Economie teoretic i aplicat

Volumul XIX (2012), No. 1(566), pp. 86-102

Utilizarea tehnicilor de analiz cantitativ a datelor

pentru estimarea riscului de faliment al corporaiilor
tefan Daniel ARMEANU
Academia de Studii Economice, Bucureti
darmeanu@yahoo.com
Georgeta VINTIL
Academia de Studii Economice, Bucureti
vintilageogeta@yahoo.fr
Maricica MOSCALU
Academia de Studii Economice, Bucureti
mari.moscalu@yahoo.com
Maria-Oana FILIPESCU
Academia de Studii Economice, Bucureti
oanadicea@yahoo.com
Paula LAZR
Academia de Studii Economice, Bucureti
lazar_paula@yahoo.com
Rezumat. Alexandru D. Xenopol (1847-1920), personalitate
marcant a tradiiei intelectuale romneti la cumpna dintre secole
academician, economist, filosof, istoric, pedagog, sociolog i scriitor a
rmas n memoria cultural universal ca un neobosit promotor al
emanciprii economice a teritoriilor locuite de romni. Minte
enciclopedic lucid, deopotriv vizionar, Alexandru D. Xenopol s-a
dedicat cutrii argumentelor compatibilitii romnilor cu modernitatea
i globalizarea n istoria cultural-educaional i economic a romnilor.
Alexandru D. Xenopol nu a trecut neobservat; savanii acestei ri,
precum Nicolae Iorga, i-au omagiat valoarea intelectual deosebit:
crescut n cele mai bune tradiii ale colii economice de la jumtatea
veacului al XIX-lea, i mai presus de toate minte filosofic, deprins cu
abstraciile i cu o nesfrit iubire fa de subtilele legturi dintre
dnsele (Iorga, 1975, p.190). Scopul acestei lucrri const n
evidenierea importanei rspndirii ideilor economice la romni n
conturarea stadiului de dezvoltare economic.
Cuvinte-cheie: educaie economic;
protecionism; emancipare economic.
Coduri JEL: C81, D22, G30, G33.
Coduri REL: 9B, 11Z.

industrie;

instituii;

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 87

1. Introducere
Primul model de anvergur cu privire la analiza riscului de faliment, att
n literatura de specialitate, ct i n practica financiar i-a aparinut lui E. I.
Altman, care l-a publicat n forma sa iniial n anul 1968, i este cunoscut sub
denumirea de funcia-scor Z. Dei n aparen simplu, acest model a avut asupra
prediciei riscului de faliment de ntreprindere un efect analog celui pe care
celebrul model Black-Scholes l-a avut asupra evalurii instrumentelor
financiare derivate.
Modelul propus de Altman are la baz analiza discriminant, aceasta fiind
utilizat pentru a elabora modele de clasificare/de predicie a apartenenei unor
observaii la anumite clase determinate a priori. n acest scop, n cadrul analizei
discriminante este construit un clasificator pe baza unui set de observaii i a
unor indicatori caracteristici pentru aceste observaii. n cazul modelului
Altman setul de observaii este reprezentat de un numr de firme clasificate de
ctre autor n solvabile i insolvabile, iar indicatorii considerai sunt anumite
rate pe baza crora este analizat starea financiar a companiilor.
Funcia-scor Z propus de Altman este, de fapt, o aplicaie a unui
clasificator liniar (de tip Fisher), mbrcnd urmtoarea form:
Z (r1 , r2 , K , rn ) = 0 + 1 r1 + 2 r2 + K + n rn ,
unde:
r1, r2, ..., rn = ratele considerate n vederea elaborrii modelului de
clasificare;
1, 2,..., n = coeficienii ratelor financiare considerate;
0 = termenul liber (intercept-ul) funciei de clasificare.
Pe baza scorului obinut de fiecare companie analizat se realizeaz
alocarea la una dintre cele dou categorii, i anume companii falimentare sau
companii nefalimentare. De asemenea, pe baza scorului Z se estimeaz i
probabilitatea de faliment a companiei analizate.
Varianta original a modelului Altman, propus n anul 1968, este
urmtoarea (Altman, 2002, p. 14):
Z = 1.2 xr1 + 1.4 xr2 + 3.3 xr3 + 0.6 xr4 + 1.0 xr5 ,
unde ri , i = 1,5 sunt definite mai jos:
Active circulante
r1 =
;
Active totale
Profit reinvestit
r2 =
;
Active totale

