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