• Nem Talált Eredményt

A Dél-dunántúli régió gépjármű-kereskedelmének vizsgálata csődmodellekkel

N/A
N/A
Protected

Academic year: 2022

Ossza meg "A Dél-dunántúli régió gépjármű-kereskedelmének vizsgálata csődmodellekkel"

Copied!
82
0
0

Teljes szövegt

(1)

TDK-DOLGOZAT

Balogh Nikolett MA

2012

(2)

A Dél-dunántúli régió gépjármű-kereskedelmének vizsgálata csődmodellekkel

The analysis of the South-Transdanubian automotive dealerships with bankruptcy predicting models

Balogh Nikolett

Kézirat lezárva: 2012. november 15.

(3)

Rezümé

Balogh Nikolett V. évf. (2014)

A Dél-dunántúli régió gépjármű-kereskedelmének vizsgálata csődmodellekkel The analysis of the South-Transdanubian automotive dealerships with bankruptcy predicting models

Dolgozatom a magyarországi gépjármű-kereskedelem helyzetével és annak elemzéséve foglalkozik. Kutatásom alapjául a Dél-dunántúli régió autókereskedéseinek 2007. és 2011.

évek közötti beszámolóiból készült adatbázis szolgál. A 158 vállalkozást tartalmazó minta segítségével iparági és vállalati szinten is vizsgáltam a gépjármű-kereskedelmet.

Első célom, a gépjármű-kereskedelemben végbement negatív folyamatok pénzügyi- számviteli adatokon alapuló elemzése volt. Ennek során az egyszerű mutatószám elemzésen túllépve csődmodellek segítségével is vizsgáltam az ágazatot. Az így kapott eredmények azt mutatják, hogy a romló tendencia a mutatószámokban és a csődmodellek eredményében egyaránt tükröződik.

Másik célom, egy ágazat-specifikus csődmodell kialakítása volt, mellyel a jól működő és

csőd közeli gépjármű-kereskedések mutatószámai közti különbséget igyekeztem

megragadni. A modell kialakításához statisztikai elemző program segítségével

diszkriminancia-analízit és logisztikus regressziót alkalmaztam. A program négy

mutatószám alapján, közel 75 százalékos pontossággal sorolta megfelelő – csődös, illetve

túlélő – csoportba a vállalkozásokat. A kapott modell tehát nem nevezhető hatékonynak,

azonban egy teljes körű vállalatelemzés során hasznos lehet, illetve megfelelő alap a téma

további kutatásához.

(4)

Abstract

Nikolett Balogh V. course (2014)

The analysis of the South-Transdanubian automotive dealerships with bankruptcy predicting models

A Dél-dunántúli régió gépjármű-kereskedelmének vizsgálata csődmodellekkel

The paper deal with the state and an analysis of the Hungarian automobile trade. My research is based on the South-Transdanubian automotive dealership’s reports from 2007 to 2011 and use a sample of 158 enterprises.

My first goal was to analyze the negative processes in the automobile trade based on financial and accounting data. In the course of the search I would like to beyond the simple financial ratio analysis and use bankruptcy prediction models. The obtained results from the studies were demonstrating declining trend in the sector.

Another goal of the paper was creating an industry-specific bankruptcy predicting model

and discriminate well functioning and bankrupt automobile dealerships’ ratios. To set up

the model I used discriminant analysis and logistic regression with statistical analysis

program. The model is based on four ratios which classified nearly 75 percent of the

companies to the right group of survivor or bankrupt. The model’s result can not be

considered to be effective however it can be a part of a comprehensive evaluation or

maybe it is an adequate basis for further research on the topic.

(5)

