVCI*
Slijedeće su banke pokrenule postupak likvidacije, i po svemu sudeći čini se kako će
izaći iz bankovnog sustava Republike Hrvatske:
početkom 2003. godine Convest banka d.d. Zagreb,
na kraju 2004. godine Primus banka d.d. Zagreb,
početkom 2005. godine Kri�evačka banka d.d. Kri�evci.
134 Preuzela Bayerische Hypo-und Vereinsbank, podružnica Zagreb 135 Pripojena Zagrebačkoj banci d.d. Zagreb 136 Pripojena Bjelovarskoj banci d.d., kojoj je ime promijenjeno u Erste&Steiermaerkische Bank d.d. Zagreb 137 Pripojena Bjelovarskoj banci d.d., kojoj je ime promijenjeno u Erste&Steiermaerkische Bank d.d. Zagreb 138 Pripojena Privrednoj banci Zagreb 139 Transformirana iz štedionice u banku
* Sve banke koje su u 2002. godini ušle u bankovni sustav RH tranformirane su iz štedionica u banke
133
88.. LLiitteerraattuurraa
1. Abid, Fathi; Zouari, Anis; Predicting corporate financial distress: A new neural
networks approach, Finance India, Delhi: Jun 2002. Vol. 16, Iss. 2; str. 601
2. Allison, David B.; Gorman, Bernard S.; Some of the most common questions asked of
statistical consultants: Our favorite responses and recommended readings,
Genetic, Social & General Psychology Monographs; May 1993, Vol. 119
Issue 2, str. 155
3. Altman, Edward; Haldeman, Robert; Narayanan, P.; ZETA™ Analysis, Journal of
Banking & Finance; June 1977., Vol. 1, Issue 1, str. 29
4. Altman, Edward: Corporate Financial Distress and Bankruptcy, John Wiley & Sons,
Inc., USA & Canada, 1993.
5. Altman, Edward: Financial ratios, Discriminant analysis and the prediction of
corporate bankruptcy, The Journal of Finance, Vol XXIII, No. 4, Sept 1968.,
str. 589-609
6. Anandarajan, Murugan; Lee, Picheng; Anandarajan, Asokan; Bankruptcy prediction of
financially stressed firms: an examination of the predictive accuracy of
Artificial Neural Networks, International Journal of Intelligent Systems in
Accounting, Finance and Management, Jun 2001; 10, 2; ABI/INFORM
Global, str. 69
7. Babić, Mate; Jurković, Pero; �onje, Velimir: Banking System Development in Croatia,
Zagreb Journal of Economics, Vol. 3., No. 3., Zagreb, 1999.
8. Balcaen, Sofie; Ooghe, Hubert; Alternative methodologies in studies on business
failure:do they produce better results than the classical statistical methods?,
Working paper, Faculteit economie en bedrijfskunde, Univeristeit Gent, June
2004 / 249
9. Barnes, Paul; Methodological Implications of Non-normally Distributed Financial
Ratios, Journal of Business Finance and Accounting, 1982., Vol. 9 Issue 1.,
str.51
10. Barnes, Paul; The Analysis And Use Of Financial Ratios, Journal of Business Finance &
Accounting, Winter 1987., Vol. 14 Issue 4, str.449
Copyr
ight
134
11. Barniv, Ran; McDonald, James B.; Review of Categorical Models for Classification
Issues in Accounting and Finance, Review of Quantitative Finance and
Accounting; Jul 1999.; Vol. 13, Iss. 1; ABI/INFORM Global, str. 39
12. Barren, Bruce W.; Key Financial Ratios, The Secured Lender, New York, Sep/Oct
1992., Vol.48 Iss. 5, str.28
13. Bartolucci, Alfred A.; Multidimensional Scaling and the Information it Conveys,
American Journal of Public Health; Jul 1986., Vol. 76 Issue 7, str. 747
14. Beaver, William H.; Financial Ratios as Predictors of Failure, Journal of Accounting
Research, 1966. Supplement, Vol. 4 Issue 3, str.71
15. Belhadjali, Moncef; Whaley, Gary L.; A data mining approach to neural network
training, Information Management and Computer Security; 12 (1) 2004, str.
