Řešené projekty

Finanční rozhodování podniků a finančních institucí za rizika

SP2018/154

Projekt je zaměřen na analýzu a využití vybraných metod ve finančním rozhodování podniků a finančních institucí. Finanční řízení a rozhodování je významnou oblastí v řízení aktivit podniků, bank a jiných finančních institucí. Projekt navazuje na projekt SGS SP 2017/148, který byl řešen v tomto roce. Novost tohoto projektu spočívá v tom, že budou aplikovány přístupy a metody k měření výkonnosti nejen v podnicích a odvětvích, ale také ve vybraných bankách a pojišťovnách. Dále budou v oblasti bankovnictví a pojišťovnictví aplikovány přístupy k vyčíslení efektivní sazby daně a stanovení daňové povinnosti v oblasti důchodové daně. Nově je tento projekt rozšířen o oblast pojišťovnictví, kde budou zkoumány a aplikovány různé metody a modely pro posouzení výkonnosti pojišťoven, dále modely sloužící k identifikaci rizikových faktorů na výši škod, aj. Dalším rozšířením výzkumu v tomto projektu je řízení kreditních rizik, které je doplněno o přístupy k modelování ratingu. V oblasti oceňování podniků bude dále provedeno modelování hodnotových multiplikátorů a jejich komparace v rámci ČR a vybraných zemí. Vzhledem k tomu, že řízení podniků a finančních institucí tvoří široký komplex činností, budou v projektu specifikovány oblasti, kde budou rozhodovací metody aplikovány a ověřovány: 1) v oblasti finanční výkonnosti podniků, odvětví a finančních institucí budou provedeny rozklady vybraných ukazatelů a budou aplikovány statické a dynamické metody analýzy odchylek, s cílem identifikovat generátory finanční výkonnosti podniků, odvětví, dále vybraných finančních institucí (banky, pojišťovny), vč. zkoumání závislosti vývoje ekonomické přidané hodnoty (EVA) na vybraných parametrech a ověřit závislost tržní hodnoty akcií vybraných podniků na výkonnosti měřené prostřednictvím ukazatele EVA; 2) v oblasti řízení lidských zdrojů a dopadu na finanční výkonnost podniků – budou aplikovány kvantitativní modely v podobě predikčních modelů nebo vícerozměrných analytických metod jako modelů logistické regrese, faktorové analýzy, diskriminační analýzy a dalších kvantitativních nástrojů umožňují optimalizovat rozhodování v oblasti řízení lidských zdrojů; 3) v oblasti zdanění korporátních důchodů bude dále zkoumána efektivní sazba daně a vybraných podniků a finančních institucí a na reálných datech bude ověřen jejich přístup ke stanovení daňové povinnosti v oblasti důchodové daně; 4) v oblasti oceňování podniků bude výzkum zaměřen na modelování hodnotových multiplikátorů pro jednotlivá odvětví v ČR a rovněž bude provedena komparace vybraných hodnotových multiplikátorů pro ČR a vybrané země; 5) v oblasti kreditního rizika budou ve výzkumu aplikovány ekonometrické přístupy k modelování ratingu s cílem identifikovat parametry ovlivňující kreditní riziko korporátních dlužníků, dále budou aplikovány vybrané modely pro stanovení ekonomického kapitálu (CreditMetrics, KMV model, Risk+Model) s cílem srovnání těchto modelů s regulatorními přístupy pro stanovení kapitálového požadavku na krytí neočekávané ztráty; 6) v oblasti pojišťovnictví bude výzkum zaměřen na aplikaci zobecněných lineárních modelů pro identifikaci a ověření rizikových faktorů ovlivňujících četnost, výši škod, ale také výkonnost pojišťoven a pojistného trhu. B Zdůvodnění: Ad 1) Finanční výkonnost podniku je obecně chápána jako schopnost podniku tvořit určitou přidanou hodnotu. Z pohledu finančního řízení je finanční výkonnost spojována s efektivností, kterou lze chápat jako zohlednění spotřebovaných zdrojů v dosaženém ekonomickém prospěchu. Problematika finanční výkonnosti je často řešena velkým množstvím autorů, jako příklad lze uvézt Copeland (2000), Vernimen (2005), Mařík (2005) nebo Dluhošová (2010). Jedním z hlavních cílů finančního řízení je zvyšování finanční výkonnosti podniků. Adaptace podniků na ekonomický vývoj a neustálé zvyšování kokurenceschopnosti se projevuje i v metodách měření výkonnosti podniků a odvětví. Důležitým úkolem finančních analytiků je tak provádět rozbory odchylek syntetických ukazatelů a hledat a vyčíslit faktory, které k těmto odchylkám nejvíce přispívají. Na základě takovýchto zjištění jsou pak činěna různá opatření. Odborná literatura: [1] BREALEY, R, MYERS, S., ALLEN, F. (2014). Teorie a praxe firemních financí. Brno: BizBooks. ISBN 978-80-265-0028-5 [2] COPELAND, T. E, WESTON, J. F., SHASTRI, K. (2005). Financial Theory and Corporate Policy. Harlow: Pearson [3] COPELAND, T. KOLLER, T. MURRIN, J. (2000). Valuation: Measuring and Managing the Value of Companies. John Wiley & Sons. [4] DAMODARAN A. (2011). Damodaran on Valuation: Security Analysis for Investment and Corporate Finance. John Wiley & Sons. [5] DAMODARAN A. (2012). Investment Valuation. Tools and Techniques for Determining the Value of Any Asset. John Wiley & Sons. [6] DLUHOŠOVÁ, Dana.(2010). Finanční řízení a rozhodování podniku. Praha: EKOPRESS. ISBN 978-80-86926-68-2. [7] DLUHOŠOVÁ, D., PTÁČKOVÁ, B., RICHTAROVÁ, D. Application of selected financial performance methods to chosen industry in the Czech Republic. In: European financial system 2017. Brno: Masaryk University, 2017, p. 67 – 75. ISBN 978-80-210-8610-4. [8] DLUHOŠOVÁ, D., PTÁČKOVÁ, B., ZMEŠKAL, Z. Financial performance variance analysis of non-linear decomposition in metallurgy. In: METAL 2015. Brno, 2015, p.1896 - 1901. ISBN 978-80-87294-62-8. [9] GABEHART, S. (2002). The Business Valuation Book: Proven Strategies for Measuring a Company's Value. [10] GUERARD, J., SCHWARTZ, E. (2007). Quantitative corporate finance. New York: Springer. ISBN 978-1-4020-7019-8 [11] HO, T., YI, S. (2004) The Oxford guide to financial modeling: applications for capital markets, corporate finance, risk management, and financial institutions. Oxford: Oxford University Press. ISBN 0-19-516962-X [12] MAŘÍKOVÁ, P. MAŘÍK, M. (2005). Moderní metody hodnocení výkonnosti a oceňování podniku. Praha: Ekopress. ISBN 80-86119-61-0. [13] NEUMAIEROVÁ, I, NEUMAIER, I. (2002). Výkonnost a tržní hodnota firmy. Praha: Grada. [14] PIKE, R., NEALE, B.(2003). Corporate finance and investment: decisions and strategies. London: Financial Times Prentice Hall. ISBN 0-273-65138-2 [15] ROSS, S., WESTERFIELD, R., JORDAN, B. (2013). Fundamentals of corporate finance. New York: McGraw-Hill/Irwin. ISBN 978-0-07-803463-3 [16] SHEFRIN, H. (2007). Behavioral corporate finance: decisions that create value. Boston: McGraw-Hill/Irwin. ISBN 978-0-07-284865-6 [17] VERNIMMEN, P. (2005). Corporate finance: theory and practice. Chichester: Wiley. ISBN 0-470-09225-4 [18] ZMEŠKAL, Z a kol. (2013). Finanční modely. 3. upravené vydání. Praha: Ekopress. Ad 2) řízení lidských zdrojů a dopadu na finanční výkonnost podniků HR analytika a aplikace kvantitativních modelů v podobě predikčních modelů nebo vícerozměrných analytických metod jako modelů logistické regrese, faktorové analýzy, diskriminační analýzy a dalších kvantitativních nástrojů umožňují optimalizovat rozhodování v oblasti řízení lidských zdrojů. Řízení lidských zdrojů představuje pro společnost významnou oblast řízení celé organizace a lze zhodnotit z hlediska vlivu na finanční výkonnost firmy z hlediska ukazatelů EVA, TCOE a celkové produktivity. Strategické rozhodování v oblasti lidských zdrojů založené na zpracovávání kvantifikovatelných dat z oblasti lidských zdrojů, HR analytika, se dynamicky vyvíjelo posledních několik let a má potenciál změnit způsob fungování a celkového přístupu k řízení lidských