1. ábra: Magyarországi cégek megoszlása és kockázatossága 10-es Rating kategóriák szerint. Cégek megoszlása. Fizetésképtelenné válás valószínűsége

Hasonló dokumentumok
Vállalkozás Statisztikai Adatbázis

CÉGALAPÍTÁSOK, KOCKÁZATOS IPARÁGAK, FIZETÉSI FEGYELEM 2010 ELSŐ FÉLÉVÉBEN

A válság nem hozta meg a várt tisztulást. Kárpáti Gábor COFACE Hungary

Az elemzéseket kizárólag az OPTEN Kft. előfizetői érhetik el, harmadik fél számára tovább nem adhatók! Anonim Korlátolt Felelősségű Társaság 7010


NEM ELÉG MEGBÍZHATÓNAK LENNI, MEG IS KELL MUTATNI! MIÉRT JELENT ÜZLETI ELŐNYT CÉGE SZÁMÁRA A BISNODE TANÚSÍTVÁNY?

A kockázat fogalma. A kockázat fogalma. Fejezetek a környezeti kockázatok menedzsmentjéből 2 Bezegh András

Kockázatcsökkentési technikák. Mit tegyünk, hogy üzleti partnereink csőd és felszámolási kockázata ne hasson ránk?

Az Indecs rendszer. Kockázat- és követeléskezelés nagyvállalati környezetben

Foglalkoztatási modul

DUN & BRADSTREET PORTFOLIO MANAGER

IVM Zrt. Bisnode Credit Report

BISNODE. milyen határidőt kapnak partnereiktől mekkora késéssel egyenlítik ki számláikat hogyan viszonyulnak az iparági átlaghoz?

Díjkalkulációs elvek a nemi hovatartozás alapján

Korrelációs kapcsolatok elemzése

DUN & BRADSTREET ÜZLETI INFORMÁCIÓS SZOLGÁLTATÁSOK

Ön miért marad ki?? KESKENY és TÁRSAI 2001 Kft. Korrekt Nyomda Lamitrade Kft manroland Magyarország Kft Mester Nyomda Michael Huber Hungaria Kft.

Kutatásmódszertan és prezentációkészítés

A GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.

Lamanda Gabriella április 21.

BISNODE ELEMZÉSI SZOLGÁLTATÁSOK

I/2. A konszolidált beszámoló készítése során alkalmazott értékelési, konszolidálási eljárások

11.3. A készségek és a munkával kapcsolatos egészségi állapot

I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE

A Cassini - görbékről

Kutatási eredmény Ta r t a l m i s z e m p o n t o k :

A TÁRKI ADATFELVÉTELEINEK DOKUMENTUMAI. Omnibusz 2003/08. A kutatás dokumentációja. Teljes kötet

CÉGMINŐSÍTÉS TERMÉKISMERTETŐ 2014.

BISNODE CÉGLISTA SZOLGÁLTATÁSOK

Jónak lenni jó. Az adózók minősítésének új szabályai, a jogkövető magatartás honorálása az adózás rendjéről szóló törvényben

A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Tóth László Általános Iskolája 2015-ös évi kompetenciamérésének értékelése

A vállalatok teljesítményének és elhelyezkedésének kapcsolata a magyar nagyvárosok példáján

Segítség az outputok értelmezéséhez

A MIDAS_HU modell elemei és eredményei

SAJTÓKÖZLEMÉNY. A fizetési mérleg alakulásáról I. negyedév

Üzleti és projekt kockázatelemzés: a Szigma Integrisk integrált kockázatmenezdsment módszertan és szoftver

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

Kompetencia osztály MATEMATIKA. Az intézmények átlageredményeinek összehasonlítása

Válságkezelés Magyarországon

Tartsa kézben az ügyfeleit. Értékesítési vezető Bisnode Magyarország

Banki üzleti szabályok kezelésének támogatása

Logisztikus regresszió

I/2. A konszolidált beszámoló készítése során alkalmazott értékelési, konszolidálási eljárások

Logisztikus regresszió

A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Tóth László Általános Iskolája 2016-os évi kompetenciamérésének értékelése

Vannak-e számottevő különbségek 2010 nyerteseihez és veszteseihez képest?