117-124
16. Bird, R.G.; McHugh, A.J.; Financial Ratios, Journal of Business Finance & Accounting,
Spring 1977., Vol. 4 Issue 1, str.29
17. Boverie, Patricia E.; Scheuffele, Denise J.; Multimethodological approach to examining
risk-taking, Current Psychology; Winter 1994/1995, Vol. 13 Issue 4, str. 289
18. Brown, C.E.; Coakley, J.; Financial neural network applications: 1998-1999 update,
New Review of Applied Expert Systems and Emerging Technologies; (7)
2001, str. 167-82
19. Buser, Samuel Jackson; A Counseling Practitioner's Primer to the Use of
Multidimensional Scaling, Journal of Counseling & Development; March
1989., Vol. 67 Issue 7, str. 420
20. Carroll, J. Douglas; Arabie, Phipps; Multidimensional Scaling, Annual Review of
Psychology; 1980., Vol. 31, str. 607
21. Carslaw, Charles A.; Mills, John R.; Developing Ratios for Effective Cash Flow
Statement Analysis, Journal of Accountancy, New York, November 1991.,
Vol.172 Iss. 5, str.63
22. Casterella, Jeffrey R.; Lewis, Barry L.; Walker, Paul L.; Modeling the audit opinions
issued to bankrupt companies: A two-stage empirical analysis, Decision
Sciences, Spring 2000, 31, 2; ABI/INFORM Global, str. 507
23. Casteuble, T.; Financial ratios reflect new realities, Association Management,
Washington, July 2000., Vol. 52 Iss. 7, str.55
24. Casteuble, T.; Using financial ratios to assess performance, Association Management,
Washington, July 1997., Vol. 49 Iss. 7, str.29
135
25. Catalano, James A.; Using Multidimensional Scaling and Cluster Analysis for
Understanding Information Processing, Genetic, Social & General
Psychology Monographs; Aug 1999., Vol. 125, Iss. 3, str. 313
26. Charalambous, Chris; Charitou, Andreas; Kaourou, Froso; Comparative analysis of
artificial neural network models: Application in bankruptcy prediction,
Annals of Operations Research, Basel: Dec 2000. Vol. 99, Iss. 1; str. 403
27. Chen, Kung H.; Shimerda, Thomas A.; An Empirical Analysis of Useful Financial
Ratios, Financial Management, Spring 1981., Vol. 10 Issue 1, str.51
28. Clark, Corolyn E.; Foster, Paul L.; Judgemental approach to forecasting bankruptcy,
Journal of Business Forecasting Methods & Systems; Summer 1997., Vol. 16
Issue 2, str. 14
29. Coakley, James R.; Brown, Carol E.; Artificial neural networks in accounting and
finance: modeling issues, International Journal of Intelligent Systems in
Accounting, Finance and Management, Jun 2000; 9, 2; ABI/INFORM
Global, str. 119
30. Coats, Pamela K.; Fant, L. Franklin; Recognizing financial distress patterns using a
neural network tool, Financial Management, Tampa: Autumn 1993. Vol. 22,
Iss. 3; str. 142
31. Cox, Trevor F.; Multidimensional scaling used in multivariate statistical process
control, Journal of Applied Statistics; Mar 2001., Vol. 28 Issue 3/4, str. 365
32. Coxon, A. P. M.; Jones, Charles; Multidimensional Scaling: Exploration To
Confirmation, Quality & Quantity; Jan 1980., Vol. 14 Issue 1, str. 31
33. Crnković, Boris: Predviđanje poslovnih pote�koća du�nika banke iz temeljnih
financijskih izvje�ća, magistarski rad, Sveučili�te J.J. Strossmayera u
Osijeku, Ekonomski fakultet u Osijeku, 2005.
34. Curry, Bruce; Peel, Michael J.; Neural networks and business forecasting: An
application to cross-sectional audit fee data, International Journal of
Commerce & Management, Indiana, 1998. Vol. 8, Iss. 2; str. 94
35. Dambolena, Ismael G.; Khoury, Sarkis J.; Ratio Stability and Corporate Failure,
Journal of Finance, September 1980., Vol. 35 Issue 4, str.1017
36. Darayseh, Musa; Waples, Elaine; Tsoukalas, Dimitrios; Corporate failure for
manufacturing industries using firms specifics and economic environment
with logit analysis, Managerial Finance, Patrington: 2003. Vol. 29, Iss. 8;
str. 23
Copyr
ight
136
37. Deakin, E.; A Discriminant analysis of predictors of business failure, Journal of
Accounting Research, Spring 1972., str. 167.
38. Deakin, E.; Distributions of Financial Accounting Ratios: Some Empirical Evidence,
The Accounting Review, siječanj 1976., str.90
39. Denison, Daniel R.; Multidimensional scaling and structural equation modeling: a
comparison of multivariate techniques for theory testing, Multivariate
Behavioral Research; Oct 1982, Vol. 17 Issue 4, str. 447
40. DeVaney, Sharon A.; Assessing Financial Well-Being Using Financial Ratio Analysis,
Consumer Interests Annual, 2002., Issue 48, str.1
41. Dimitras, A.; Slowinski, R.; Zopoundis, C.; A survey of business failures with an
emphasis on prediction methods and industrial applications, European
journal of Operational Research, No. 90, 1996, str. 487-513
42. Dragsgow, Fritz; Jones, Lawrence E.; Multidimensional Scaling Of Derived
Dissimilarities, Multivariate Behavioral Research; Apr 1979., Vol. 14 Issue
2, str. 227
43. Edmister, Robert; Financial Ratios As Discriminant Predictors Of Small Business
Failure, Journal of Finance, March 1972., Vol. 27 Issue 1, str.139
44. Eisemann, Peter C.; Making Sense of Industry Financial Ratios, Commercial Lending
Review, New York, Summer 1992., Vol.7, Iss. 3, str.3
45. Fadlalla, Adam; Chien-Hua Lin; An analysis of the applications of neural networks in
finance, Interfaces, Linthicum: Jul/Aug 2001. Vol. 31, Iss. 4; str. 112
46. Frecka, Thomas J.; Lee, Cheng F.; Generalized Financial Ratio Adjustment Processes
and Their Implications, Journal of Accounting Research, Spring 1983., Vol.