88

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

Profit din exploatare

;
Active totale
Capitalizare bursiera
r4 =
;
Valoarea contabila a datoriilor firmei
Cifra de afaceri
r5 =
.
Active totale
r3 =

Altman a definit trei regiuni n funcie de care ntreprinderile se pot

clasifica:
Z > 2,99: zona sigur. Probabilitate de faliment foarte sczut, practic
neglijabil.
1,8 < Z < 2,99: zona nesigur. Risc de faliment mediu.
Z < 1,8: zona riscant. Probabilitate de faliment corporativ crescut.
Calibrarea modelului propus de Altman s-a realizat pornind de la un
eantion de 66 de companii comerciale cu capital de stat ce operau pe piaa
american, aproximativ 50% dintre acestea fiind falimentare. Ulterior, Altman a
elaborat un model ce putea fi aplicat i n cazul ntreprinderilor private,
prezentat n cele ce urmeaz:
Z ' = 0.717 xr1 + 0.847 xr2 + 3.107 xr3 + 0.420 xr4 + 0.998 xr5 ,
unde:
Active circulante
r1 =
;
Active totale
Profit reinvestit
r2 =
;
Active totale
Profit din exploatare (EBIT)
r3 =
;
Active totale
r4 =

Capitalizare bursier
;
Valoarea contabil a datoriilor firmei

r5 =

Cifra de afaceri
.
Active totale

Intervalele critice pentru aceast funcie Z sunt:

Z > 2,9: zona sigur;
1,23 < Z < 2,99: zona nesigur;
Z < 1,23: zona falimentar.

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 89

Exist i o a treia variant a modelului Altman, actualizat i revizuit, ce

prezint avantajul aplicabilitii i n cazul companiilor neindustriale i a celor
ce opereaz n ri aflate n curs de dezvoltare:
Z " = 6.56 xr1 + 3.26 xr2 + 3.72 xr3 + 1.05 xr4 ,
n care:
Active circulante
r1 =
;
Active totale
Profit reinvestit
;
r2 =
Active totale
Profit din exploatare
r3 =
;
Active totale
r4 =

Activ net contabil

.
Valoarea contabil a datoriilor firmei

n acest caz, regiunile critice sunt cele de mai jos:

Z > 2,6: zona de siguran;
1,1 < Z < 2,6: zona incert;
Z < 1,1: zona cu risc ridicat de faliment.
Modelul Altman, foarte utilizat n practica financiar, are o acuratee de
clasificare de peste 70% (conform Stancu, 2007, p. 787).
Un model de clasificare asemntor cu modelul Altman a fost realizat de
economitii J. Conan i M. Holder n anul 1979 i mbrac forma de mai jos:
CH = 0.24 xr1 + 0.22 xr2 + 0.16 xr3 0.87 xr4 0.1xr5 ,
n care:
Excedent brut de exploatare
;
Datorii totale
Capitaluri permanente
=
;
Total bilanier
Active circulante Stocuri
;
=
Total bilanier
Cheltuieli financiare
=
;
Cifra de afaceri net
Cheltuieli cu personalul
=
.
Valoare adugat

r1 =
r2
r3

r4
r5

90

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

Conform modelului Conan-Holder, o valoare CH egal cu -0.21 nseamn

o probabilitate de faliment de 100%, un scor de 0,068 indic o probabilitate de
50%, iar scorul CH de 0,164 implic o probabilitate de faliment de 10%.
2. Analiza componentelor principale

Scopul acestui studiu l reprezint realizarea unei funcii scoring de tip

Altman pe un eantion de 60 de firme romneti cotate pe piaa romneasc de
capital, pentru a pune n eviden att puterea financiar a acestora, dar i
capacitatea lor de a face fa obligaiilor asumate. n acest sens am luat n
considerare un numr de apte indicatori economico-financiari reprezentativi
pentru activitatea companiilor (activ total AT, cifr de afaceri net CA,
rezultat din exploatare EBIT, flux net de trezorerie (cash flow) din activitatea
de exploatare CF, profit net PN, datorii totale Datorii totale i
capitalizare bursier medie CB).
Pentru nceput, am standardizat indicatorii considerai. Tabelul 1 prezint
matricea de corelaie pentru cele apte variabile originale. Evident, elementele
de pe diagonala principal a matricei sunt egale cu unitatea:
Tabelul 1
Matricea de corelaie dintre variabilele originale
Variable
Activ total
CA
Datorii totale
PN
EBIT
CB
CF