T ARTALOMJEGYZÉK

B

EVEZETÉS

... 1

1. C

SŐDMODELLEK

... 3

1.1. A

CSŐDMODELLEZÉS FEJLŐDÉSE

... 3

1.2. C

SŐDMODELLEZÉS HAZAI VÁLLALATOK ESETÉN

... 7

2. A

MAGYARORSZÁGI GÉPJÁRMŰ

-

KERESKEDELEM

... 10

2.1. A

MAGYARORSZÁGI AUTÓKERESKEDELEM KIALAKULÁSA ÉS FEJLŐDÉSE

... 10

2.2. A

GÉPJÁRMŰ KERESKEDELEM MAI HELYZETE

... 12

2.3. G

AZDÁLKODÁSI PROBLÉMÁK

... 14

2.4. A

Z ÁGAZAT JÖVŐJÉVEL KAPCSOLATOS VÁRAKOZÁSOK

... 15

3. A

Z ADATBÁZIS VIZSGÁLATA KLASSZIKUS MÓDSZEREKKEL

... 17

3.1. I

PARÁGI RÁTÁK ÉS VÁLTOZÁSAIK

... 17

3.2. A

KERESKEDÉSEK VIZSGÁLATA KLASSZIKUS CSŐDMODELLEKKEL

... 21

3.2.1. Altman modell ... 21

3.2.2. Springate modell ... 23

4. C

SŐDMODELL

-

KÍSÉRLET A

D

ÉL

-D

UNÁNTÚLI RÉGIÓ AUTÓKERESKEDELMÉRE VETÍTVE

... 25

4.1. A

LKALMAZOTT STATISZTIKAI MÓDSZEREK

... 25

4.1.1. Diszkriminancia-analízis ... 25

4.1.2. Logisztikus regresszió ... 26

4.2. A

Z ADATBÁZIS VIZSGÁLATA

... 27

4.2.1. A diszkriminancia-analízis eredménye ... 27

4.2.2. A logisztikus regresszió eredménye ... 29

4.2.3. Felmerülő problémák ... 30

5. A

Z ADATBÁZIS MÓDOSÍTÁSA

... 31

5.1. M

UTATÓSZÁMOK ELEMZÉSE AZ ÚJ ADATBÁZISRA VONATKOZÓAN

... 31

5.2. A

MÓDOSÍTOTT ADATBÁZIS

SPSS

EREDMÉNYEI

... 33

5.3. A

Z EREDMÉNYEK ÉRTÉKELÉSE ÉS TOVÁBBI VIZSGÁLATI LEHETŐSÉGEK

... 35

Ö

SSZEGZÉS

... 37

I

RODALOMJEGYZÉK

... 38

M

ELLÉKLETEK

... I

(6)

T ÁBLÁZAT - ÉS Á BRAJEGYZÉK

1. Táblázat: A magyarországi személygépkocsik számának és életkorának alakulása (2000-

2011) ... 13

2. Táblázat: A mutatószámok értékének százalékos változása... 19

3. Táblázat: Az Altman modell eredménye ... 22

4. Táblázat: A Springate modell eredménye ... 23

5. Táblázat: A stepwise algoritmussal beválasztott mutató ... 27

6. Táblázat: A diszkriminancia-analízis eredménye ... 28

7. Táblázat: A Wilks' Lambda elemzése ... 28

8. Táblázat: A logisztikus regresszió változói ... 29

9. Táblázat: Illeszkedésvizsgálat ... 29

10. Táblázat: A logisztikus regresszió eredménye ... 29

11. Táblázat: A csődös és nem csődös vállalkozások aggregált mutatószámai ... 32

12. Táblázat: A stepwise algoritmussal beválasztott mutatók ... 33

13. Táblázat: A diszkriminancia-analízis eredménye ... 33

14. Táblázat: A Wilks' Lambda elemzése ... 34

15. Táblázat: A logisztikus regresszió eredménye ... 34

16. Táblázat: Illeszkedésvizsgálat ... 34

1. ábra: Az Altman-, Springate- és Fulmer-modell mutatószámainak összehasonlítása ... 5

2. ábra: Az Altman modell eredményének szemléltetése ... 22

3. ábra: A Springate modell eredményének szemléltetése ... 24

4. ábra: A csődös és nem csődös vállalkozások tulajdonosi aránya ... 32

(7)

B EVEZETÉS

Általánosságban elmondható, hogy egy vállalat – függetlenül a tevékenységétől – folyamatosan változó környezetben működik. Ez fokozottan érvényes a mai felgyorsult és globalizálódott világban, így a vállalkozásoknak, fennmaradásuk érdekében gyorsan és megfelelően kell reagálni a változásokra. Nincs ez másként a gépjármű-kereskedelemben sem. Napjainkban nem telik el úgy hét, hogy a sajtó ne foglalkozna a külföldről Magyarországra hozott gépkocsik arányával, a benzinár növekedésével vagy az autótulajdonosokat sújtó adók mértékével. Mindez közvetlenül vagy közvetve hatást gyakorol a gépjármű-kereskedésekre, rendszerint negatívan befolyásolva működésüket. A megváltozott környezet hatására az elmúlt néhány évben az autókereskedések megszűnése szinte mindennapossá vált.

Felmerül a kérdés, hogy ezek a vállalkozások mit rontottak el? Miben különböznek azoktól, amelyek jól reagáltak a változásokra és továbbra is működnek? Van-e olyan tényező, amely megkülönbözteti a csődbe ment és a túlélő vállalkozásokat? Választ a csődmodellek adhatnak, amelyek segítségével még a vállalati válság bekövetkezése előtt következtethetünk a vállalkozás jövőbeni működésére. A csődmodellezés az informatika fejlődésének köszönhetően olyan hatékonysággal képes előre jelezni a vállalati csődöt, hogy az alkalmazott modelleket a hitelintézetek legféltettebb üzleti titkaik között tartják számon. Ez egyértelműen azt mutatja, hogy a csődmodellezés a mai gazdasági környezetben fontos eleme a vállalatértékelésnek.

Dolgozatom egyik célja, hogy bemutassam, a gépjármű-kereskedelem állapotát, illetve az ágazatban végbement folyamatokat a pénzügyi-számviteli adatok is tükrözik. Az egyszerű mutatószám elemzésen túllépve igyekszem mindezt csődmodellek segítségével is elemezni. Másik célom egy saját mintán alapuló csődmodell-kísérlet elvégzése, mellyel a csőd közeli és a jól működő gépjármű-kereskedések mutatószámainak különbözőségét igyekszem megragadni.