21 Issue 1, str.308
47. Friedman, Halina; Altman, Edward; Kao, Duen-Li; Introducing Recursive Partitioning
for Financial Classification: The Case of Financial Distress, The Journal of
Finance, march 1985., Vol. XL, No. 1., str. 269.
48. Galac, Tomislav: Rezultati trećega HNB-ova anketiranja banaka: Hrvatski bankarski
sektor u fazi konsolidacije i tržišnog pozicioniranja od 2000. godine do
danas, HNB – direkcija za izdavačku djelatnost, Zagreb, veljača 2003.
49. Ganesalingam S.; Kuldeep, Kumar; Detection of financial distress via multivariate
statistical analysis, Managerial Finance, Patrington: 2001. Vol. 27, Iss. 4;
str. 45
137
50. Gardiner, Marc; Financial ratio definitions reviewed, Management Accounting:
Magazine for Chartered Management Accountants, September 1995., Vol. 73
Issue 8, str.32
51. Gardiner, Marc; Financial ratios: Can you trust them?, Management Accounting:
Magazine for Chartered Management Accountants, September 1997., Vol. 75
Issue 8, str.30
52. Garrido, Lluís; Gómez, Sergio; Roca, Jaume; Improved Multidimensional Scaling
Analysis Using Neural Networks with Distance-Error Backpropagation,
Neural Computation; 04/01/1999., Vol. 11 Issue 3, str. 595
53. Gazda, George M.; Mobley, Jerry A.; Multidimensional scaling: High-tech sociometry
for the 21st century, Journal of Group Psychotherapy, Psychodrama &
Sociometry; Summer 1994., Vol. 47, Issue 2, str. 77
54. Gencay, Ramazan; Dechert, W. Davis; The identification of spurious Lyapunov
exponents in Jacobian algorithms, Studies in Nonlinear Dynamics and
Econometrics, Massachusetts Institute of Technology, October 1996., 1 (3),
str. 145-154
55. Gibson, Charles; How Chattered Financial Analysts View Financial Ratios, Financial
Analysts Journal, May/June 1985., Vol. 43 Issue 3, str.74
56. Ginoglou, Demetrios; Agorastos, Konstantinos; Hatzigagios, Thomas; Predicting
corporate failure of problemmatic firms in Greece with LPM logit probit and
discriminant analysis model, Journal of Financial Management & Analysis,
2002; 15, 1; ABI/INFORM Global, str. 1
57. Gombola, Michael J.; Haskins, Mark E.; Ketz, J. Edward; Williams, David D.; Cash
Flow in Bankruptcy Prediction, Financial Management; Winter 1987; 16, 4;
ABI/INFORM Global, str. 55
58. Gorton, Gary; Banking Panics And Business Cycles, Oxford Economic Papers, Dec
1988, 40, 4; ABI/INFORM Global, str. 751
59. Green, Paul E.; Jing Zhao; Multidimensional Scaling, Business Forum; Summer/Fall
1999., Vol. 24 Issue 3/4, str. 29
60. Grupa autora: Analiza financijskog stanja i rezultata poslovanja hrvatskih banaka
prema podacima za 1995. godinu – izvje�će Vladi RH, Sektor nadzora i
kontrole NBH, Zagreb, svibanj 1996.
Copyr
ight
138
61. Grupa autora: Banke na raskrižju – izvje�će Saboru o stanju u bankovnom sustavu RH,
Sektor za nadzor i kontrolu banaka i sektor za istraživanja i statistiku NBH,
Zagreb, kolovoz 1997.
62. Grupa autora: Bankovni sustav u 1998. godini, HNB – direkcija za odnose s javno�ću i
izdavačku djelatnost, Zagreb, prosinac 1999.
63. Grupa autora: Izvje�će o razvoju i radu i funkcije nadzora banaka u Republici Hrvatskoj ,
HNB, Zagreb, srpanj 2002.