zdrojů. Implementace kvantitativních modelů do rozhodování v oblasti řízení lidských zdrojů představuje pro organizaci nástroj, který jim umožní efektivněji organizovat lidské zdroje, dosáhnout snižování celkových nákladů na lidské zdroje a provádět kvalifikovaná rozhodnutí zvyšující konkurenceschopnost a finanční výkonnost společnosti. Odborná literatura: [1] EDWARDS M. R., EDWARDS K. Predictive HR Analytics: Mastering the HR Metric. Kogan Page, 2016. [2] FITZ-ENZ J., MATTOX J. Predictive Analytics for Human Resources. Wiley; 1st edition, 2014. [3] FITZ-ENZ Jac. The New HR Analytics: Predicting the Economic Value of Your Company's Human Capital Investments. AMACOM; 1st edition, 2010. [4] HESKETT, James L. The Culture Cycle: How to Shape the Unseen Force that Transforms Performance. Pearson FT Press; 1st edition, 2011. [5] HEBÁK Petr, Vícerozměrné statistické metody. Vyd. 1. Praha: Informatorium, 2004. [6] ISSON J. P., HARRIOT J. S. People Analytics in the Era of Big Data: Changing the Way You Attract, Acquire, Develop, and Retain Talent. Wiley; 1st edition, 2016. [7] KOTTER P. J., HESKETT J. L. Corporate Culture and Performance. Free Press; 2nd edition, 2011. [8] MELOUN M., MILITKÝ J., HILL M. Statistická analýza vícerozměrných dat v příkladech. Vyd. 2. Praha: Academia, 2012. [9] MERTLER Craig A. Advanced and multivariate statistical methods. Glendale : Pyrczak Publishing, 2013. [10] SESIL, James C. Applying Advanced Analytics to HR Management Decisions: Methods for Selection, Developing Incentives, and Improving Collaboration S. Pearson FT Press; 1st edition, 2013. ad 3) Daň z příjmů právnických osob jako náklad ovlivňuje konečný zisk poplatníků a tudíž je jejímu stanovení věnována náležitá pozornost, která může být odrazem snahy daňových subjektů o optimalizaci vlastní daňové povinnosti. Intenzita těchto aktivit může být zřejmá ve výši efektivní sazby důchodové daně. Ta by měla být za předpokladu úspěšné daňové optimalizace nižší než statutární sazba daně. Základní přístupy k určení efektivní sazby daně jsou možné dva, a to koncept dopředného makropohledu a koncept zpětného mikropohledu. Zpětný mikropohled aplikovali ve své studii např. Buijink, Jaansen, Schols (1999), kteří k výpočtu efektivní sazby daně použili skutečná data o výši zisku před zdaněním a výši korporátní daně u bezmála tří tisíc společností působících v Evropské unii v období let 1990 -1996. Zpětný mikropohled použil ve své práci také např. Nicodeme (2007) a v podmínkách České republiky Pelouch (2016). Zpětný mikropohled byl již aplikován a ověřován na reálných datech vybraných skupin podniků České republiky v rámci řešení projektu SP2017/148 „Finanční rozhodování podniků a finančních institucí za rizika“. Zjištěná data byla statisticky verifikována a optimalizaci daňové povinnosti u vybraných subjektů ze zjištěných dat nebylo možno jednoznačně potvrdit nebo vyvrátit. Byly rovněž určeny konkrétní aspekty a dopady rozhodování podniků při stanovení jejich daňové povinnosti. Toto bylo posuzováno a vyhodnocováno na základě sumarizovaných dat Finanční správy ČR. Jednalo se o data jednak za všechny poplatníky daně z příjmů právnických osob a jednak za vybrané sektory v období let 2005 až 2015. Pro zjištění vlivu jednotlivých parametrů ovlivňujících výslednou výši daňové povinnosti byly použity metody statistického srovnávání identifikujících vztahy, které přispívají k analýze vlivu jednotlivých činitelů na srovnávaný jev. Ve srovnání s tímto projektem bude pozornost nově zaměřena zejména na finanční instituce a na případné vymezení rozdílu ve stanovení daňové povinnosti a ve výši efektivní sazby důchodové daně mezi finančními institucemi a subjekty z jiných vybraných sektorů. Odborná literatura: [1] AVI-YONAH. R. S. a Y. LAHAV. (2011). The