Correlations (baza de date + indicatori2010.sta)

Activ total
CA
Datorii totale
PN
EBIT
1,000000 0,955671
0,904545 0,811757 0,883171
0,955671 1,000000
0,967587 0,644614 0,741079
0,904545 0,967587
1,000000 0,493520 0,608211
0,811757 0,644614
0,493520 1,000000 0,990361
0,883171 0,741079
0,608211 0,990361 1,000000
0,984581 0,905970
0,826175 0,891671 0,944330
0,864128 0,803860
0,686195 0,839384 0,876308

CB
0,984581
0,905970
0,826175
0,891671
0,944330
1,000000
0,899479

CF
0,864128
0,803860
0,686195
0,839384
0,876308
0,899479
1,000000

Sursa: calcule proprii.

Matricea de corelaii arat legtura strns existent ntre toate cele apte
variabile considerate, prognoznd o mai bun reprezentare a acestora ntr-un
numr substanial redus de noi variabile, componente principale. Existena unor
corelaii puternice ntre variabilele analizate diminueaz semnificaia
individual a acestora din urm, pe de o parte, i evideniaz existena
redundanelor informaionale, pe de alt parte: exist o cantitate semnificativ
de informaie disipat n legturile dintre variabile. n demersul nostru, ne
propunem att reducerea dimensionalitii spaiului cauzal iniial, ct i
eliminarea acestor redundane informaionale, i de aceea utilizm metoda
analizei componentelor principale.

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 91

Plecnd de la standardizarea datelor iniiale, se prezint mai jos valorile

proprii rezultate n urma analizei componentelor principale. Este de menionat
c doar valorile proprii mai mari dect unitatea sunt de reinut pentru c doar
acele componente principale care au variana mai mare dect cea a variabilelor
originale standardizate (medie nul i variana egal cu 1) ar trebui extrase,
potrivit criteriului lui Kaiser. Rezultatele sunt prezentate n tabelul 2:
Tabelul 2
Valorile proprii supraunitare ale matricei de corelaie
Eigenvalues of correlation matrix, and related statistics (baza de date + indicatori2010.sta)
Active variables only
Eigenvalue
% Total Cumulative Cumulative
variance Eigenvalue
%
Value number
1
6,024163 86,05947
6,024163
86,0595
2
0,790360 11,29086
6,814522
97,3503
3
0,160099 2,28713
6,974622
99,6375
4
0,018130 0,25900
6,992751
99,8964
5
0,004561 0,06516
6,997312
99,9616
6
0,002558 0,03654
6,999870
99,9981
0,000130 0,00185
7
7,000000
100,0000

Sursa: calcule proprii.

Se observ astfel c doar prima nou variabil format are valoarea

proprie care se interpreteaz n termeni de varian sau de cantitate
informaional mai mare dect unitatea, aadar se reine n analiz doar prima
component principal.
Aceeai decizie se poate formula i pe baza analizei graficului prezentat
n figura 1, utiliznd criteriul pantei:

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

92

Eigenvalues of correlation matrix

Active variables only
7
86,06%

6
5
4
3
Eigenvalue

2
11,29%

2,29%
0

,26%

,07%

,04%

,00%

-1
-1

Eigenvalue number

Sursa: calcule proprii.

Figura 1. Graficul valorilor proprii ale matricei de corelaie

Odat determinat numrul de componente principale reinute n analiz,

mai departe se va proceda la ncercarea de interpretare a componentelor
principale. Astfel, se va determina matricea factor pentru singura component
reprezentativ rezultat. Matricea factor este foarte important n analiza
noastr, ntruct elementele sale (cunoscute i sub denumirea de intensiti ale
factorilor) sunt coeficienii de corelaie ntre variabilele originale i
componentele principale. Formula de calcul pentru un element oarecare al
acestei matrici este:
f ij =

j
VAR (x i )

ij , i = 1, 2 , ... , n

j = 1, 2, ... , k

unde k este numrul de componente principale reinute.

