Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

A Technique to Predict Bankruptcy Using Ultimate Ownership Network as Key Indicators
Autoři: Rahayu Dyah Sulistyowati | Husodo Zaafri Ananto | Pidanič Jan | Li Xue | Suhartanto Heru
Rok: 2025
Druh publikace: článek v odborném periodiku
Název zdroje: International Journal of Technology
Název nakladatele: Universitas Indonesia
Místo vydání: Jawa Barat
Strana od-do: 275-288
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Technika předvídání úpadku pomocí sítě konečných vlastníků jako klíčových ukazatelů Předvídání úpadku má zásadní význam pro odvrácení úpadku společnosti, který by mohl vést k systémovému kolapsu ekonomiky. Tato studie zkoumá síť vedoucích pracovníků, ředitelů a akcionářů za účelem identifikace konglomerátů, které se často vyznačují nedostatkem explicitních vazeb mezi těmito osobami nebo institucemi. Porozumění těmto sítím má zásadní význam pro zmírnění rizika úpadku a jeho možných systémových dopadů. Navrhli jsme techniku, která využívá nefinanční faktory, jež by mohly sloužit jako prediktory úpadku, a také vazby mezi konečnými vlastníky. K vyhodnocení vlivu sítě na predikci úpadku je použita regresní analýza. Zjištění ukazují na významný vliv stupně centrality ředitelů a přímé míry úpadku ředitelské a výkonné sítě na pravděpodobnost úpadku. Kromě toho jsou předpovědi na jeden a dva roky dopředu významně ovlivněny silou nebo váženým stupněm centrality a betweenness centrality ředitelů. Pozoruhodné je, že vliv nepřímé míry bankrotu výkonných pracovníků a akcionářů se při předpovídání potíží stává stále výraznějším. Tyto výsledky nabízejí nový pohled na začlenění síťových proměnných do modelů predikce úpadku s přesností 86 % při použití modelů random forest a XGBoost. Zjištění naznačují, že techniky predikce úpadku mohou využívat síťové proměnné jako alternativní údaje k finančním ukazatelům. Bankrot; Strojové učení; Síť; Předpověď; Konečné vlastnictví
eng A Technique to Predict Bankruptcy Using Ultimate Ownership Network as Key Indicators Predicting bankruptcy is crucial to avert company failures, which could lead to a systemic collapse of the economy. This study examines the network of executives, directors, and shareholders to identify conglomerates, which are often characterized by a lack of explicit connections between these individuals or institutions. Understanding these networks is crucial for mitigating the risk of bankruptcy and its potential systemic effects. We proposed a technique that uses non-financial factors that could serve as predictors of bankruptcy, as well as the link among the ultimate owners. A regression analysis is employed to evaluate the network's effect on bankruptcy prediction. The findings indicate a significant impact of the directors' degree of centrality and the direct bankruptcy rate of director and executive networks on the likelihood of bankruptcy. Additionally, the predictions for one and two years ahead are significantly influenced by the strength or weighted degree of centrality and betweenness centrality of directors. Notably, the influence of executive and shareholder indirect bankruptcy rates becomes increasingly prominent in predicting distress. These results offer a novel perspective on incorporating network variables into bankruptcy prediction models, with an accuracy of 86% using random forest and XGBoost models. The findings indicate that bankruptcy prediction techniques can employ network variables, as alternative data to financial indicators. Bankruptcy; Machine learning; Network; Prediction; Ultimate ownership