effecitve tax rate of the largest US and EU multinationals. Dostupné online: http://www.lax,umich.edu/. [2] BLECHOVÁ, B. (2008). Charakteristika přístupů používaných v EU pro hodocení efektivního daňového zatížení příjmů korporací. Theoretical and Practical Aspects of Public Finance, VŠE Praha. [3] BUIJINK, W., B. JANSSEN a Y. SCHOLS. (1999). Corporate effective tax rates in The European Union. Maastricht: MARC. [4] DEVEREUX, M. P. a R. GRIFFITH. (2002) The impact of corporate taxation on the location of capital. Swedish economic policy review. Dostupné online: http://eap-journal.com/download.php?file=466. [5] MORÁVKOVÁ, J. (2015). Efektivní sazba korporátní daně. Český finanční a účetní časopis, 2015, roč. 10, č. 4. [6] KOŠTUŘÍKOVÁ, I. (2011). Corporate tax burden in the Czech Republic and European Union. Acta academica karviniensia. Karviná: OPF Slezská univerzita v Opavě. [7] KOZELSKÝ, T. a J. JEDLIČKA. (2013). Korporátní daně v Evropské unii. Praha: EU office ČS. Dostupné online: http://www.businessinfo.cz. [8] KUBÁTOVÁ, K. (2015). Daňová teorie a politika. Praha: Wolters Kluwer. [9] LISZTWANOVÁ, K. a I. RATMANOVÁ. Assessment of Impact of Items Reducing Tax Base and Tan on Total Amount of Corporate Income Tax in The Czech Republic in Selected Periods In: European Financial systems 2017 Sborník příspěvků z mezinárodní vědecké konference. Brno: Masarykova univerzita, Ekonomicko-správní fakulta, 2017. s. 498-506. ISBN 978-80-210-8609-8. [10] LISZTWANOVÁ, K. a I. RATMANOVÁ. Assessment of Impact of Items Reducing Tax Base and Tax on Total Amount of Corporate Income Tax in the Czech Republic in Selected Sectors. In: Financial Management of Firms and Financial Institutions. 2017. [11] PELOUCH, J. (2016). Rozdíly mezi nominální a efektivní sazbou daně právnických osob v období 1995-2014. Dostupné online: http://insis.vse.cz. [12] Ministertstvo průmyslu a obchodu. Finanční analýza podnikové sféry za rok 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014. Praha: MPO. [13] MINTZ, J. a D. CHEN. (2014). The U.S. corporate Effective tax rate: myth and the fact. Dostupné online: http://taxfoundation. org/. [14] NICODEME G. (2007). Computing effective corporate tax rates: comparison and results. Munich: MPRA Paper. Dostupné online: http://mpra.ub.uni.muenchen.de/3808/. Ad 4) Využití hodnotových multiplikátorů pro odhad hodnoty podniku je klasický přístup v rámci oceňovacích metod. Jeho úspěšná aplikace však do značné míry závisí na dostatečném množství disponibilních dat, což je mnohdy problém zejména pro nepříliš vyspělé kapitálové trhy. Řešením může být využití odvětvových multiplikátorů sestavených z agregovaných dat daného trhu, pokud jsou k dispozici. Klíčová zde pak není pouze samotná výše tohoto ukazatele, ale rovněž jeho pravděpodobnostní rozdělení s možností určení jednotlivých kvantilů. Pro pochopení fungování a správné aplikace hodnotových multiplikátorů je rovněž důležité rozklíčovat determinanty jejich výše, k čemuž může do značné míry napomoct detailní komparace s odvětvovými multiplikátory v jiných zemích. Cílem této dílčí části projektu je odhadnout pravděpodobnostní rozdělení vybraných hodnotových multiplikátorů (zejména MV/EBIT a MV/BV) pro jednotlivá odvětví v ČR a provést komparaci těchto multiplikátorů pro ČR a vybrané zahraniční země. Odborná literatura: [1] Koller, T., Goedhart, M., Wessels, D. (2015). Valuation: Measuring and Managing the Value of Companies. Wiley Finance. [2] Massari, M., Zanetti, L. (2016). Corporate Valuation: Measuring the Value of Companies in Turbulent Times. Wiley Finance. [3] Mařík, M. (2011). Metody oceňování podniku pro pokročilé. Ekopress. Ad 5) Úvěrové riziko je v současnosti nejvýznamnějším rizikem ve finančním odvětví. Řízení a