A megfogalmazott céloknak megfelelően dolgozatom első fejezetében röviden

bemutatom a csődmodellezés fejlődésének legfontosabb módszereit, kutatóit és a hozzájuk

kapcsolódó modelleket, valamint a hazai vállalatokra specializált csődmodelleket. Meg

kell jegyezni, hogy a modellek nagy része nem elérhető, az ezzel kapcsolatos publikációk

főként az eredményeket tartalmazzák. Ennek oka, hogy maga a modell sok esetben bankok

vagy vállalatokat elemző cégek üzleti titkának minősül.

(8)

2

A második fejezetben az empirikus kutatásom témáját képző hazai gépjármű- kereskedelem fejlődését, problémáit és az ágazat jövőjével kapcsolatos várakozásokat mutatom be.

Vizsgálataimhoz a Dél-dunántúli régió gépjármű-kereskedéseinek 2007. és 2011.

évek közti beszámolóadatait használom fel. Az így kapott adatbázisból kialakított iparági átlagok és a vállalkozások Altman- és Spingate modell szerinti elemzését a harmadik fejezet tárgyalja.

A negyedik és ötödik fejezet a csődmodell-kísérlet során alkalmazott statisztikai módszerek bemutatását és az eredeti, majd a módosított adatbázis statisztikai programmal történő elemzését tartalmazza. A fejezet végén értékelem a kapott eredményeket és további kutatási lehetőségeket fogalmazok meg.

Dolgozatomat a téma összegzésével zárom, melyet a felhasznált irodalmak listája

és a mellékletek követnek.

(9)

3

1. C SŐDMODELLEK

„A csődelőrejelző modellek a csődös és túlélő vállalatok pénzügyi mutatószámai közötti különbségeket igyekeznek megragadni és statisztikai módszerekkel olyan eljárásokba tömöríteni, melyek lehetővé teszik a vizsgált elemek két csoport egyikébe való besorolását optimális hatékonysággal.”

(Virág–Dóbé 2005. p. 2.)

1.1. A

CSŐDMODELLEZÉS FEJLŐDÉSE

Már az 1930-as években jelentek meg olyan amerikai tanulmányok, melyek az üzleti bukás előrejelezhetőségével foglalkoztak. Ezek a tanulmányok említették először, hogy azok a vállalatok, amelyek csődbe mentek más viszonyszámokkal rendelkeznek, mint a jól működőek (Virág, 1996). Tulajdonképpen ezt a megállapítást tekinthetjük a későbbi csődmodellek kiindulópontjának. Az azonban máig vita tárgya, hogy a csőd bekövetkezését meg lehet-e egyetlen modell segítségével állapítani. Hasonló kérdés, hogy mennyire biztonságosak az így kapott előrejelzések (Veress-Tihanyi, 1991).

A csőd előrejelzésében a statisztikai módszereket mondhatjuk elsődlegesnek és uralkodónak, amely során klasszikus modelleket alkalmaznak, és az előrejelzésben főként a vállalat fizetésképtelenségi tüneteit próbálják kimutatni. Az ilyen modellek leginkább pénzügyi kimutatásokból származó mutatókat használnak (Ghodrati, 2012). A továbbiakban a legismertebb statisztikai alapú modelleket mutatom be.

A csődelőrejelzés fejlődésében egyértelműen W. H. Beaver 1966-ban megjelent munkáját tekintik az első nagy mérföldkőnek. Beaver pénzügyi kimutatásokból nyert mutatószámok alapján próbálta megjósolni a csőd bekövetkezését, melyek közül a cash flow / adósság hányadost használta legfőbb minősítőnek (Virág, 1996; Veress-Tihanyi, 1991).

Beaver egyváltozós diszkriminancia-analízist alkalmazó előrejelzése után a következő nagy lépést E. I. Altman többváltozós modellje jelentette. Utóbbi 22 pénzügyi mutató vizsgálata után ötöt használt fel relatív súlyozással egy „Z” pont meghatározásához, ezért Z-score elemzésnek is nevezik. A modellt 33 csődbe ment és 33 jól működő vállalat mutatószámainak többszörös diszkriminancia-analízise után az alábbi matematikai egyenletben határozta meg (Veress–Tihanyi, 1991):

Z = 0,12 X

1

+ 0,14 X

2

+ 0,33 X

3

+ 0,06 X

4

+ 0,999 X

5,

(1)

(10)

4 ahol

X

1

= forgótőke/összes eszköz

X

2

= visszatartott profit/összes eszköz

X

3

= EBIT (kamat- és adófizetés előtti nyereség)/összes eszköz X

4

= részvénytőke piaci értéke/adósság könyv szerinti értéke X

5

= értékesítés árbevétele/összes eszköz (Altman, 1968).

Az eredmény értelmezéséhez „Z” pont értéket három sávba sorolta:

­ ha az érték 1,8-nál kisebb, akkor a vállalat valószínűleg pénzügyi válságban van,

­ 1,8 és 3 között a válság bekövetkezésének valószínűsége kicsi, de lényegében a modell ebben a sávban nem tudja értékelni a vállalatot,

­ 3 feletti értéknél pedig a vállalatot várhatóan nem fenyegeti válság (Katits, 2000;

Veress-Tihanyi, 1991).