Formula anterioar ne d coeficientul de corelaie dintre variabila
original i i componenta principal j. Demonstraia relaiei are la baz definiia
coeficientului de corelaie:

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 93

x i ,z j = f ij =

COV(x i , z j )

VAR (x i ) VAR (x j )

Trecnd la nivel matriceal, relaia anterioara se rescrie astfel:

F = VXW ,
unde X este matricea de covarian dintre vectorii x i w (vectorii variabilelor
originale i componentelor principale), iar V i W sunt matrici diagonale, ale
cror elemente de pe diagonala principal sunt egale cu inversele varianelor
variabilelor originale i, respectiv, componentelor principale:
1

L
0

VAR (x 1 )

V=
M
O
M

1
L
0

VAR (x n )

0
0
L
L

1
VAR (z1 )
= M
M
O
M
O
M
W=

1
1
L
0

0 L

VAR (z n )
n

Matricea X se determin pornind de la definiia matematic a covarianei:

t
X = COV(x, z ) = E (x E(x )) (z E(z ))

Vom face acum ipoteza simplificatoare a centrrii variabilelor originale i

a componentelor principale, tiut fiind c operaia de centrare nu influeneaz
cu nimic variana unei variabile aleatoare. innd cont i de relaia anterioar,
ecuaia principal va deveni:

( )

((

)) (
t

) ( )

X = E xz t = E x B t x = E xx t B = E xx t B = B
nlocuind relaiile anterioare vom avea:
1
1

0
L

1
VAR (x1 )
B M

M
O
M
F = VXW =

1
L
0
0

VAR (x n )

L
O
L

M
1

94

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

innd cont de expresia matricei dat i de configuraia matricei A,

rezult c, ntr-adevr, un element oarecare al matricei F este dat de coeficientul
de corelaie dintre variabila original i i componenta principal j.
Matricea factor, ale crei elemente (factor loadings) reprezint coeficienii
de corelaie dintre variabilele originale i componentele principale, este
prezentat n tabelul 3:
Tabelul 3
Matricea factor
Variable
Activ total
CA
Datorii totale
PN
EBIT
CB
CF

Factor-variable correlations (factor loadings), based on corre (baza de date + indicatori2010.sta

lations
Factor 1
-0,987380
-0,927273
-0,844738
-0,875847
-0,932918
-0,995254
-0,920787

Sursa: calcule proprii.

Se observ c noua component principal prezint corelaii foarte

puternice, dar n sens negativ cu toate cele apte variabile iniiale, de peste 85%.
n tabelul 4 sunt prezentai coeficienii combinaiilor liniare ce definesc
componentele principale (vectorii proprii ai matricei de corelaie), pe baza
crora vom calcula scorurile observaiilor n spaiul componentelor principale:
Tabelul 4
Coeficienii componentelor principale
Eigenvector
Variable
Factor 1
Activ total
-0,402287
CA
-0,377798
Datorii totale
-0,344171
PN
-0,356845
EBIT
-0,380098
CB
-0,405495
CF
-0,375155
Sursa: calcule proprii.

Reprezentarea companiilor n noul spaiu dat de componenta principal

este prezentat n figura 2:

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 95
Line Plot (Spreadsheet in WorkbookINDICATORI.stw 1v*64c)
2
0
-2
-4
-6
-8
-10
Factor 1

-12
-14
-16
-18
-20
ZIM
SCD
VNC
VE
APC
UZT
UC
UAM
EFO
TU
TBM
MP
ART
TRP
SO
SRT
STZ
CO
SNO
TGN
PTR
RRC
RO
PPL
PR
PEI
SNP
OLT
OIL
MJM
ME
COS
RPH
RT
M
IMP
ECT
R
EPT
EL
ELJ
DA
CG
CO
CO
ENP
CM
CM
C
CE
BCM
CBC
TEL
SP
BIO
BRM
AZO
ARM
ATB
AM
ALU
ALT
ALR
ARS

Figura 2. Reprezentarea companiilor n spaiul primei componente principale

Este de remarcat c SNP se detaeaz clar fa de celelalte companii n

funcie de aceast component principal, ntruct valorile nregistrate pentru
toate variabilele sunt net superioare comparativ cu celelalte firme. O alt
categorie de firme este reprezentat de ALR, AZO, TEL, RRC, TGN; acestea
prezint niveluri nalte ale tuturor indicatorilor, iar celelalte companii aflate n a
treia categorie au valori mici i medii ale indicatorilor.
n urma aplicrii analizei componentelor principale, innd cont c am
identificat o singur component principal ce sintetizeaz peste 86% din
informaia generat de indicatorii iniiali, identificm un model de tip Altman
care are urmtoarea form:
Z = 0.402 xr1 0.377 xr2 0.344 xr3 0.356 xr4
0.38 xr5 0.405 xr6 0.375 xr7

unde ri , i = 1,7 sunt definite mai jos:

r1 = Activ total ; r2 = CA ; r3 = Datorii totale ;
r6 = CB ; r7 = CF

r4 = PN ;

r5 = EBIT ;

