Kuběnka, Michal, Čapek, Jan, Sejkora, František, Kuběnka, Michal, Čapek, Jan, and Sejkora, František
"New models for bankruptcy prediction are constantly being formulated and tested against the current ones and current ones are tested to assess their current accuracy and to allow users to determine the reliability of the results when using the model. These models use accounting information as input data. Accounting systems, for example, US GAAP, or IFRS, contain rules that may be applied differently from one company to another without being breached. This leads to input data uncertainty. Likewise, uncertainties may arise due to errors in recording and transcribing input data or in translating the values of assets, equity or liabilities in foreign currencies. This research was focused on the effect of entry data uncertainty on models' ability to accurately predict bankruptcy. The initial assumption was that raising the number of input values would increase the error rate probability in entry data, thus also heightening the uncertainty of the results in the given bankruptcy prediction model. The data set of tested companies contained 1,220 non-bankrupt and 285 bankrupt Czech companies. The tested models - Z' score, Model 1, and - were applied to this sample, and in all cases, the resulting accuracy was lower than the accuracy declared by their authors. A procedure was created for the inclusion of entry data uncertainty in the practical application of a model. This procedure consists of changing the limit value of the model that separates bankrupt and non-bankrupt companies to an interval that ""absorbs"" such uncertainties. The model cannot classify the companies in this interval. The research shows that the inclusion of uncertainties in entry data further reduces their accuracy. However, the reduction in accuracy between the individual models varies significantly from 2.2% to 39.4% for bankrupt companies, and from 3.5% to 91.8% for non-bankrupt companies, respectively. The analysis of the entry data uncertainty effect shows the need to create models with high precis, "Nové modely pro predikci bankrotu jsou neustále formulovány a testovány proti těm současným a současně jsou testovány, aby bylo možné posoudit jejich aktuální přesnost a umožnit uživatelům určit spolehlivost výsledků při použití modelu. Tyto modely využívají účetní informace jako vstupní data . Účetní systémy, například US GAAP nebo IFRS, obsahují pravidla, která mohou být v jednotlivých společnostech uplatňována odlišně, aniž by byla porušena. To vede k nejistotě vstupních dat. Stejně tak mohou nejistoty vznikat v důsledku chyb při zaznamenávání a přepisu vstupních dat, nebo při převodu hodnot aktiv, vlastního kapitálu nebo závazků v cizích měnách. Tento výzkum byl zaměřen na vliv nejistoty vstupních dat na schopnost modelů přesně předpovídat bankrot. Výchozím předpokladem bylo, že zvýšením počtu vstupních hodnot se zvýší pravděpodobnost chybovosti ve vstupních datech, čímž se také zvyšuje nejistota výsledků v daném modelu predikce bankrotu. Soubor dat testovaných společností obsahoval 1220 nezkrachovalých a 285 zkrachovalých českých společností. Na tento vzorek byly aplikovány testované modely - Z' skóre, Model 1 a - a ve všech případech byla výsledná přesnost nižší než přesnost deklarovaná jejich autory. Byl vytvořen postup pro zahrnutí nejistoty vstupních dat do praktické aplikace modelu. Tento postup spočívá ve změně limitní hodnoty modelu, který odděluje zkrachovalé a nezkrachovalé společnosti, na interval, který takové nejistoty „"absorbuje". Model nemůže zařadit společnosti do tohoto intervalu. Výzkum ukazuje, že zahrnutí nejistot do vstupních dat dále snižuje jejich přesnost. Snížení přesnosti mezi jednotlivými modely se však výrazně liší od 2,2 % do 39,4 % u zkrachovalých společností, respektive od 3,5 % do 91,8 % u společností nezkrachovalých. Analýza vlivu nejistoty vstupních dat ukazuje, že je potřeba vytvářet modely s vysokou přesností a minimem vstupních hodnot, protože chybovost modelu roste, čím vyšší je jejich počet. Poznatky tohoto výzkumu lze up