A fenti modellt csak tőzsdén bevezetett vállalatok esetén lehet alkalmazni, ezért néhány évvel később Altman meghatározott egy külön modellt a nem tőzsdei cégek elemzéséhez is. A mutatószámok ugyanazok, mint az előző modellben, csak a súlyokat változtatta az alábbiak szerint:

Z = 0,717 X

1

+ 0,847 X

2

+ 3,107 X

3

+ 0,42 X

4

+ 0,998 X

5,

(2) A súlyok változtatásával megváltoztak az értékelési sávok is:

­ ha Z értéke kisebb, mint 1,23, a vállalat csődveszélyben van,

­ ha Z értéke 1,23 és 2,9 közé esik, akkor ún. szürke zónában van, vagyis a jövője bizonytalan,

­ 2,9-es érték felett pedig a vállalat biztonságban van (Altman. 2000)

Az eredeti modell előrejelzései hosszabb távon nem voltak túl hatékonyak. Egy évre előre még átlagosan 95%-os valószínűséggel tudta megjósolni a csődöt, öt évre azonban ez a valószínűség már csak 36% volt. Többek között ezért az Altman-modell sok bírálatot kapott, így a szerző két társával, R. G. Haldemannal és P. Narayannal úgy döntött, hogy továbbfejleszti a modellt, a vállalati válság hatékonyabb előrejelezhetősége érdekében. Ekkor öt helyett már hét mutatószámból épült fel az egyenlet, és Zeta analízis néven vált ismertté (Veress-Tihanyi, 1991):

V

1

= eszközarányos nyereség

(11)

5

V

2

= profitstabilitás (adózás előtti profit és a vagyon hányadosából kapott mutató 10 éves trendje alapján)

V

3

= adósságszolgálat

V

4

= kumulált jövedelmezőség (visszatartott profit/vagyon) V

5

= likviditás

V

6

= tőkeellátottság (részvénytőke/összes tőke) V

7

= vállalatnagyság a vagyon alapján (Katits, 2000).

A javított modell lényegesen jobb előrejelző-képességgel rendelkezett, öt évre előre már 69,8%-os valószínűséggel állapította meg a vállalat csődjét (Veress–Tihanyi, 1991).

Altmanhoz hasonló modellt alakított ki Springate és Fulmer is. A továbbiakban feleslegesnek tartom ezek – az Altman-modellhez hasonló – részletes leírását. Ehelyett az eredeti modellekben felhasznált rátákat igyekszem csoportosítani. A csoportosításhoz a Springate- és Fulmer-modell – Arutyunjan (2002) értekezésében szereplő – mutatószámait használom fel.

1. ábra: Az Altman-, Springate- és Fulmer-modell mutatószámainak összehasonlítása Forrás: Saját szerkesztés Arutyunjan (2002) alapján

Részvénytőke /adósság

EBIT/összes eszköz Forgótőke/összes eszköz

Adózás előtti eredmény /rövid lejáratú kötelezettségek

Eredménytartalék /összes eszköz

Árbevétel/összes eszköz

Adózás előtti eredmény/saját tőke Cash Flow/kötelezettségek

Hosszú lejáratú kötelezettségek/összes eszköz Rövid lejáratú kötelezettségek/összes eszköz

Forgótőke/kötelezettségek

lg(adózás előtti eredmény/fizetett kamat) lg(tárgyi eszközök)

FULMER

ALTMAN SPRINGATE

(12)

6

A fenti ábra jól szemlélteti Altman és Springate modelljének hasonlóságát. Három mutatószám azonos a két modellben, valamint mindketten használtak valamilyen adósságszintet vizsgáló rátát is. Fulmer modellje szinte teljesen eltér a másik kettőtől, véleményem szerint a két közös mutató csak véletlen egybeesés. Fulmer nem csak több rátát vizsgált, de ezek közül néhány eltér a klasszikus mutatóktól, például figyelembe veszi a tárgyi eszközök logaritmusát.

Az ún. Altman-féle irányvonalat, vagyis a többváltozós diszkriminancia-analízist alkalmazó csődelőrejelzéseket több kritika is érte:

felülről szemléli a vállalatokat, ezért korlátozott a használhatósága,

a modellek többsége egyetlen mintából indul ki, melynek nagysága és jellege lényegesen befolyásolhatja annak végeredményét,

a diszkriminancia-analízisből eredően nem tudhatjuk, hogy a modell mekkora első- és másodfajú hibát rejt magában,

sokan pedig egyszerűen alkímiának tekintik a csődelőrejelzést (Veress–Tihanyi, 1991).

Többek között az ilyen és ehhez hasonló kritikák generálták a csődmodellek pontosítását, fejlődését. A statisztikai módszerek hiányosságainak kiküszöbölésére igyekeztek új technikákat alkalmazni a vállalati válság előrejelzéséhez.