64. Grupa autora; An introduction to multidimensional scaling, Measurement & Evaluation
in Counseling & Development; Apr 1991., Vol. 24 Issue 1, str. 12
65. Grupa autora; Applied Multivariate Statistics for the Social Sciences, American
Statistician; Feb 2003, Vol. 57 Issue 1, str. 68
66. Grupa autora; Handbook of Statistics 22: Statistics in Industry, Technometrics; May
2004, Vol. 46 Issue 2, str. 263
67. Gruppe, Fritz; Owrang, Mehdi; Data base mining, Information Systems Management;
Fall 1995, Vol. 12 Issue 4, str. 26
68. Heilman, E. A.; Some Test Questions On Ratio, Accounting Review, September 1933.,
Vol. 8 Issue 3, str.247
69. Hill, Denys; Chaos and stability in operational cashflows, Management Accounting:
Magazine for Chartered Management Accountants, 00251682, Jun 1996,
Vol. 74, Issue 6
70. Horrigan, James; A Short History of Financial Ratio Analysis, Accounting Review,
April 1968., Vol. 43 Issue 2, str.284
71. Horrigan, James; Some Empirical Bases of Financial Ratio Analysis, Accounting
Review, July 1965., Vol. 40 Issue 3, str.558
72. Houghton, Keith A.; Woodliff, David R.; Financial Ratios, Journal of Business Finance
& Accounting, Winter 1987., Vol. 14 Issue 4, str.537
73. Hughes, Stewart; Bankruptcy prediction models, Credit Control, Hutton: 1993. Vol. 14,
Iss. 11; str. 16
74. Jackson, J. Edward; The User's Guide to Multidimensional Scaling, Technometrics; Feb
1985, Vol. 27 Issue 1, str. 87
75. Jammalamadaka, Sreenivasa Rao; Scan Statistics, Journal of the American Statistical
Association; Sep 2002., Vol. 97 Issue 459, str. 927
76. Jankov, LJ.; Problemi banaka: uzroci, načini rje�avanja i posljedice, Financijska
praksa, Zagreb, 23 (6) / 1999., str. 677-696
139
77. Johnson, Craig G.; Ratio Analysis And The Prediction Of Firm Failure, Journal of
Finance, December 1970., Vol. 25 Issue 5, str.1166
78. Johnson. S. C.; Hierarchical clustering schemes, Psychometrika, 32, 1987., str. 241-254
79. Kahya, Emel; Theodossiou, Panayiotis; Predicting Corporate Financial Distress: A
Time-Series CUSUM Methodology, Review of Quantitative Finance and
Accounting; Dec 1999; 13, 4; ABI/INFORM Global, str. 323
80. Kane, Gregory D.; Richardson, Frederick M.; Graybeal, Patricia; Recession-induced
stress and the prediction of corporate failure, Contemporary Accounting
Research, Toronto, Fall 1996. Vol. 13, Iss. 2; str. 631
81. Katsaounis, Tena Ipsilantis; Methods of Multivariate Statistics, Technometrics; Feb
2003., Vol. 45 Issue 1, str. 100
82. Katten, Michael W.; Adams, Dennis A.; Parks, Michael S.; A comparison of machine
learning with human judgement, Journal of Management Information
Systems, Vol. 9, No. 4, Spring 1993., str. 37-57
83. Kennedy, Henry A.; A Behavioral Study of the Usefulness of Four Financial Ratios,
Journal of Accounting Research, Spring 1975., Vol. 13 Issue 1, str.97
84. Kraft, Evan: Strane banke u Hrvatskoj iz druge perspektive, HNB – direkcija za
izdavačku djelatnost, Zagreb, veljača 2003.
85. Krishnaswamy, C.R.; Gilbert, Erika W.; Pashley, Mary M.; Neural network applications
in finance: a practical introduction, Financial practice & education, Vol. 10,
Issue 1, Spring/summer 2000.
86. Laitinen, Erkki K.; Financial Ratios And Different Failure Processes, Journal of
Business Finance & Accounting, Sep91, Vol. 18 Issue 5, str.649
87. Laurent, C.R.; Improving The Efficiency And Effectiveness Of Financial Ratio Analysis,
Journal of Business Finance & Accounting, Autumn 1979., Vol. 6 Issue 3,
str.401
88. Lev, B.; Industry Averages as Targets for Financial Ratios, Journal of Accounting
Research, Autumn 1969., str.290
89. Lev, Baruch; Sunder, Shyam; Methodological Issues in the Use of Financial Ratios,
Journal of Accounting & Economics, December 1979., Vol. 1 Issue 3,
str.187
90. Lin, F.Y.; McClean, S.; A data mining approach to the prediction of corporate failure,
Knowledge-Based Systems; 14 (3-4) Jun 2001, str. 189-195
Copyr
ight
140
91. Lindsay, David H; Campbell, Annhenrie; A chaos approach to bankruptcy prediction,
Journal of Applied Business Research, Laramie: Fall 1996. Vol. 12, Iss. 4;
str. 1
92. Lund, Thorleif; An alternative content method for multidimensional scaling,
Multivariate Behavioral Research; Apr 1975, Vol. 10 Issue 2, str. 181
93. Mar-Molinero, C.; Ezzamel, M.; Multidimensional scaling applied to company failure,
Omega, 19, 1991. str. 259–74
94. Mar-Molinero, Cecilio; Serrano-Cinca, Carlos; Bank failure: a multidimensional scaling
approach, European Journal of Finance; Jun 2001., Vol. 7 Issue 2, str. 165
95. McCaffrey, Daniel F.; Ellner, Stephen; Estimating the lyapunov exponent of a chaotic
system with nonparametric regression, Journal of the American Statistical
Association, 01621459, Sep 1992, Vol. 87, Issue 419
96. McDonald, Bill; Morris, Michael H.; The Statistical Validity Of The Ratio Method In
Financial Analysis, Journal of Business Finance & Accounting, Spring
1984., Vol. 11 Issue 1, str.89
97. McKee, T.E.; Predicting bankruptcy via induction, Journal of Information Technology;
10 (1) Mar 1995, str. 26-36
98. McKee, Thomas E.; Developing a bankruptcy prediction model via rough sets theory,
International Journal of Intelligent Systems in Accounting, Finance and
Management, Sep 2000; 9, 3; ABI/INFORM Global, str. 159
99. McKee, Thomas E; Greenstein, Marilyn; Predicting bankruptcy using recursive
partitioning and a realistically proportioned data set, Journal of Forecasting,
Chichester: Apr 2000. Vol. 19, Iss. 3; str. 219
100. McLeay, S.; Trigueiros, D.; Proportionate Growth and the Theoretical Foundations of
Financial Ratios, Abacus, October 2002., Vol. 38 Issue 3, str.297
101. Meara, Kevin; Robin, Frederic; Sireci, Stephen G.; Using Multidimensional Scaling to
Assess the Dimensionality of Dichotomous Item Data, Multivariate
Behavioral Research, 2000., Vol. 35 Issue 2, str. 229
102. Mears, Preston K.; Discussion of Financial Ratios as Predictors of Failure, Journal of
Accounting Research, 1966. Supplement, Vol. 4 Issue 3, str.119
103. Meyer, P.; Pifer, H.: Prediction of Bank Failures, Journal of Finance; September 1970.,
Vol. 25 Issue 4, str. 853
104. Montes Di Vittorio, Martha; Unlocking the secrets of financial statements, Database,
Weston, October 1995., Vol.18 Iss. 5, str.24
141
105. Moyer, R. Charles; Forecasting Financial Failure: A Re-Examination, Financial
Management, Spring 1977., Vol. 6 Issue 1, str.11
106. N.N. (Hrvatska narodna banka, Sektor bonitetne regulative i nadzora banaka):
Očitovanje na ekspertizu Ekonomskog instituta u Zagrebu,
http://www.hnb.hr, 2005.