Szervezetfejlesztés Bugyi Nagyközség Önkormányzatánál az ÁROP 3.A számú pályázat alapján

A KKV adatok és amit róluk tudni kell

Pénzügy menedzsment. Hosszú távú pénzügyi tervezés

OP, KOP A HITELINTÉZETEK MŰKÖDÉSI KOCKÁZATA TŐKEKÖVETELMÉNYÉNEK SZÁMÍTÁSA

Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Városföldi Általános Iskolája 2016-os évi kompetenciamérésének értékelése Készítette: Knódel Éva

Intézményi jelentés. 10. évfolyam

SEGÉDANYAG az országos kompetenciamérések, érettségi és OKTV eredmények kiértékeléséhez

Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Városföldi Általános Iskolája 2015-ös évi kompetenciamérésének értékelése Készítette: Knódel Éva

KÖVETELÉS-KEZELÉSI TRENDEK 2016-BAN

Norvég Civil Támogatási Alap pályázóinak értékelése. - összefoglaló -

Intézményi jelentés. 10. évfolyam. Corvin Mátyás Gimnázium és Műszaki Szakközépiskola 1165 Budapest, Mátyás király tér 4. OM azonosító:

Regressziós vizsgálatok

Biomatematika 2 Orvosi biometria

Biztosan felkészült egy transzferár ellenőrzésre? Változó NAV ellenőrzési gyakorlat, növekvő kockázatok. Szigorodó adatbázis-szűrési szabályok

Statisztika I. 12. előadás. Előadó: Dr. Ertsey Imre

Kockázatalapú díjfizetés az EU-s betétbiztosítóknál - az OBA-nál várható változások

BetBulls Chartrajzoló

Intézményi jelentés. 10. évfolyam. Révai Miklós Gimnázium és Kollégium 9021 Győr, Jókai u. 21. OM azonosító:

Intézményi jelentés. 10. évfolyam

KIEGÉSZÍTŐ JELENTÉS A 4iG NYRT. AUDIT BIZOTTSÁGA RÉSZÉRE

Hogyan lesz adatbányából aranybánya?

Intézményi jelentés. 10. évfolyam. Bolyai János Gimnázium és Kereskedelmi Szakközépiskola 2364 Ócsa, Falu Tamás u. 35. OM azonosító:

Intézményi jelentés. 6. évfolyam. Bokod-Kecskéd-Szákszend Kistérségi Általános Művelődési Központ 2855 Bokod, Fő utca 27. OM azonosító:

Azaz az elérhető egyenleg = (záró egyenleg + bankszámla-hitelkeret) (zárolt tételek + késedelmes tételek)

A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Magyar Ilona Általános Iskolája 2014-es évi kompetenciamérésének értékelése

Intézményi jelentés. 10. évfolyam

Könyvvizsgálati kockázat

Kvantitatív kutatás mire figyeljünk? Majláth Melinda PhD Tartalom. Kutatási kérdés kérdőív kérdés. Kutatási kérdés kérdőív kérdés

az Ózdi Vállalkozói Központ és Inkubátor Alapítvány

Bizalom szerepe válságban Diadikus jelenségek vizsgálata a gazdálkodástudományban

1. szemináriumi. feladatok. Ricardói modell Bevezetés

LOGIT-REGRESSZIÓ a függő változó: névleges vagy sorrendi skála

PIACKUTATÁS (MARKETINGKUTATÁS)

A Kecskeméti Belvárosi Zrínyi Ilona Általános Iskola Damjanich János Általános Iskolája 2016-os évi kompetenciaméré sének értékelése

JA45 Cserkeszőlői Petőfi Sándor Általános Iskola (OM: ) 5465 Cserkeszőlő, Ady Endre utca 1.