Az 1980-as években megjelentek a logisztikus regresszión alapuló modellek, melyek a 1990-es évek közepéig a legnépszerűbb csődelőrejelzési eljárások voltak. A vállalati fizetőképesség előrejelzésére először J. Ohlson alkalmazott logisztikus regressziót 1980-ban. Mintájában 105 fizetésképtelen és 2058 fizetőképes vállalat volt, ezzel is jelezve, hogy a valóságban lényegesen kevesebb a fizetésképtelen vállalatok aránya (Virág-Kristóf, 2006).

A következő nagy mérföldkövet M. E. Zmijewsky 1984-es probit-analízist

alkalmazó csődelőrejelzése volt (Virág–Kristóf, 2006). 40 fizetésképtelen és 800

fizetőképes iparvállalat adataival dolgozott. Előrejelzése 78%-os valószínűséggel jósolta

meg a vállalat csődjét egy évvel annak bekövetkezése előtt (Ghodrati, 2012). Zmijewsky

Ohlsonhoz hasonlóan felismerte, hogy a valóságban nem azonos a csődös és túlélő

vállalatok aránya, ezért több mintát is vizsgált, melyekben 1:20 arányig növelte stabil

vállalatok arányát. A különböző összetételű minták azonban nem mutattak szignifikáns

eltérést, vagyis a modell pontosságát nem befolyásolja a minta összetétele (Imre, 2008).

(13)

7

Szintén az 1980-as években került a csődelőrejelző módszerek közé H. Frydman, E.

I. Altman és D. Kao által használt rekurzív particionáló algoritmus. Az eljárás lényege, hogy döntési fa formájában ábrázolva választja ki az előrejelzési értékkel bíró változó – küszöbérték párokat, ezzel csökkentve a téves besorolás valószínűségét. Az így kapott döntési fa önmagában nem képes előrejelzést adni, de megfelelő alapja lehet egy tanulási adatbázisnak. Tulajdonképpen a rekurzív particionáló algoritmus használatával kezdődött a mesterséges intelligencián alapuló csődmodellezés. Jelenleg az ilyen eljárások legmodernebb típusai a neurális háló alapú csődmodellek, melyek korábbi példákon keresztül képesek tanulni, majd az így szerzett információk alapján a lehető legpontosabb előrejelzést adni (Virág–Kristóf, 2006).

1.2. C

SŐDMODELLEZÉS HAZAI VÁLLALATOK ESETÉN

A korábban tárgyalt csődmodellek több szempontból is nehezen alkalmazhatóak a magyar vállalkozások elemzéséhez. Egyrészt a mutatók változatlan átvétele nem minden esetben lehetséges az eltérő számviteli eljárások és a hazai vállalatok szerkezete miatt. Másrészt a legtöbb modell sokéves mintával dolgozik, amelyhez a hazai vállalatok nem rendelkeznek elég nagy múlttal (Katits, 2000).

Magyarországon a rendszerváltás után csak 1991-ben jöttek létre megfelelő törvényi keretek a csőd kezelésére, így az ehhez szorosan kapcsolódó csődelőrejelzés is alig több mint 20 évre tekint vissza (Virág–Kristóf, 2006).

Az első magyar vállalatokat vizsgáló csődmodellt Virág Miklós és Hajdu Ottó dolgozta ki. A modell felállításához az akkor legelterjedtebb matematikai-statisztikai megközelítést, a diszkriminancia-analízist és a logisztikus regressziót alkalmazták. A Pénzügyminisztérium által kibocsátott adatbázis alapján 154 vállalat beszámolójának adatai álltak rendelkezésre, mely egyenlő arányban tartalmazott csődös és kontroll vállalatot. Ezek mindegyike 300 fő feletti létszámú feldolgozóipari vállalkozás volt, így biztosítva a viszonylag homogén mintát (Virág–Kristóf, 2006).

A szerzőpáros az alábbi 15 mutatószám felhasználásával készítette el modelljét:

1. Likviditási gyorsráta = (forgóeszközök – készletek) / rövid lejáratú kötelezettségek 2. Likviditási ráta = forgóeszközök / rövid lejáratú kötelezettségek

3. Pénzeszközök aránya = (pénzeszközök + értékpapírok) / forgóeszközök 4. Eszközök forgási sebessége = nettó árbevétel / összes eszköz

5. Készletek forgási sebessége = nettó árbevétel / készletek

(14)

8

6. Vevők forgási sebessége = 360 * vevőkövetelések / nettó árbevétel

7. Árbevétel arányos nyereség = 100 * mérleg szerinti eredmény / nettó árbevétel 8. Saját tőke arányos nyereség = 100 * mérleg szerinti eredmény / saját tőke 9. Eszközhatékonyság = 100 * mérleg szerinti eredmény / összes eszköz