107. N.N.; New model for bankruptcy prediction, America's Community Banker,
Washington: Nov 1997. Vol. 6, Iss. 11; str. 43
108. N.N.; The Use Of Financial Ratios, Harvard Business Review, October 1925., Vol. 4
Issue 1, str.79
109. Novak, Branko: Predviđanje poslovnih pote�koća banaka u Republici Hrvatskoj na
osnovi javno dostupnih pokazatelja, Ekonomski pregled, br. 11-12, god. 54.,
Zagreb 2003., str. 904-923
110. Nanda, Sudhir; Pendharkar, Parag; Linear models for minimizing misclassification costs
in bankruptcy prediction, International Journal of Intelligent Systems in
Accounting, Finance and Management, Sep 2001; 10, 3; ABI/INFORM
Global, str. 155
111. Nasir, M.L.; John, R.I.; Bennett, S.C.; D.M. Russell; Selecting the neural network
topology for student modelling of prediction of corporate bankruptcy,
Campus - Wide Information Systems, Bradford: 2001. Vol. 18, Iss. 1; str.
13
112. Neter, John; Discussion of Financial Ratios as Predictors of Failure, Journal of
Accounting Research, 1966. Supplement, Vol. 4 Issue 3, str.112
113. Ohlson, James: Financial ratios and the probabilistic prediction of bankruptcy, Journal
of Accounting Research, Vol. 18, No 1, Spring 1980, str. 109-131
114. Ohlson, R.; Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of
Accounting Research, Spring 1980., Vol. 18., No. 1., str.109.
115. Osteryoung, Jerome; Constand, Richard L.; Financial ratios in large public and small
private firms, Journal of Small Business Management, July 1992., Vol. 30
Issue 3, str.35
116. Paton, W. A.; Limitations Of Financial And Operating Ratios, Accounting Review,
September 1928., Vol. 3 Issue 3, str.252
117. Pawlak, Zdzislaw; Rough sets and decision analysis, INFOR, Vol. 38, No. 3, Aug
2000., str. 132
Copyr
ight
142
118. Perlich, Claudia; Provost, Foster; Simonoff, Jeffrey S.; Tree Induction vs. Logistic
Regression: A Learning-Curve Analysis, Journal of Machine Learning
Research 4, MIT Press, 2003, str. 211-255
119. Poston, Kay M.; Harmon, W. Ken; A Test Of Financial Ratios As Predictors Of
Turnaround Versus Failure Among Financially Distressed Firms, Journal of
Applied Business Research, Winter 1994., Vol. 10 Issue 1, str.41
120. Poston, Kay M; Harmon, W Ken; Gramlich, Jeffrey D.; A test of financial ratios as
predictors of turnaround versus failure among financially distressed firms,
Journal of Applied Business Research, Laramie: Winter 1994. Vol. 10, Iss.
1; str. 41
121. Rabinowitz, George B.; An Introduction to Nonmetric Multidimensional Scaling,
American Journal of Political Science; May 1975., Vol. 19 Issue 2, str. 343
122. Ramsay, James O.; Gentleman, Jane F.; MULTISCALE: A Multidimensionl Scaling
Program, American Statistician; Nov 1983. Part 1, Vol. 37 Issue 4, str. 326
123. Rohde, Douglas L. T.; Methods for Binary Multidimensional Scaling, Neural
Computation; May 2002., Vol. 14 Issue 5, str. 1195
124. Schiffman, S. S.; Reynolds, M. L.; Young, F. W.; Introduction to multidimensional
scaling, New York, Academic Press, 1981
125. Sclafane, Susanne; Rating agencies identify failure risks, National Underwriter,
Erlanger, Mar 9, 1998. Vol. 102, Iss. 10; str. 45
126. Serletis, Apostolos; Andreadis, Ioannis; Chaotic analysis of US money and velocity
measures, International Journal of Systems Science, 00207721, Feb 2000,
Vol. 31, Issue 2
127. Shah, Jaymeen R., Murtaza, Mirza B.; A neural network based clustering procedure for
bankruptcy prediction, American Business Review, West Haven: Jun 2000.