A Kecskeméti Református Általános Iskola évi országos kompetenciamérés eredményének értékelése. 1. táblázat

VÁLTOZÓ TV2, VÁLTOZATLAN PROGRAM

BISNODE PARTNERRADAR. Segítségével könnyen, egyszerűen leszűrheti célcsoportját és a kapott listát Excelbe is kimentheti.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

CREDIT MANAGEMENT A GYAKORLATBAN

Intézményi jelentés. 10. évfolyam. Árpád Szakképző Iskola és Kollégium 8000 Székesfehérvár, Seregélyesi út OM azonosító:

SAJTÓKÖZLEMÉNY. A fizetési mérleg alakulásáról III. negyedév

Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)

Hatékony kintlévőség kezelés.

Diszkriminancia-analízis

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

Adatok statisztikai értékelésének főbb lehetőségei

Területi egyenlőtlenségek I.

BERUHÁZÁSI TERVEK JÓSÁGÁNAK MÉRÉSE

Intelligens orvosi műszerek VIMIA023

VÁLLALATGAZDASÁGTAN II. Döntési Alapfogalmak

Lineáris regresszió vizsgálata resampling eljárással

Exponenciális kisimítás. Üzleti tervezés statisztikai alapjai

Nyitottság és törvénytisztelet Magyar városi önkormányzatok honlapjainak elemzése

Átírás:

Bisnode Minősítés A Bisnode Minősítést a lehető legkorszerűbb, szofisztikált matematikai-statisztikai módszertannal, hazai és nemzetközi szakértők bevonásával fejlesztettük. A Minősítés a múltra vonatkozó információk felhasználásával jelzi előre, hogy milyen valószínűséggel válik a vizsgált cég az elkövetkező 12 hónap során fizetésképtelenné. Fizetésképtelennek tekintünk egy céget, ha csőd-, vagy felszámolási eljárás indul ellene. A Minősítés egyik számszerűsíthető eredménye a Bisnode Rating, melynek értéke 1-től (legmagasabb kockázat) 100-ig (legalacsonyabb kockázat) terjed, így segítve a cégek rangsorolását azok kockázatossági szintje szerint. A Bisnode minősítésének másik számszerűsíthető kimenete a javasolt hitelkeret, ami többek között a vállalkozás pénzügyi adatain és a minősítés eredményén alapul. A múltra vonatkozó információk forrása a Bisnode adatbázisa; főbb adatelemei pedig a minősítésben is felhasznált 4 adatcsoport szerint: 1. Demográfiai csoport: a Bisnode adatbázisa tartalmazza az összes Magyarországon bejegyzett társas vállalkozást, ez lehetővé teszi például a kapcsolódások vizsgálatát is (leányvállalatok száma, vezetőkön keresztül kapcsolódó cégek száma, beolvadások, ezek közötti bedőlések stb.). 2. Pénzügyi csoport: az elmúlt évekre vonatkozóan teljes a mérleg- és eredménykimutatások halmaza. Minden, a hivatalos forrásokban publikált pénzügyi adat megtalálható a Bisnode adatbázisában. 3. Fizetési Tapasztalat csoport: az ún. Bisnode Fizetési Tapasztalat programnak köszönhetően részletes számlafizetési szokásokra vonatkozó információkkal rendelkezünk az aktív céguniverzum felére vonatkozóan (fizetési határidők, átlagos késedelem, 90 napon túli késések stb.). 4. Negatív információ csoport: szintén teljes lefedettséggel rendelkezünk az elérhető negatív információkkal kapcsolatban, mint például bírósági végrehajtások, adószám felfüggesztések, NAV jelentős tartozások, stb. Tapasztalataink szerint ezen negatív események és a később meginduló csőd-, és felszámolási eljárások között több esetben szignifikáns kapcsolat mutatható ki. A Minősítés fejlesztése során a logisztikus regresszió módszerével több száz változót vizsgáltunk és statisztikai összefüggéseket kerestünk az egyes megfigyelési időpontokban érvényes információk és az azokat követő 1 éves időintervallumokban esetlegesen bekövetkező fizetésképtelenné válások között.