10. Cash Flow / összes tartozás = (mérleg szerinti eredmény + értékcsökkenés) / kötelezettségek

11. Cash Flow / összes eszköz = (mérleg szerinti eredmény + értékcsökkenés) / összes eszköz

12. Cash Flow / nettó árbevétel = (mérleg szerinti eredmény + értékcsökkenés) / nettó árbevétel

13. Forgóeszközarány = 100 * forgóeszközök / összes eszköz

14. Vevők – szállítók aránya = 100 * vevőkövetelések / szállítókkal szembeni kötelezettségek

15. Tartósan befektetett eszközök aránya = 100 * befektetett eszközök / összes eszköz (Virág, 1996; Virág–Dóbé, 2005)

A hazai csődelőrejelzés egy másik megközelítése a Virág Miklós és Dóbé Sándor (2005) által iparági centroidokat vizsgáló modellcsalád. Tanulmányukban harminc nemzetgazdasági ágazatot vizsgálnak, melyek mindegyikéhez külön specifikált modell állt rendelkezésükre. A kutatás célja tehát nem konkrét vállalatok csődös vagy nem csődös besorolása, hanem egy ágazat általános pénzügyi arculatának saját csődös vagy túlélő vállalataihoz való hasonlítása, mellyel vizsgálhatóvá válik az ágazatok gazdasági életképessége. A mutatószámokat az iparágak vállalatainak aggregált beszámolóadataiból – az egyes mérleg és eredménykimutatás sorok adatait összegezve – képezték.

A csődmodell-családot 1996-ban készítették, de az ágazati vizsgálathoz megfelelő beszámolóadatok csak két évvel később álltak rendelkezésre, így az eredmények az ágazatok 1998-as állapotát tükrözik. Az alkalmazott modellek üzleti titoknak minősülnek, ezért nem kerültek publikálásra. Kutatásom szempontjából a közúti jármű- és üzemanyag kereskedelem ágazatának értékei lehetnek érdekesek, azonban ennek részletes vizsgálatát elvetettem. Ennek okai a következők:

a felhasznált modell titkos, így önmagában annak eredménye nem hordoz számomra érdemi információt,

a modell összesített adatokkal dolgozik, amely az üzemanyag-

kereskedelmet is magában foglalja,

(15)

9

az elemzés csak az 1998-as beszámolókat veszi figyelembe, így mára elavult lehet.

A csődmodellezés legkorszerűbb módszere, a neurális hálókat alkalmazó csődelőrejelzés megjelent a hazai gyakorlatban is. Virág Miklós és Kristóf Tamás (2005) a neurális hálók segítségével újraszámolta az első magyar csődmodellt. Tanulmányukban arra kerestek választ, hogy a magyarországi vállalatok esetében is megbízhatóbbnak bizonyul-e a neurális hálókkal készített csődmodell a korábban használt, hagyományosnak mondható statisztikai eljárásoknál. Az eredmények egyértelműen azt mutatják, hogy a tanuló algoritmust alkalmazó csődmodellek nagyobb pontossággal képesek besorolni egy vállalatot a csődös vagy túlélők csoportjába.

Az eljárás alkalmazásához azonban véleményem szerint magas szintű informatikai

háttértudás szükséges. Továbbá nemzetközi tapasztalatok szerint a neurális hálót alkalmazó

eljárások akkor adják a legmegbízhatóbb előrejelzést, ha a tanulási minta fele-fele

arányban tartalmaz csődös és nem csődös vállalatokat. A tanulási folyamat során fennáll az

ún. túltanulás veszélye, amely során a háló a minta sajátosságait is figyelembe veszi, így

torzítja az előrejelző képességet. Ez a jelenség főként kis minták esetén jelent problémát

(Virág–Kristóf, 2005). A fenti okok miatt az empirikus kutatás során nem kísérlem meg a

neurális hálók alkalmazását.

(16)

10

2. A MAGYARORSZÁGI GÉPJÁRMŰ - KERESKEDELEM

Kutatásomhoz olyan ágazatot kerestem, amely napjainkban nehéz időket él, így reményeim szerint a csődmodellek érdemi és hasznosítható információval szolgálnak. A gépjármű- kereskedelem, ahogy a későbbiekben olvasható, több ok miatt is válságos helyzetben van.

Ezért úgy gondolom, a számadatok elemzése előtt, azok mögöttes tartalmának megértéséhez érdemes áttekinteni a magyarországi autókereskedelemben végbemenő folyamatokat, változásokat.

2.1. A

MAGYARORSZÁGI AUTÓKERESKEDELEM KIALAKULÁSA ÉS FEJLŐDÉSE

A következőkben Konkoly Eszter (2010) szerkesztésében készült, az autópiac elmúlt két évtizedéről szóló könyv alapján mutatom be röviden a hazai autókereskedelem kezdeteit. A magyarországi gépjármű-kereskedelem a ma ismert formában csak a rendszerváltás óta ismert, ezért ezt tekintem kezdőpontnak. Ennek oka, hogy korábban az importált autók elosztását a MERKUR Személygépkocsi Értékesítő Vállalat végezte. Tevékenysége tulajdonképpen abból állt, hogy nyilvántartotta a megrendelők igényét, majd néhány év várakozás után értesítést küldött, hogy hol és milyen színű autó vehető át. Úgy gondolom ez a mai értelemben közel sem nevezhető gépjármű-kereskedelemnek. Más szempontból, a mai vállalati rendszer is csak az 1990-es években kezdett kiépülni. Ez a tény pedig jelentősen befolyásolja további elemzéseim, hiszen azok a vállalatok beszámolóin alapszanak.