Vol. 18, Iss. 2; str. 80
128. Sharma, Divesh S.; The role of cash flow information in predicting corporate failure:
The state of the literature, Managerial Finance, Patrington, 2001. Vol. 27,
Iss. 4; str. 3
129. Shay, Rodger; Financial ratio analysis: Why?, Savings & Community Banker,
Washington, January 1995., Vol.4 Iss. 1, str.40
130. Shintani, Mototsugu; Linton, Oliver; Is there chaos in world economy? A nonparametric
test using consistent standard errors, International economic review, Vol.
44, No. 1, February 2003., str. 331
143
131. Singer, Judith D.; Willett, John B.; Improving the teaching of applied statistics: Putting
the data back into data analysis, American Statistician; Aug 1990, Vol. 44
Issue 3, str. 223
132. Singh, A.J.; Raymond S. Schmidgall; Analysis of financial ratios commonly used by US
lodging financial executives, Journal of Leisure Property, London, August
2002., Vol.2 Iss. 3, str.201
133. Sinkey, J.; A Multivariate Statistical Analysis Of The Characteristics Of Problem Banks,
The Journal of Finance, March 1975., Vol. 30, No. 1., str. 21
134. Sinkey, J.; Identifying "Problem" Banks, Journal of Money, Credit, and Banking, Ohio,
May 1978., Vol. 10., No. 2., str. 184.
135. Sudarsanam, Sudi; Lai, Jim; Corporate Financial Distress And Turnaround Strategies:
An Empirical Analysis, British Journal of Management, September 2001.,
Vol. 12, Issue 3
136. �onje, Velimir; Vujčić, Boris: Hrvatska u drugoj fazi tranzicije 1994. – 1999., HNB –
direkcija za odnose s javno�ću i izdavačku djelatnost, Zagreb, lipanj 2000.
137. Tan, Clarence N. W.; Dihardjo, Herlina; A study on using artificial neural networks to
develop an early warning predictor for credit union financial distress with
comparison to the probit model, Managerial Finance. Patrington: 2001. Vol.
27, Iss. 4; str. 56
138. Tenenbaum, Joshua B.; de Silva, Vin; Langford, John C.; A Global Geometric
Framework for Nonlinear Dimensionality Reduction, Science; 12/22/2000,
Vol. 290 Issue 5500, str. 2319
139. Theodossiou, Panayiotis; Predicting shifts in the mean of a multivariate time series
process: an application in prediction business failures, Journal of the
American Statistical Association, Jun 1993, 88, 422; ABI/INFORM Global,
str. 441
140. Tsogo, L.; Masson, M. H.; Bardot, Anne; Multidimensional Scaling Methods for Many-
Object Sets: A Review, Multivariate Behavioral Research; 2000., Vol. 35
Issue 3, str. 307
141. Whittington, G.; Some basic properties of accounting ratios, Journal of Business
Finance & Accounting, 1980., Vol.7 Issue 2, str.219
142. Wilcox, Jarrod W.; A Simple Theory of Financial Ratios, Journal of Accounting
Research, Autumn 1971., Vol. 9 Issue 2, str.389
Copyr
ight
144
143. Williams, Brian J.; Visualizing Statistical Models and Concepts, Journal of the
American Statistical Association; Mar 2004., Vol. 99 Issue 465, str. 292
144. Wise, Ray; New ratio gives weight to cash flow in credit rating, Corporate Cashflow,
Atlanta, September 1994., Vol.15 Iss. 10, str.18
145. Wu, Chien-Hsing; Kao, Shu-Chen; Induction-based approach to rule generation using
membership function, International Journal of Computer Integrated
Manufacturing, 2002, Vol. 15, No. 1, str. 86–96
146. Zapranis, Achilleas; Ginoglou, Demetrios; Forecasting Corporate Failure With Neural
Network Approach: The Greek Case, Journal of Financial Management &
Analysis; Jul-Dec 2000., Vol. 13 Issue 2, str.11
147. Ziegel, Eric R.; Multidimensional Scaling, Technometrics; May 2003., Vol. 45 Issue 2,
str. 182
148. Zmijewski, Mark: Methodological Issues Related to the Estimation of Financial Distress
Prediction Models, Journal of Accounting Research, Vol. 22, Supplement
1984.