96

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

Din analiza graficului reprezentrii ntreprinderilor n funcie de prima

component principal i pe baza scorurilor obinute de acestea, identificm trei
regiuni n funcie de care firmele se pot clasifica:
Z < -2,34: zona sigur. Probabilitate de faliment foarte sczut, practic
neglijabil.
-2,34 < Z < -0,102: zona nesigur. Risc de faliment mediu.
Z >-0,102: zona riscant. Probabilitate de faliment corporativ crescut.
3. Analiza cluster

Analiza cluster ocup un loc important n cadrul metodelor de

recunoatere necontrolat a formelor (cunoscute i sub denumirea de metode de
nvare nesupervizat). Scopul analizei cluster este reprezentat de clasificarea
datelor (a observaiilor sau a formelor) n structuri informaionale semnificative,
relevante, cunoscute sub denumirea de clase, grupe sau clustere.
O noiune esenial utilizat n analiza cluster este, prin urmare, cluster-ul.
Un cluster se definete ca o submulime a mulimii iniiale de obiecte
(observaii) care au proprietatea c gradul de disimilaritate dintre oricare dou
obiecte ce aparin cluster-ului este mai mic dect gradul de disimilaritate dintre
oricare obiect aparinnd cluster-ului i orice obiect ce nu aparine cluster-ului
respectiv.
Este necesar a fi menionate o serie de precizri de ordin tehnic. n primul
rnd, pentru evaluarea distanei (disimilaritii) dintre obiecte (societile listate
la categoria I) sau dintre clustere va fi utilizat distana Manhattan. Distana
Manhattan, numit i distan rectangular, distan City-Block sau norm de
tip L1, se calculeaz ca sum a valorilor absolute ale diferenelor coordonatelor
celor dou obiecte sau celor dou variabile analizate.
n al doilea rnd, vom folosi ca metod de clasificare ierarhic prin
agregare metoda lui Ward. Aceast metod este considerat a fi cea mai
eficient i mai performant dintre toi algoritmii de clasificare ierarhic
deoarece este singura care trateaz explicit problema omogenizrii claselor,
adic a minimizrii variabilitii intracluster: la fiecare pas, se comaseaz acele
dou clustere pentru care variabilitatea cluster-ului rezultat este cea mai mic
din toate posibilitile de comasare de clustere. O premis important a metodei
lui Ward o reprezint descompunerea varianei totale n varian intra-cluster i
varian inter-cluster, astfel:
T2 = 2w + 2b ,
unde 2w i 2b sunt varianele intra- i, respectiv, intercluster.

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 97

Metoda lui Ward se bazeaz pe urmtorul raionament: dac la un

moment oarecare al clasificrii exist p clase {1 , 2 ,K p } , iar variana total
intracluster este 2w , se vor comasa dou clustere astfel nct variabilitatea
intracluster rezultat (i care va fi obligatoriu mai mare dect cele dou variane
intracluster individuale, deoarece creterea numrului de obiecte ce fac parte
dintr-o clas o face pe aceasta din urm mai eterogen, deci cu o variabilitate
~ 2 , s fie cea mai mic posibil, adic s
mai mare), pe care o vom nota
w
reprezinte o soluie a urmtoarei probleme de optimizare:
~ 2 2 )
min (
w
w
Argumentul funciei de optim este chiar distana Ward.
Aplicarea acestei tehnici asupra setului nostru de date a generat (figura 3)
rezultatele prezentate n dendograma clasificrii pentru cele 60 firme analizate
(utiliznd metoda de agregare a lui Ward).
y

100

80

60

40
Linkage Distance

20

0
ARS
EL
PTR
SNO
APC
BIO
ALT
CMF
AMO
ALU
RT
VE
PPL
CO
CGC
UAM
ARM
MJM
SRT
BRM
ME
CBC
ENP
ZIM
BCM
ECT
MEF
STZ
SP
OIL
PR
TU
SO
C
EFO
R
RO
PEI
TBM
UZT
ATB
CM
DA
CO
TRP
RPH
C
CO
VNC
ELJ
MPN
EPT
IMP
COS
ART
ALR
AZO
SCD
TEL
TGN
OLT
UC
RRC
SNP

Sursa: calcule proprii.