Bisnode Rating kategória A scoring modell kialakításakor moduláris megközelítést alkalmaztunk, vagyis a fent említett 4 csoport mindegyikét külön értékeltük, és ezután kombináltuk egy modellben. Így lehetővé válik a modell strukturálása, a különböző paraméterek hatásainak elkülönítése, valamint a modell a későbbi esetleges kiigazítások során rugalmasabban alakítható. A moduláris felépítésen felül a modellt két részre bontottuk az alkalmazotti létszám alapján. Statisztikai alapja az a tény, hogy a kis létszámú cégek fizetésképtelenné válásának valószínűsége akár egy nagyságrenddel is nagyobb lehet, mint a nagyobb létszámú cégek esetében. A bontás eredményeképpen a minősítés tulajdonképpen két modellel működik (melyek mindegyike a fent említett négy modulból áll), melyek különböző változókat és súlyokat használnak, így kiküszöbölve a létszám okozta inhomogén kockázati eloszlást és pontosítva az előrejelzés hatékonyságát. A modell tiszta kimenete egy százalékosan kifejezett valószínűség, ami annak a valószínűségét mutatja meg, hogy a vizsgált vállalkozás az elkövetkező 12 hónap során fizetésképtelenné válik. A százalékos eredmények megjelenítésére a Bisnode Rating 1-100-as skálája az egyik sztenderd lehetőség. A skála különböző szintjeire a modell által számolt valószínűségek szerint kerülnek az egyes cégek. Például a Bisnode Rating 1-100-as skáláján a 3-as érték egy olyan kockázatossági tartományt jelöl, amibe a magyarországi cégek 0.38% tartozik és a fizetésképtelenné válásuk valószínűsége 46% és 39% között van. Tekintettel a 100 kategória nehézkes ábrázolására, a modell erejét a 100 kategóriából képzett 10 darab 10-es csoporttal az alábbi ábrán illusztráljuk. Az ábrán a legfelső csoport Bisnode Rating 91-100 a legkevésbé kockázatos, míg a legalsó csoport Bisnode Rating 1-10 a legkockázatosabb kategóriát jelenti. Ez a felosztás is jól illusztrálja a modell szeparációs képességét: a két szélső kategória között közel 1000-szeres a kockázatosságban mutatkozó különbség. Cégek megoszlása Fizetésképtelenné válás valószínűsége 91-100 5,17% 0,03% 81-90 11,91% 0,07% 71-80 16,79% 0,22% 61-70 14,48% 0,49% 51-60 12,58% 0,88% 41-50 15,27% 1,55% 31-40 7,72% 3,68% 21-30 4,36% 7,61% 11-20 5,13% 12,58% 1-10 6,60% 25,50% 0% 5% 10% 15% 20% 0% 5% 10% 15% 20% 25% 30% 1. ábra: Magyarországi cégek megoszlása és kockázatossága 10-es Rating kategóriák szerint