měření úvěrového rizika je dnes jedním z nejdůležitejších témat a to nejen v oblasti finančních institucí. Základními problémy při řízení individuálních rizik ve finančních institucích jsou jednak identifikace klíčových faktorů ovlivňujících kreditní riziko dlužníka a následně měření intenzity těchto vlivů. K hodnocení kreditního rizika jsou využívány predikční modely, které vycházejí z historických dat a mohou být odvozeny pomocí různých přístupů jako je např. diskriminační analýza nebo logistická regrese. Tyto přístupy ovšem nerespektují čas od uzavření smlouvy či založení podniku. Záměrem projektu je aplikovat méně používané přístupy, ve kterých budeme pracovat s časovou proměnnou, což umožňuje modelovat např. dobu do defaultu u úvěru nebo do bankrotu firmy. V případě bank je dnes zase věnována velká pozornost stanovení ekonomického a regulatorního kapitálu na krytí neočekávané ztráty. Odborná literatura: [1] CROSBIE, P. J., BOHN, J.R. (2002). Modeling default risk. KMV Working Paper. [2] CROUHY, M., CALAI, D., MARK, R. (2000). A comparative analysis of current credit risk models. Journal of Banking and Finance, vol. 24, pp. 59-117. [3] DE SERVIGNY, A., RENAULT, O. (2004). Measuring and Managing Credit Risk. New York: McGraw-Hill. [4] DE LAURENTIS, G., MAINO, R., MOLTENI, L. (2010). Developing, Validating and Using Internal Ratings: Methodologies and Case Studies. Chichester: Wiley. [5] GUPTON, G. M., FINGER, C. C., BHATIA, M. (1997). CreditMetrics Technical Document. J.P. Morgan & Co. Incorporated. [6] HARRELL, F. E. (2010). Regression Modeling Strategies: with Applications to Linear Models, Logistic Regression, and Survival Analysis. New York: Springer. [7] HOSMER, D. W., LEMESHOW, S., MAY, S. (2008). Applied Survival Analysis: Regression Modeling of Time-to-Event Data. Hoboken: John Wiley & Sons. [8] HOSMER, D. W., LEMESHOW, S., STURDIVANT, R. X. (2013). Applied Logistic Regression. Hoboken: Wiley. [9] KEALHOFER, S., BOHN, J. R. (2001). Portfolio Management of Default Risk. KMV Working Paper. [10] KLIESTIK, T., MISANKOVA, M., KOCIASOVA, K. (2015). Calculation of distance to default. Procedia Economics and Finance, vol. 23, pp. 238-243. [11] McNEIL, A.J., FREY, R., EMBRECHTS, P. (2005). Quantitative Risk Management: Concepts, Techniques, and Tool. Princeton University Press. [12] RESTI, A., SIRONI, A. (2007). Risk Management and Shareholders’ Value in Banking: From Risk Measurement Models to Capital Allocation Polices. Wiley. [13] SAUNDERS, A., ALLEN, L. (2010). Credit Risk Measurement In and Out of the Financial Crisis: New Approaches to Value at Risk and Other Paradigms, 3rd ed. Wiley. Ad 6) Pro modelování pojistných nároků jednotlivých pojistných smluv bude využit koncept zobecněných lineárních modelů (GLM), které lze rozdělit na model škodní frekvence (claim frequency) a na model výše pojistné škody (claim severity). Tyto modely mohou být od září 2016 použity jako interní model pro kalkulaci solventnostního kapitálového požadavku na upisovací rizika dle směrnice Evropského parlamentu a rady 2009/138/ES a zákona č. 277/2009 Sb. o pojišťovnictví nebo také v rámci tarifní analýzy, jíž výstupem je rozčlenění pojistných smluv do jednotlivých tarifních tříd spojených s předepsanou výši pojistného. V rámci této analýzy jsou však charakteristiky (např. výkon motoru, věk pojistníka) rozděleny do několika kategorií často vyjadřující velikost, intenzitu či stupeň (např. nízký, střední, vysoký). Nevýhodou tohoto postupu je to, že smlouvy, jejíž charakteristiky jsou velmi podobné, avšak nacházející se v různých kategoriích, jsou hodnoceny zcela odlišně, a naopak smlouvy s velmi různými hodnotami, avšak stále spadajících do jedné kategorie, jsou hodnoceny stejně. Také je známo, že kategorizace vede ke ztrátě informací obsažených v použitých datech. Rovněž by měla být zmíněna absence hodnotícího nástroje pro hodnocení výkonnosti jak samotných komerčních pojišťoven, tak i celého pojistného trhu. Odborná literatura: [1] HARDIN, James W. a Joseph HILBE. Generalized linear models and extensions. 