149. Zopounidis, Constantin; Doumpos, Michael; Business failure prediction using the
UTADIS multicriteria analysis method, The Journal of the Operational
Research Society, Oxford: Nov 1999. Vol. 50, Iss. 11; str. 1138
Internet:
Baze podataka:
EBSCO http://search.epnet.com
ProQuest http://www.il.proquest.com
Science http://reports.sciencedirect.com
CSA http://www.csa1.co.uk
Open Directory http://www.doaj.org
Web stranice:
Electronic statistic textbook, Statsoft Inc. http://www.statsoft.com
Lyapunov exponents explained http://www.janthor.de/Lyapunov/explained.html
Building Classification Models: ID3 and C4.5
http://www.cis.temple.edu/~ingargio/ cis587/readings/id3-c45.html
145
SADRŽAJ
1. UVOD ..................................................................................................................... 1
2. PREDVIĐANJE POSLOVNIH POTE�KOĆA TEMELJEM FINANCIJSKIH OMJERA ............................................................................................................... 5
2.1. Financijsko računovodstveni omjeri .................................................................... 6 2.1.1. Povijest financijsko računovodstvenih omjera .................................................. 6
Alexander Wall – Studija kreditne barometrije ...................................................... 7 Prve kritike, pragmatični empirizam i prva predviđanja temeljem omjera ............ 8 Internacionalizacija ............................................................................................... 11 Omjeri danas ......................................................................................................... 12
2.1.2. Statističko – metodološki aspekti uporabe omjera .......................................... 13 Pretpostavke ......................................................................................................... 13 Statistička priroda omjera ..................................................................................... 15
2.2. Modeli predviđanja poslovnih pote�koća temeljem omjera ............................ 17 2.2.1. Istraživanje Williama Beavera ........................................................................ 19 2.2.2. Edward Altman i Z-score model ..................................................................... 21
Korigirani Z – score modeli ................................................................................. 25 Zeta analiza ........................................................................................................... 25
2.2.3. Istraživanje Edwarda Deakina ......................................................................... 27 2.2.4. Ohlsonov Logit model ..................................................................................... 27 2.2.5. Sinkey-eva istraživanja banaka 1975. i 1978. godine ..................................... 29 2.2.6. Mar-Molinero, Ezzamel, i Serrano-Cinca ....................................................... 32 2.2.7. Ostale metode i istraživanja ............................................................................ 32
3. METODE PREDVIĐANJA POSLOVNIH POTE�KOĆA ...................................... 36
3.1. Diskriminacijska analiza ..................................................................................... 36 Osnove .................................................................................................................. 36 Pretpostavke ......................................................................................................... 37 Stepwise metode procjene parametara ................................................................. 38 Funkcije klasifikacije i funkcije diskriminacije ................................................... 38
3.2. Nelinearni regresijski modeli .............................................................................. 41 Osnove .................................................................................................................. 41 Logit i probit modeli ............................................................................................. 42 Funkcije minimizacije pogreške ........................................................................... 43
3.3. Metoda višedimenzionalnih skala ...................................................................... 45 Osnove .................................................................................................................. 46 Dimenzije ............................................................................................................. 48
3.4. Ostale metode ....................................................................................................... 50 Teorija grubih setova ............................................................................................ 50 Nelinearni dinamički modeli ................................................................................ 52 Metode umjetne inteligencije – računalno učenje ................................................ 53
4. KRIZNE SITUACIJE U BANKOVNOM SUSTAVU REPUBLIKE HRVATSKE .... 58
Copyr
ight
146
4.1. Bankarstvo u Hrvatskoj do osamostaljenja i naslijeđeni problemi ................ 58
4.2. Gospodarska situacija i linearna sanacija banaka ........................................... 61
4.3. Sanacije velikih banaka u pretežito državnom vlasništvu ............................... 63
4.4. Kriza bankovnog sustava 1998. godine ............................................................. 65 4.4.1. Upravljanje rizikom kao jedan od glavnih uzroka problema .......................... 68 4.4.2. Uloga moralnog hazarda u krizi bankovnog sustava 1998. godine ................. 70 4.4.3. Način rje�avanja problema i izlazak iz krize ................................................... 73
4.5. Aktualna problematika i mogući izvori novih kriza ........................................ 75 4.5.1. Novi problemi nakon privatizacije .................................................................. 76 4.5.2. Strane banke u Hrvatskoj ................................................................................ 76
5. RANO PREDVIĐANJE POSLOVNIH POTE�KOĆA BANAKA U REPUBLICI HRVATSKOJ ...................................................................................................... 78
5.1. Informacijska osnova analize ............................................................................. 79 Opis omjera: ......................................................................................................... 82 Opis statističkih pokazatelja omjera ..................................................................... 85
5.2. Višestruka diskriminacijska analiza .................................................................. 90 5.2.1. Netočno svrstani slučajevi u diskriminacijskoj analizi ................................... 97
Brodsko – posavska banka d.d., Slavonski Brod ................................................. 97 Međimurska banka d.d., Čakovec ........................................................................ 98 Zagrebačka banka d.d., Zagreb ........................................................................... 100 Istarska banka d.d., Pula ..................................................................................... 101 Hrvatska gospodarska banka d.d., Zagreb .......................................................... 102 Hrvatska poštanska banka d.d., Zagreb .............................................................. 103 Komercijalna banka d.d., Zagreb ....................................................................... 103 Neretvanska banka d.d., Ploče ............................................................................ 104 Slavonska banka d.d., Osijek .............................................................................. 105 Trgovačko-turistička banka d.d., Split ............................................................... 106