Javasolt hitelkeret A hitelkeret számítás alapja a cég legfrissebb éves árbevétele, amiből a hitelkeret végső összegét különböző korrekciós, illetve módosító paramétereket figyelembe véve állítjuk elő. A korrekciós tényezők többek között a pénzügyi adatok frissességétől, iparág-specifikus adatoktól és a cég minősítésétől függenek. Amennyiben pénzügyi információk egyáltalán nem érhetőek el, a hitelkeret a cég fő tevékenységének megfelelő iparági és egyéb iparág-specifikus adatokból kerül meghatározásra. A Bisnode által javasolt hitelkeretet a következő peremfeltételek fennállását feltételezve alakítottuk ki: A vevő méretéhez képest közepes (m)értékű tranzakció: nem mindennapos vásárlás, de nem is többévente esedékes nagyberuházás. Amennyiben a vevő felé párhuzamos hitelkihelyezések vannak folyamatban, akkor a vevő felé fennálló összes kintlévőség összegét a javasolt hitelkeret határozza meg. A vevőnél átlagosan 5-8 hasonló hitelkihelyezés fut éven belül, különböző partnerekkel szemben. Rendszeres visszamérés A Bisnode Minősítés annak az eseménynek a valószínűségét adja meg, hogy adott cég ellen 12 hónapon belül fizetésképtelenségi csőd-, vagy felszámolási eljárás fog indulni. Az előrejelző modell teljesítményét folyamatosan monitorozzuk, visszamérjük. A visszamérés során a 12 hónappal korábbi minősítéseket (összes, aktív, működő cég) állítjuk szembe a cégek azóta befutott pályájával. Egy céget akkor tekintünk rossznak, ha a 12 hónap alatt fizetésképtelenségi eljárást indítottak ellene. Az előrejelzés sikerességének szemléltető eszköze a Receiver Operating Characteristic (ROC) görbe és a Performance Index (PI). A ROC görbe a valójában fizetésképtelenné váló cégek arányának (sikeres előrejelzés), vagyis a szenzitivitásnak és a valójában nem fizetésképtelenné váló ügyfelek arányának (sikertelen előrejelzés), vagyis az 1 specifitásnak a teljes minősítési skála mentén történő ábrázolása. A könnyebb szemléltethetőség kedvéért az ábrázolást a következőképpen végeztük: X-tengely: a Bisnode minősítés szerint csökkenő kockázatosság szerint sorba állítva az összes cég. Például a 30% a Bisnode Rating szerinti legrosszabb 30%-át jelenti a cégeknek. Y-tengely a Bisnode minősítés szerint csökkenő kockázatosság szerint sorba állítva az összes, elmúlt 12 hónap alatt fizetésképtelenné vált cég. Például a 90% a Bisnode Rating

szerinti legrosszabb 90%-át jelenti az elmúlt 12 hónap alatt fizetésképtelenné vált cégeknek. Szakmai körökben az egyik legjelentősebb mérőszám a 90%-os sikerességi arány, mely megmutatja, hogy a minősítés szerint az összes cég hány (legrosszabb) százaléka tartalmazza az összes rossz /fizetésképtelenné vált cég 90%-át. A Bisnode minősítés ezen értéke 16,56% a legfrissebb visszamérési (2017.07.01 + 12 hónap) adatok alapján. Az ábrán feltüntettük a Bisnode modell (fekete) mellett a két szélsőséges esetet is, ami a PI értelmezésében nyújt segítséget: Véletlen modell (sötétkék), ami az előrejelző modell nélküli eredményt mutatja. Ebben az esetben például az összes legrosszabb cég 50%-a a rossz cégek 50%-át fogja tartalmazni. Tökéletes modell (piros), ami az összes rossz céget pontosan beazonosítja. Ha a rossz cégek éves aránya például 3%, akkor ez azt jelenti, hogy a minősítés szerint sorba rendezett cégek legrosszabb 3%-a tartalmazza a fizetésképtelenné váló cégek 100%-át.

A PI az adott modell teljesítményét egyetlen értékben összefoglaló mutató, ami azt mutatja meg, hogy a modell mennyire közelít a Tökéletes modellhez (PI=1). A Véletlen modell PI értéke 0. A Bisnode-modell PI értéke a legfrissebb adatok alapján 0.8605, ami a többi Bisnode ország lokális és generikus, vagyis minden bejegyzett céget minősítő modelljei közül az egyik legjobb érték. Megjegyezzük, hogy az előrejelző modellek körében már a 0.7-es érték is kiemelkedőnek számít.