3rd ed. College Station: Stata Press, 2012. ISBN 978-1-59718-105-1. [2] OHLSSON, Esbjörn a Björn JOHANSSON. Non-life insurance pricing with generalized linear models. Berlin: Springer, c2010. ISBN 978-3-642-10790-0. [3] SAATY, Thomas L. Theory and applications of the analytic network process: decision making with benefits, opportunities, costs, and risks. Pittsburgh: RWS Publications, 2009. ISBN 1-888603-06-2. [4] SAATY, Thomas L. Principia mathematica decernendi: mathematical principles of decision making : generalization of the analytic network process to neural firing and synthesis. Pittsburgh, Pa.: RWS Publications, c2010. 531 s. ISBN 978-188-8603-101. [5] VALECKÝ, Jiří (2017). Calculation of SCR on non-life underwriting risk by using individual risk models. Prague Economic Papers, pp. 1-17. ISSN 1210-045. [6] VALECKÝ, Jiří (2016). Modelling claim frequency in vehicle insurance. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 64(2), pp. 683–689. ISSN 2464-8310. [7] VÁVROVÁ, Eva. Finanční řízení komerčních pojišťoven. 1. vyd. Praha: Grada Publishing, 2014. 192 s. ISBN 978-80-247-4662-3. [8] ZMEŠKAL, Zdeněk, Dana DLUHOŠOVÁ a Tomáš TICHÝ. Finanční modely: koncepty, metody, aplikace. 3., přeprac. a rozš. vyd. Praha: Ekopress, 2013. 267 s. ISBN 978-808-6929-910. C Aplikované metody Ad 1) Pro dosažení konkrétních cílů v oblasti finanční výkonnosti podniků, odvětví a finančních institucí budou využity metody statické a dynamické analýzy, které budou aplikovány na pyramidové rozklady vybraných ukazatelů. Ke kvantifikaci vlivu dílčích ukazatelů na vrcholový ukazatel je možné využít několika metod, v závislosti na typu vazby, která se mezi dílčími ukazateli vyskytuje. V případě multiplikativní vazby budou aplikovány jednotlivé metody, a to metoda postupných změn, metoda rozkladu se zbytkem, integrální metoda, funkcionální a logaritmická metoda. V případě analýzy časové řady ukazatelů bude využita metoda dekompozice rozptylu. Takto budou určeny hlavní generátory tvorby hodnoty v jednotlivých odvětvích a podnicích. Ad 2) Pro optimalizaci rozhodování v oblasti řízení lidských zdrojů budou využity a aplikovány predikční modely a následně pak vícerozměrné analytické metody, které zahrnují logistickou regresi, faktorovou analýzu a další kvantitativní nástroje. Ad 3) V části věnované zdanění korporátních důchodů budou zjištěná data prezentována prostřednictvím nástrojů deskriptivní statistiky včetně ověření formulovaných hypotéz. Rovněž bude zjištěna korelace mezi vybranými proměnnými a efektivní sazbou daně. Pro stanovení vlivu jednotlivých parametrů ovlivňujících výslednou výši daňové povinnosti budou použity metody statistického srovnávání identifikujících vztahy, které přispívají k analýze vlivu jednotlivých činitelů na srovnávaný jev. Ad 4) V oblasti oceňování podniků budou využívány převážně kvantitativní metody. Zejména se bude jednat o: i) analýzu pomocí pyramidových rozkladů (vrcholový ukazatel jako funkce dílčích ukazatelů (parametrů)); ii) komparaci (kvantifikace odlišností pomocí analýzy odchylek a analýzy rozptylu); iii) stochastické modelování (s využitím negaussovsky rozdělených Lévyho procesů); iv.) kvantitativní metody v oblasti odhadu hodnoty aktiv dle generátorů hodnoty. Ad 5) K modelování defaultu bude použita tzv. analýza historie události, která patří mezi metody statistického hodnocení rozdělení časů specifikovaných událostí, častěji se tento přístup označuje jako analýza přežití (survival analysis). Dnes se tento přístup používá v mnoha oborech včetně ekonomie, přičemž v oblasti financí se tento přístup aplikuje zejména na analýzu defaultu (bankrotu). K popisu rozdělení náhodného chování časů přežití použijeme funkci přežití (survival function), která udává pro čas t pravděpodobnost přežití jedince. Predikce doby přežití na základě vstupních proměnných je analogické použití logistické regrese, hlavním rozdílem je použití cenzorovaných dat. Dalším rozdílem je, že na rozdíl od logistické regrese budeme analyzovat dobu mezi danými událostmi. Záměrem projektu je použít tradiční přístupy jako např. diskriminační analýzu, logistickou regresi či rozhodovací stromy, a dále vybrané metody analýzy přežití, které nám umožní modelovat dobu přežití vybraných českých podniků od jejich založení do jejich bankrotu. Analýza bude provedena s využitím dat českých podniků z různých odvětví ekonomiky. Další části projektu budou postupně aplikovány vybrané modely pro stanovení ekonomického kapitálu a to CreditMetrics, KMV model a Risk + model. Jednotlivé modely budou srovnány s regulatorními přistupy pro stanovení kapitálového požadavku na krytí neočekávané ztráty, které plynou z Basilejských dohod a platných direktiv EU. Ad 6) Nejprve budou spojité veličiny kategorizovány pomocí různých metod a shrnuty jejich výhody a nevýhody. Budou navržena různá numerická zpracování, přičemž dojde k jejich komparaci. Především bude analyzováno, zda jsou výsledky ovlivněny pojetím kategorizované veličiny (nominální či ordinální) a také způsobem numerického zpracování (použitím pomocných proměnných či zvolené metriky). Z porovnání budou formulována doporučení, jak v daných případech postupovat. Dále budou metodou maximální věrohodnosti odhadnuty parametry regresních modelů pro frekvenci škod a jejich výše na kategorizovaných a na původních datech a tyto budou odhadnuty pro všechny smlouvy v pojistném kmeni. Protože jednou z mála výhod kategorizace je skutečnost, že zmírňuje předpoklad o lineárním vlivu faktoru na škodní frekvenci (resp. na systematický komponent), bude model na bázi nekategorizovaných veličinách upraven o frakcionální polynomy tak, aby tyto nelineární vlivy respektoval a byly oba modely srovnatelné. Na závěr bude provedeno srovnání obou modelů z hlediska jejich „kvality“ pomocí různých statistik, např. informačními kritérii, hodnotou deviance, a dále z hlediska přesnosti odhadu. Provedena bude rovněž analýza reziduí a očekává se částečná validace modelů na dodatečné datovém vzorku. D Postup řešení: Ad 1) Pro určení generátorů finanční výkonnosti finančních institucí a odvětví průmyslu, stavebnictví a služeb bude využita klasická analýza odchylek, která se řadí mezi statickou analýzu, je tedy posuzováno pouze jedno období, za něž jsou určeny hlavní faktory mající na finanční výkonnost největší vliv. Následně bude aplikována také metoda dekompozice rozptylu. V případě této metody se již jedná o dynamickou analýzu, která je založena na hodnocení časové řady finančních ukazatelů. V případě dekompozice rozptylu je nutno stanovit regresní koeficienty pomocí parciálních derivací jednotlivých faktorů a následně určit kovarianci mezi jednotlivými dílčími faktory. Výsledkem je procentuální rozložení vlivů dílčích ukazatelů na vrcholový ukazatel. Dle korelační analýzy bude testováno, zda existuje vzájemná závislost mezi vývojem HDP ekonomiky ČR a vývojem ekonomické přidané hodnoty vybraných odvětví. Ad 2) V části řízení lidských zdrojů a dopadu na finanční výkonnost podniků bude použit soubor postupů řešících optimalizaci způsobu rozhodování ve vybraných oblastech řízení lidských zdrojů a dopad těchto kroků na ukazatele finanční výkonnosti společnosti. Výsledků bude dosaženo pomocí implementace