Figura 3. Dendrograma clasificrii celor 60 de firme analizate

98

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

O caracteristic a tehnicilor de agregare ierarhic (inclusiv a metodei lui

Ward) o reprezint producerea mai multor soluii cluster, alegerea uneia dintre
ele trebuind s se fac n funcie de obiectivele stabilite n procesul de analiz.
Selectarea unei soluii cluster se realizeaz trasnd o paralel cu axa absciselor
pentru diferite niveluri ale distanei de agregare. Astfel, considernd o distanlimit de agregare relativ mic, vom obine trei clustere de societi comerciale
(marcate cu rou pe graficul din figura 3), clusterele fiind asemntoare celor
rezultate prin analiza componentelor principale. Astfel, primul cluster identificat
include firma cu simbolul SNP. n cel de-al doilea cluster, pe lng firmele
incluse conform ncadrrii obinute prin analiza componentelor principale, mai
apar firmele cu simbolurile UCM, OLT i SCD. n cel de-al treilea cluster sunt
incluse toate celelalte firme din eantion.
4. Analiz discriminant
Analiza discriminant presupune utilizarea unui ansamblu de metode,
tehnici i algoritmi n scopul de a determina acele caracteristici ale unor obiecte
care au cea mai mare relevan din punct de vedere al recunoaterii apartenenei
acestor obiecte la anumite clase prestabilite (avem de-a face, aadar, cu o
tehnic de recunoatere supervizat a formelor) i de a determina apartenena
cea mai probabil a obiectelor la diferite clase.
De reinut este c SNP a fost eliminat din analiz, ntruct discriminarea
nu poate fi realizat cu clase coninnd un singur element. Clasele au fost
considerate cele obinute n analiza cluster.
Un prim rezultat al analizei discriminante este prezentat n tabelul 5:
Tabelul 5
Bonitatea modelului analizei discriminante i contribuia caracteristicilor individuale

N=63
Activ total
CA
Datorii totale
PN
EBIT
CB
CF

Discriminant Function Analysis Summary (baza de date + indicatori2010.sta)

No. of vars in model: 7; Grouping: Clasa* (2 grps)
Wilks' Lambda: ,15952 approx. F (7,55)=41,399 p<0,0000
Wilks'
Partial F-remove p-level
Toler.
1-Toler.
(1,55)
(R-Sqr.)
Lambda Lambda
0,174561 0,913815
5,18724 0,026663 0,043724
0,956276
0,278340 0,573099 40,96945 0,000000 0,082668
0,917332
0,175662 0,908089
5,56677 0,021882 0,008899
0,991101
0,29381 0,589978 0,000951
0,999049
0,160368 0,994686
0,159590 0,999539
0,02539 0,873991 0,001363
0,998637
0,180197 0,885235
7,13040 0,009946 0,124843
0,875158
0,313932 0,508124 53,24131 0,000000 0,352962
0,647038

Sursa: calcule proprii.

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 99

n primul rnd, se observ c discriminarea de ansamblu este foarte

puternic, dup cum indic informaiile din antetul tabelului: statistica Lambda
a lui Wilks are valoarea 0,15952 (cu ct valoarea statisticii este mai apropiat
de zero, cu att puterea de discriminare este mai mare; cu ct lambda este mai
aporoape de unu, cu att puterea de discriminare se reduce), p-value este de sub
10-4. Funciile de clasificare pentru fiecare dintre cele dou grupuri sunt
prezentate n tabelul 6:
Tabelul 6
Funciile de clasificare pe grupuri

Variable
Activ total
CA
Datorii totale
PN
EBIT
CB
CF
Constant

Classification Functions; grouping: Clasa* (baza de date + indicatori2010.sta)

G_1:1
G_2:2
p=,12698
p=,87302
26,8541
-36,2707
-30,7169
12,2313
49,8322
-0,7513
65,1031
26,9284
-47,9097
-35,8740
-26,4144
16,5351
-4,9985
14,3467
-13,8868
-2,4161

Sursa: calcule proprii.