Az 1989-es rendszerváltás nem csak politikai, hanem gazdasági változásokat is okozott. A használt autókra vonatkozó vámkedvezmény és a szabad valutaváltás hatására a korábban csak csodált nyugati és távol-keleti autók sokak számára azonnal elérhetővé váltak. Ezekhez az autókhoz azonban előbb-utóbb alkatrészekre volt szükség, így a kezdeti hiány után megalakult néhány vállalkozás, amely az alkatrészek pótlásáról gondoskodott.

Megjelentek az első magán autóimportőr vállalatok is, mint például a Ramovill Szövetkezet.

Egy évvel később folyamatosan elkezdtek megjelenni a jelentősebb

márkaképviseletek. A kezdeti bizonytalanságok kiküszöbölésére szükségesnek látszott egy

érdekvédelmi szervezet létrehozása, amely összefogja a szakmát. Így 1990 októberében

megalakult a Magyar Gépjárműimportőrök Egyesülete (MGE). Az Egyesületet tizenöt tag

alapította, mára pedig már harminchét importőr képviseletét látja el.

(17)

11

1992-től már kialakulni látszott az autókereskedelem ma ismert struktúrája.

Létrejöttek az első generációs márkakereskedések, amelyek nem csak új autók, hanem eredeti alkatrészek értékesítésével és szervizszolgáltatással is foglalkoztak.

A gyárak számítása olyannyira bejött, hogy 1992-ben közel 35 ezer darabot, míg 1999-ben már majdnem 98 ezer új autót adtak el. Az importőrökhöz hasonlóan a márkakereskedők esetében is létrejött egy érdekvédelmi szervezet Gépjármű Márkakereskedők Országos Szövetsége (GÉMOSZ) néven.

Egy gépjármű-kereskedés tevékenységi köre sok esetben nemcsak autók eladásából és vételéből áll. Maga a kereskedelem is felbontható használt- illetve új vagy más néven márkakereskedelemre. Emellett foglalkozhatnak még szervizeléssel, alkatrész értékesítéssel vagy akár más szolgáltatásokkal is. Az AutóCity példáját tekintve a vállalat 1992-ben még csak használtautók értékesítésével foglalkozott, viszont egy évvel később már a Volkswagen márkakereskedése lett, 1995-ben pedig műszaki és szerviz- infrastruktúrát építettek ki. A cég jelenlegi profiljában foglalkozik továbbá új személy- és haszongépjárművek, használt gépkocsik árusításával, bizományi értékesítéssel, szervizszolgáltatással, alkatrész értékesítéssel és a meglévő ügyfelek számára bérautó- szolgáltatással is. Liszácz Mihály ügyvezető igazgató elmondása szerint a vállalat igyekszik minél több egyedi vagy különleges szolgáltatást nyújtani, ilyen például a vizes bázisú festékekkel dolgozó fényező műhely és a káresemények online bejelentése a biztosítók felé. (Erdei, 2006).

Mint minden más iparágban, az autókereskedelemben is nagyon fontos a folyamatos fejlődés, amit fejlesztéseken keresztül érnek el, melyek megvalósítása nagy összegű tőkét igényel. Az AutóCity esetében a legnagyobb ilyen célú pénzfelhasználás egy évben 200 millió forint volt, de az éves átlagos beruházási költség is 20-50 millió forint.

Ezeknek a forrásoknak egy része pályázatokból származik, de természetesen önerőt is

tartalmaz. Liszácz Mihály véleménye szerint azonban a kiírt pályázatok többsége nem ezt a

tevékenységi kört célozza meg, sokkal inkább támogatják a kutatás-fejlesztést, a

külkereskedelmi tevékenységet és a gyártóipart. Így az autópiacon tevékenykedő cégek

leginkább olyan általános tendereken tudnak részt venni, ami például a humán erőforrás

fejlesztését segíti elő. Továbbá az igazgató azt is elmondta, hogy a fejlesztések

kivitelezéséhez és a megfelelő, mindennapi zökkenőmentes működéshez elengedhetetlen

egy pénzintézettel való kölcsönös bizalmi kapcsolat. Jelen vállalkozás például több mint

tizennégy éve ugyanazon pénzintézettel áll partneri kapcsolatban (Erdei, 2006).

(18)

12

2.2. A

GÉPJÁRMŰ KERESKEDELEM MAI HELYZETE

A magyarországi új gépjármű kereskedelem közel 50 000 embernek ad munkát, és a jelenleg működő kereskedéseknek majdnem 800 telephelye van. Az autópiacnak köszönhetően több mint évi 110 milliárd forint adó kerül az állami kasszába a regisztrációs adó összegével együtt. Mindez azt mutatja, hogy az ágazat fontos helyet foglal el a gazdaságban (Magyar Gépjárműimportőrök Egyesülete, 2011).