analytických metod a kvantitativních modelů do rozhodování ve vybraných oblastech řízení lidských zdrojů, ve kterých se tradičně tyto postupy nevyužívají a zhodnotit dopad těchto postupů. Ad 3) V rámci dílčího cíle projektu bude pozornost zaměřena na zjištění a stanovení efektivní sazby důchodové daně u vybraných skupin poplatníků. Zjištěné hodnoty budou charakterizovány prostřednictvím deskriptivní statistiky a rozdíly budou statisticky verifikovány. Dále bude rovněž posuzován vzájemný vztah efektivní sazby důchodové daně a vybraných proměnných prostřednictvím korelačních koeficientů. S ohledem na dostupnost a rozsah vstupních dat nelze v tomto okamžiku blíže specifikovat počet testovaných subjektů a délku časové řady údajů. Ad 4) V první části řešení projektu (leden – květen) bude využita databáze historických časových řad relevantních parametrů vytvořená v předcházejícím projektu k modelování pravděpodobnostní rozdělení vybraných hodnotových multiplikátorů (MV/EBIT a MV/BV). Primárně bude pro modelování stochastických procesů využíváno negaussovských rozdělení pravděpodobností, k čemuž budou využívány vybrané Lévyho procesy. Ve druhé části projektu (červen – prosinec) bude pro vybraná klíčová odvětví ČR (zejména zpracovatelský průmysl) provedena komparace s vybranými zeměmi (přičemž se budeme zaměřovat především na vybrané srovnatelné státy (Visegrádská čtyřka), případně na vyspělé státy EU). Bude vytvořena databáze relevantních údajů pro tyto země a následně budou dle pyramidového rozkladu vytvořeného v rámci předešlého výzkumu kvantifikovány odchylky případných rozdílných stavů. Ad 5) V úvodní části projektu budou použity tradiční přístupy k modelování kreditního ratingu vybraných podnikových dluhopisů, což nám umožní identifikovat hlavní faktory ovlivňující jejich ratingové hodnocení. Následně budou porovnány a zhodnoceny jednotlivé přístupy pro účely predikce. V další fázi projektu se zaměříme na využití vybraných metod analýzy přežití a modelování doby do bankrotu čekých podniků z různých odvětví ekonomiky, což nám umožní jejich vzájemné srovnání. Poté bude provedeno porovnání výsledných modelů a posouzení vhodnosti vybraných metod analýzy přežití k modelování doby do bankrotu. V další části zaměřené na srovnání modelů pro stanovení ekonomického kapitálu a regulatorních přístupů pro stanovení neočekávané ztráty na úvěrové riziko, budou nejdříve sestavena dluhová portfolia a na těchto reálných datech budou postupně jednotlivé modely a přístupy aplikovány a srovnávány. Ad 6) Na sestaveném modelu četnosti škod havarijního pojištění bude nejprve ověřen vliv již zavedených rizikových faktorů (např. věk pojistníka, výkon motoru) včetně jejich lineárního vlivu. V případě nevyhovující funkce bude nalezena adekvátní nelineární funkce, jež lépe charakterizuje tento vztah. Výsledkem bude nový model, který bude srovnán s původním lineárním modelem, a bude vyhodnoceno, zda nový model je vhodný a dostatečně stabilní pro praktickou aplikaci. Tento nový model bude také porovnán s modelem, který bude sestaven na kategorizovaných datech, a bude vyhodnoceno, jak tato kategorizace ovlivňuje přesnost odhadu škodní frekvence a k jaké konkrétní ztrátě informací zde dochází. Ze získaných poznatků budou dále formulována taková doporučení pro modely pojistných nároků, aby tyto mohly být použity jako interní model pro odhad kapitálového požadavku na neživotní upisovací riziko dle konceptu Solventnost II platného v české legislativě od září 2016. Rovněž budou identifikovány významné ukazatele pro hodnocení pojišťoven a pojistného trhu a bude navržena metodika pro hodnocení jejich výkonnosti.

2018

2018

Ministerstvo školství, mládeže a tělovýchovy

SGS

Specifický výzkum VŠB-TUO

Dluhošová Dana prof. Dr. Ing.