| Abstract | Već duži niz godina, relevantne analize upućuju na probleme poslovanja sektora malih poduzeća. Poslovanje je obilježeno recesijom, promjenama zakonske regulative, problemom financiranja, slabim novčanim tokom, ovisnošću o velikim i državnim poduzećima te malom stopom preživljavanja. Istovremeno se sektor malih poduzeća naziva generatorom razvoja privrede, zbog svoje veličine, inovativnosti i prilagodljivosti.
Neizvjesnost poslovne budućnosti prisiljava male poduzetnike na donošenje odluka ad hoc, temeljem nestrukturiranih informacija. Najčešći ciljevi su smanjenje aktualne porezne osnovice, povećanje trenutne likvidnosti, odnosno pronalazak izvora financiranja. Ciljevi se ne povezuju s budućim obvezama ili razvojem ključne djelatnosti. Rijetko se donose odluke temeljem financijske analize, za što je potreban kvalitetan računovodstveni informacijski sustav, financijski podaci o drugim poslovnim subjektima i metode koje će generirati upotrebljivu i transparentnu informaciju o nekoliko aspekata poslovanja. Poduzetnici, makro-analitičari, bankari i investitori trebaju analitičke sustave koji generiraju jednostavnu, razumljivu i upotrebljivu informaciju, temeljem velikog broja relevantnih financijskih pokazatelja. Izgradnja takvih analitičkih sustava je predmet istraživanja ove disertacije.
Disertacija je identificirala financijsko stanje sektora malih poduzeća temeljem podataka proizašlih iz međuodnosa pozicija temeljnih financijskih izvještaja, odnosno financijskih pokazatelja likvidnosti, zaduženosti, aktivnosti, ekonomičnosti i profitabilnosti. Također su analizirani forenzični pokazatelji i međuovisnost ekonomskog i računovodstvenog aspekta profitabilnosti.
Uspješna eksploatacija prikupljenih podataka je zahtijevala upotrebu metoda rudarenja podataka koje imaju prednost nad tradicionalnim statističkim metodama zbog svojih klasifikacijskih i predikcijskih mogućnosti te sposobnosti rada s nelinearnim odnosima između obilježja. Samo-organizirajuće neuronske mreže su korištene za klasteriranje, stablo odlučivanja za klasifikaciju i predikciju novog skupa podataka, dok je algoritam asocijacijskih pravila upotrijebljen za utvrđivanje povezanosti kreiranih klaster modela. Aktualna svjetska i domaća istraživanja koriste navedene metode jer pružaju agregiranu informaciju pri predviđanju financijskih problema i stečaja, detekciji prijevare, procjeni kreditnog rizika, mjerenju i uspoređivanju financijskih performansi.
Na temelju uzorka od 2.200 financijskih izvještaja koje su subjekti predali za 2011. i 2012. godinu, izgrađeni su modeli koji uspješno identificiraju trenutno stanje sektora malih poduzeća te klasificiraju novi, nepoznati skup poslovnih subjekata. Svaki od šest klaster modela je prepoznao i dokazao postojanje 5 do 12 obrazaca koji se javljaju unutar sektora. Ukupno je identificirano 48 klastera, čija je održivost dokazana indeksima kvalitete klasteriranja. Osim toga, istraživanje je identificiralo pravila koja povezuju pojedine klastere različitih modela.
Ova disertacija predstavlja vrijednu kolekciju znanja i vještina, potrebnih za izgradnju analitičkih klaster sustava. Kroz razvoj sustava upravljanja poduzećem, revitalizaciju uporabne vrijednosti financijskih pokazatelja te postavljanje temelja razvoja sustava forenzike financijskog poslovanja, disertacija doprinosi boljem razumijevanju i razvoju sektora malih poduzeća.
Najznačajnija ograničenja istraživanja su vezana za fazu pretprocesiranja podataka. Buduća istraživanja mogu primijeniti alternativne metode pretprocesiranja podataka, uključiti ostale strukturirane i nestrukturirane financijske podatke, ili prikupljeno znanje primijeniti na ostalim poslovnim sektorima. |
| Abstract (english) | For many years, the relevant analyses have indicated problems in the functioning of the small-sized enterprises sector. It has been marked by recession, changes in legislation, financing problems, poor cash flow, dependence on large and state-owned companies and the low rate of survival. At the same time, the small-sized enterprises sector has been referred to as a generator of economic development, because of its size, innovation and adaptability.
The uncertainties of the business future are forcing small enterprises to adopt ad hoc decisions, which are based on unstructured information. The most common aims are to reduce the current tax base, increase current liquidity and find financing sources. The aims are not associated with future obligations or the core business development. Decisions are rarely based on financial analysis, which requires a high-quality accounting information system, financial information about other enterprises, and methods that will generate usable and transparent information about several aspects of the business. Entrepreneurs, macro analysts, bankers and investors need analytical systems that generate simple, understandable and usable information, based on a number of relevant financial indicators. The construction of such analytical systems is the subject of this thesis.
The thesis identifies the financial condition of the small-sized enterprises sector on the basis of data derived from the correlations between positions of the fundamental financial statements, that is, the financial indicators of liquidity, debt, activity, efficiency and profitability. Forensic indicators and the interdependency of economic and accounting aspects of profitability are also analyzed.
Successful exploitation of the collected data has required the use of data mining methods which have advantage over traditional statistical methods for their classification and prediction capabilities, as well as the ability to work with non-linear relationships between features. Self-organizing neural networks have been used for clustering, the decision tree for classification and prediction of the new data set, while the association rules algorithm has been used to determine the relation between the created cluster models. Current global and domestic researches use these methods because they provide aggregated information in predicting financial distress and bankruptcy, fraud detection, credit risk assessment, measurement and comparison of financial performance.
Based on a sample of 2,200 financial statements, which entities submitted in 2011 and 2012, models were built that successfully identify the current state of the small-sized enterprise sector and classify a new, unknown set of business entities. Each of the six cluster model has identified, described and proved the existence of 5 to 12 patterns that occur within the sector. In total, 48 clusters have been identified, whose sustainability is proven by clustering quality indexes. In addition, the research has found the rules which connect some clusters of different models.
This doctoral thesis is a valuable collection of knowledge and skills, necessary for building analytical cluster systems. Through the development of management performance systems, revitalization of practical usage of financial indicators, and laying the foundations of development of financial forensic systems, the thesis contributes to a better understanding and development of the small-sized enterprises sector.
The most important research limitations are related to the stage of data preprocessing. Future research may apply alternative methods of data preprocessing, include other structured and unstructured financial data, or apply the accumulated knowledge to other business sectors. |