Matricea clasificrii arat corectitudinea discriminarii n cele dou clase

rezultate n urma analizei cluster.
Tabelul 7
Matricea clasificrii
Classification Matrix (baza de date + indicatori2010.sta
Rows: Observed classifications
Columns: Predicted classifications
Percent
G_1:1
G_2:2
Group Correct p=,12698 p=,87302
G_1:1 87,5000
7
1
G_2:2 100,0000
0
55
Total
98,4127
7
56
Sursa: calcule proprii.

Matricea arat c toate companiile ncadrate n clasa a doua n urma

analizei cluster au fost alocate n aceeai clas i n urma analizei
discriminante; o singura companie, SCD, aparinnd clasei 1, a fost alocat
clasei 2, n urma discriminrii. S-a obinut astfel un procent al corectitudinii
clasificrii de 98,41%.

100

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

5. Concluzii

Aa cum evideniaz Heffernan (2005), modelele de diagnosticare a

riscului de faliment elaborate pe baza analizei discriminante (cum sunt modelul
Altman i modelul Conan-Holder) pot induce uor n eroare deoarece, n primul
rnd, ele se bazeaz pe date istorice. Chiar dac la momentul elaborrii lor
aceste modele erau de o acuratee rezonabil, acurateea lor se diminueaz pe
msura trecerii timpului dac nu se iau msuri de actualizarea a variabilelor
considerate i/sau de recalibrare a modelelor. Este plauzibil s considerm c
ratele financiare considerate se pot schimba n timp, chiar n funcie de piaa pe
care opereaz compania. Este necesar ca bncile s (re)testeze cu o frecven
suficient de ridicat modelele discriminante i s efectueze actualizri periodice
ale modelelor de risc utilizate n practic (Heffernan, 2005, p. 161).
O problem i mai dificil ine de faptul c rezultatul impus de model este
unul binar: fie debitorul este solvabil, fie nu. n practic, exist mai multe
situaii posibile, ca de exemplu ntrzieri n plata ratelor lunare, neplata
acestora, neplata de comisioane sau dobnzi penalizatoare .a.. De cele mai
multe ori debitorul ntiineaz banca cu privire la dificultile sale de ordin
financiar i termenii creditului sunt renegociai, ori modelele de analiz
discriminant utilizate nu pot include strile de solvabilitate, insolvabilitate i
restructurare simultan.
Tehnicile propuse de analiza multidimensional a datelor se dovedesc a fi
extrem de utile atunci cnd cercetarea se realizeaz asupra unei mulimi de
obiecte caracterizate de un numr mare de variabile, ceea ce face ca studierea
dependenelor cauzale i clasificarea obiectelor s fie greu de realizat. Acesta
este i cazul nostru, obiectul analizei fiind constituit de companiile listate la
Bursei de Valori Bucureti, pentru care am considerat un numr de apte
caracteristici reprezentative (activul bilanier total, cifra de afaceri net,
rezultatul din exploatare EBIT, profitul net, fluxul net de trezorerie din
activitatea de exploatare, cuantumul total al datoriilor i capitalizarea bursier
medie).
Dup cum am vzut, cele apte caracteristici individuale sunt caracterizate
de niveluri ridicate ale volatilitii, ns sunt i puternic corelate ntre ele, ceea
ce nseamn c, pe lng coninutul informaional intrinsec al fiecrei variabile,
exist i o cantitate important de informaie disipat n legturile neobservabile
direct dintre variabile. n acest context, analiza componentelor principale este
un instrument util de studiu, deoarece reuete att sintetizarea informaional,
ct i eliminarea redundanelor informaionale.
Aplicnd metoda componentelor principale pe setul nostru de date, am
obinut o component ce sintetizeaz aproximativ 86,10% din informaia

Utilizarea tehnicilor de analiz cantitativ a datelor pentru estimarea riscului de faliment al corporaiilor 101

coninut n spaiul cauzal iniial. Astfel, trecerea de la apte variabile la numai

una s-a realizat n condiiile unei pierderi informaionale minime, de circa 23%.
Prima component principal recupereaz 86,% din informaia din spaiul
original i este puternic corelat negativ cu toti indicatori considerai, furniznd
astfel informaii cu privire la volumul de afaceri, rentabilitatea companiilor (att
la nivelul exploatrii, ct i la nivelul activitii de ansamblu) despre valoarea
de pia a aciunilor emise de firme i se constituie ntr-o expresie a capacitii
companiilor de a genera excedente de trezorerie din activitatea de exploatare. n
urma aplicarii analizei componentelor principale, innd cont c am identificat o
singur component principal ce sintetizeaz peste 86% din informaia
generat de indicatorii iniiali, identificm un model de tip scoring care are
urmtoarea form:
Z = 0.402 xr1 0.377 xr2 0.344 xr3 0.356 xr4
0.38 xr5 0.405 xr6 0.375 xr7