5.2.2. Zaključak nakon provedene vi�estruke diskriminacijske analize.................. 107
5.3. Logit model ......................................................................................................... 109
5.4. Metoda višedimenzionalnih skala .................................................................... 113
5.5. Analiza nakon reklasifikacije ........................................................................... 120 5.5.1. Diskriminacijska analiza na temelju klasifikacije dobivene MDS metodom ................................................................................................................................. 121 5.5.2. Logit model na temelju klasifikacije dobivene MDS metodom.................... 123
6. ZAKLJUČAK ...................................................................................................... 126
7. PRILOG .............................................................................................................. 131
8. LITERATURA ..................................................................................................... 133
147
POPIS TABLICA
Tablica 1. Omjeri korišteni u Beaverovoj studiji 1966. godine ............................................... 20 Tablica 2. Varijable u Sinkeyevom istra�ivanju poslovnih pote�koća banaka ........................ 31 Tablica 3. Metode istra�ivanja poslovnih pote�koća – prednosti i nedostaci .......................... 34 Tablica 4. Dug središnje države radi sanacije banaka i udio sanacije u ukupnom dugu ......... 73 Tablica 5. Popis banaka u Republici Hrvatskoj u 1995. godini .............................................. 80 Tablica 6. Podaci sadr�ani u Izvje�ću HNB ............................................................................. 81 Tablica 7. Omjeri kori�teni u predviđanju poslovnih pote�koća .............................................. 82 Tablica 8. Statistički pokazatelji omjera .................................................................................. 85 Tablica 9. Korelacije omjera kori�tenih u predviđanju poslovnih pote�koća .......................... 89 Tablica 10. Oznake banaka i grupiranje u diskriminacijskoj analizi ....................................... 91 Tablica 11. Sažetak diskriminacijske analize – varijable u modelu ......................................... 92 Tablica 12. Varijable isključene iz diskriminacijske analize ................................................... 93 Tablica 13. Vrijednosti funkcija klasifikacije .......................................................................... 94 Tablica 14. Točnost modela formiranog diskriminacijskom analizom .................................... 95 Tablica 15. Klasifikacija banaka predviđena diskriminacijskom analizom ............................. 95 Tablica 16. Naknadne vjerojatnosti svrstavanja banaka .......................................................... 96 Tablica 17. Krivo svrstane banke ............................................................................................. 97 Tablica 18. Analiza pokazatelja Brodsko - posavske banke d.d., Slavonski Brod .................. 97 Tablica 19. Analiza pokazatelja Međimurske banke d.d., Čakovec ........................................ 99 Tablica 20. Analiza pokazatelja Zagrebačke banke d.d., Zagreb ........................................... 100 Tablica 21. Analiza pokazatelja Istarske banke d.d., Pula ..................................................... 101 Tablica 22. Analiza pokazatelja Hrv. gospodarske banke, d.d. Zagreb ................................. 102 Tablica 23. Analiza pokazatelja Hrv. poštanske banke d.d., Zagreb ..................................... 103 Tablica 24. Analiza pokazatelja Komercijalne banke d.d., Zagreb........................................ 104 Tablica 25. Analiza pokazatelja Neretvanske banke d.d., Ploče ............................................ 105 Tablica 26. Analiza pokazatelja Slavonske banke d.d., Osijek .............................................. 106 Tablica 27. Analiza pokazatelja Trgovačko-turističke banke d.d, Split................................. 107 Tablica 28. Varijable koje su ostale u modelu diskriminacijske analize ............................... 107 Tablica 29. Parametri logit modela ........................................................................................ 109 Tablica 30. Početne, predviđene i rezidualne vrijednosti logit modela ................................. 110 Tablica 31. Vjerojatnosti svrstavanja kod logit modela ......................................................... 111 Tablica 32. Točnost logit modela ........................................................................................... 112 Tablica 33. Banke netočno svrstane logit modelom .............................................................. 112 Tablica 34. Sukladnost metode višedimenzionalnih skala ..................................................... 116 Tablica 35. Banke čija se pozicija na kartama ne podudara s prethodnom klasifikacijom kod diskriminacijske analize i logit modela .................................................................................. 117 Tablica 36. Reklasifikacija banaka prema metodi višedimenzionalnih skala ........................ 120 Tablica 37. Revidirani slučajevi ............................................................................................. 121 Tablica 38. Sažetak ponovljene diskriminacijske analize ...................................................... 121 Tablica 39. A posteriori vjerojatnosti svrstavanja nakon reklasifikacije ............................... 122 Tablica 40. Vjerojatnosti svrstavanja kod ponovljenog logit modela .................................... 124 Tablica 41. Kronološki tijek ulaska i izlaska pojedinih banaka iz bankovnog sustava Republike Hrvatske od 1992. do 2002. godine ...................................................................... 131
Copyr
ight
148
POPIS GRAFIKONA
Grafikon 1. Primjer Shepardovog dijagrama ........................................................................... 48 Grafikon 2. Primjer scree- test dijagrama ................................................................................ 49 Grafikon 3. Neuronska mreža – multilayer perceptron ............................................................ 56 Grafikon 4. Broj banaka u RH (na kraju razdoblja) ................................................................. 75 Grafikon 5. Raspon vrijednosti 11 omjera ............................................................................... 88 Grafikon 6. Raspon vrijednosti standardne greške i standardne devijacije kod 11 omjera ..... 89 Grafikon 7. Scree test ............................................................................................................. 114 Grafikon 8. Shepardov dijagram za 5 dimenzija .................................................................... 115 Grafikon 9. Metoda višedimenzionalnih skala, karta 1 .......................................................... 118 Grafikon 10. Metoda višedimenzionalnih skala, karta 2 ........................................................ 118 Grafikon 11. Metoda višedimenzionalnih skala, karta 3 ........................................................ 119