Odhad bankrotního modelu podniku zpracovatelského průmyslu Ukrajiny

Abstract

Cílem diplomové práce je stanovení bankrotních modelů pro podniky zpracovatelského průmyslu Ukrajiny a zhodnocení predikční schopnosti stanovených modelů. Teoretická část je zaměřena na vymezení finančních ukazatelů, charakteristiku bankrotních modelu, teoretická a legislativní východiska bankrotu podniku na Ukrajině a základní teorie logistické regrese. V další časti je charakterizovaná ekonomika Ukrajiny, konkrétně zpracovatelsky průmysl, jako část ekonomiky Ukrajiny. V praktické časti metoda logistické regrese je aplikovaná na soubor z 64 podniků zpracovatelského průmyslu Ukrajiny. Na základě finančních výkazu od roku 2016 a 2017 jsou stanoveny modely logistické regrese pro jednoletou a dvouletou predikci pravděpodobnosti zahájeni insolvenčního řízení a predikci bankrotu. Odhady modelů jsou provedeny v programu IBM SPSS Statistics verze 25.0. Odhadnuté modely z 93,8 % přesnosti odhaduji finanční stav vybraného souboru podniků, a z 80 % přesnosti odhaduji finanční stav ověřovacího souboru podniků.

Diploma thesis is devoted to determine bankruptcy models for enterprises of the processing industry of Ukraine and to evaluate the predictive ability of the models. Theoretical introduction includes two parts, where the first part is focused on the characteristics of bankruptcy models, the definition of financial indicators, the theoretical and legislative basis of bankruptcy in Ukraine and the basic theory of logistic regression. The second part characterizing the economy of Ukraine, particularly the processing industry, as part of the economy of Ukraine. The practical part includes the logistic regression method, which is applied to a set of 64 processing enterprises in Ukraine. Based on financial reports from 2016 and 2017 are determined models of logistic regression for one-year and two-year prediction of bankruptcy. Estimation of the models are made in IBM SPSS Statistics 25. Models evaluate the financial status for selected set of enterprises with 93.8% accuracy and evaluate the financial status of the verification set with 80% accuracy.