Din analiza graficului reprezentrii ntreprinderilor n funcie de prima

component principal i pe baza scorurilor obinute de acestea, identificm trei
regiuni n funcie de care firmele se pot clasifica:
Z < -2,34: zona sigur. Probabilitate de faliment foarte sczut, practic
neglijabil.
-2,34 < Z < -0,102: zona nesigur. Risc de faliment mediu.
Z > -0,102: zona riscant. Probabilitate de faliment corporativ crescut.
n consecin, constatm c att aplicarea analizei cluster, ct i a analizei
discriminante relev faptul c cele trei zone identificate ale funciei scoring de
grupare a ntreprinderilor sunt corecte.
Mulumiri

n cadrul lucrrii sunt diseminate o parte din rezultatele cercetrii realizate

prin Proiectul de cercetare exploratorie, PN II ID-PCE-2008-2, nr. 1764,
CNCSIS, finanat de la Bugetul de stat prin Unitatea Executiv pentru
Finanarea nvmntului Superior, a Cercetrii, Dezvoltrii i Inovrii
(UEFISCDI).

102

tefan Daniel Armeanu, Georgeta Vintil, Maricica Moscalu, Maria-Oana Filipescu, Paula Lazr

Bibliografie
Altman, E.I. (2002). Managing the Commercial Lending Process
Armeanu, D. (2005). Evaluarea riscului activitii financiare cu aplicaii pe economia
romneasc, tez de doctorat
Damodaran, Aswath (2005). Applied corporate finance, 2nd edition, Wiley
Everitt, B., Landau, S., Leese, M. (2006). Cluster Analysis, Arnold, Fourth edition
Ghahramani, Z., Unsupervised learning,
http://www.inf.ed.ac.uk/teaching/courses/pmr/docs/ul.pdf
Gujarati (2005). Basic econometrics, McGraw-Hill
Heffernan, S. (2005). Modern Banking, Wiley
Helfert, E. (2001). Financial analysis tools and techniques a guide for managers, The
McGraw-Hill Companies
Moore, A. K-Means and Hierarchical Clustering,
http://www.autonlab.org/tutorials/kmeans.html
Nicolae, M., Utilizarea metodei componentelor principale la analiza strii de sntate a
societilor bancare, Revista Oeconomica, 2004, Bucureti
Ruxanda, Gh. (2005). Econometrie II, suport de curs masterat Management Financiar i Piee
de Capital, Bucureti
Ruxanda, Gh. (2007). Analiza multidimensionala a datelor, Master Baze de Date Suport
pentru Afaceri
Simar, L. (2004). Applied Multivariate Statistical Analysis, Springer
Spircu, L. (2004). Tehnici de analiza datelor, Academia de Studii Economice Bucureti
Spircu, L. (2006). Analiza Datelor: Aplicaii Economice, Editura ASE, Bucureti
Stancu, I. (2007). Finane, Editura Economic, Bucureti
Vintil, G., Toroap, M.G., Building a Scoring Model for Bankruptcy Risk Prediction on
Multiple Discriminant Analysis, The International Conference Present issues of global
economy, 8th Edition, April 16th-17th, 2011, Annals of the Ovidius University,
Economic Sciences Series Volume XI, Issue 1 /2011
Vintil, G. (2005). Gestiunea financiar a ntreprinderii, Editura Didactic i Pedagogic, Bucureti
Cluster Analysis -http://www.statsoft.com/textbook/stathome.html?stcluan.html&1
Cluster
Analysis

Statnotes,
from
North
Carolina
State
University,
http://www2.chass.ncsu.edu/garson/PA765/cluster.htm
Notes on Cluster Analysis, http://www.uic.edu/classes/idsc/ids472/clustering.htm
A Tutorial on Clustering Algorithms. K-Means Clustering,
http://home.dei.polimi.it/matteucc/Clustering/tutorial_html/kmeans.html