A magyar autópiac az európai átlaghoz viszonyítva nincs könnyű helyzetben. A kialakult nyugat-európai trend, mely szerint háromévente új autót vásárolnak az emberek, nálunk csak egy szűk társadalmi rétegben valósul meg. Magyar viszonylatban a legdrágábbak közé tartoznak a közlekedési eszközök, ugyanakkor a lakosság átlagos jövedelme messze elmarad az Európai Unió átlagától. Hasonló okok miatt kerülnek vissza kereskedésekbe a lízingelt járművek is. Sokan nem tudják felmérni, hogy mekkora az az összeg, amit képesek kifizetni a törlesztőrészletekre. A kereskedés szempontjából ebben az esetben az a probléma, hogy ezek a tulajdonosok kikerülnek a potenciális vásárlói körből, ráadásul a gazdasági válság hatására a fizetésképtelenek köre nagymértékben megnőtt.

Ahhoz, hogy egy autókereskedés működése jövedelmező legyen, egy bizonyos értékesítési szint mindenképpen szükséges, és ez a volumen külföldön többszörös a magyarhoz képest.

Minden más területen – felszereltség, külsőség, műszaki infrastruktúra, szaktudás stb. – a hazai márkaszervizek többsége minden tekintetben felveheti a versenyt más európai országban működő szalonokkal (Erdei, 2006).

A Központi Statisztikai Hivatal STADAT-táblái szerint 2000 és 2011 között az

alábbiak szerint alakult a magyarországi, illetve dél-dunántúli személygépkocsik száma, az

ország területén első alkalommal forgalomba helyezett személyautók száma és a

személygépkocsik átlagos életkora (1. táblázat).

(19)

13

1. Táblázat: A magyarországi személygépkocsik számának és életkorának alakulása (2000-2011)

év

Dél-Dunántúlon nyilvántartott személygépkocsik

száma (db)

Magyarországon nyilvántartott személygépkocsik

száma (db)

Magyarországon első alkalommal

forgalomba helyezett személygépkocsik

száma (db)

A személygépkocsi- állomány átlagos

életkora (év)

2000 223.223 2.364.706 139.137 -

2001 231.821

kkkk

2.482.827 190.518 -

2002 245.142 2.629.526 239.127 11,7

2003 259.104 2.777.219 274.389 11,4

2004 261.745 2.828.433 255.822 10,9

2005 267.540 2.888.735 239.810 10,5

2006 274.720 2.953.737 203.082 10,3

2007 279.825 3.012.165 195.611 10,3

2008 284.535 3.055.427 176.678 10,4

2009 281.734 3.013.719 75.837 10,8

2010 279.516 2.984.063 61.324 11,3

2011 277.163 2.967.808 76.528 11,9

Forrás: Saját szerkesztés a Központi Statisztikai Hivatal STADAT-táblái alapján

A dél-dunántúli és az országos személygépkocsi állomány is egyértelműen tükrözi a gazdasági válság gépjármű-kereskedelemre gyakorolt hatását. Mindkét idősorban a 2008- as adat jelenti a csúcsot, vagyis a válság kezdete óta fokozatosan csökken a magyarországi autók száma. Az első alkalommal forgalomba helyezett személygépkocsik esetében ez a visszaesés erőteljesebben jelenik meg, hiszen 2009-re, egy év alatt 57 százalékkal esett vissza az új autók értékesítése, amit a következő évben egy újabb negatív csúcs követett.

Az eladások volumene mára kismértékben növekedett, ez azonban még mindig jelentősen elmarad a korábbi évek átlagától. A fenti adatokat torzítja, hogy a statisztikák nem tartalmazzák az importált, hazai utakon használt, de külföldön forgalomba helyezett gépjárműveket. Fontosnak tartom kiemelni továbbá a forgalomba helyezés 2003-as kiugróan magas értékét, melynek háttere a következő fejezetben olvasható. A járműpark állományának és a forgalomba helyezés számának változása tükröződik a személygépkocsik életkorának változásában is. A viszonylag stabil értékesítés és a fokozatosan növekvő állomány mellett az autók átlagéletkora nem meglepő módon csökkent, majd a válság után visszatért a tíz évvel korábbi szintre.

A Magyar Gépjárműimportőrök Egyesülete (2012) szerint a személygépjármű

forgalomba helyezés volumene továbbra is messze elmarad attól a szinttől, ami az új

autókat értékesítő hálózatok talpon maradását biztosíthatja. A személyautók piacán

továbbra is a vállalati eladások meghatározók, ezek mértéke mára meghaladja a 70

(20)

14

százalékot. Ez egyben azt is jelenti, hogy a legnehezebb helyzetben a vidéki márkakereskedők vannak, hiszen a céges gépjárművásárlások legnagyobb hányada Budapestre koncentrálódik.

Szakemberek szerint a magyar gépjárműpiac egyik legnagyobb problémája, hogy az értékesítési hálózat az ezredforduló óta túlméretezett, legalább háromszorosa az indokoltnak. A legtöbb kereskedés az importőrök vagy gyártók által előírt minimális kereskedési és szerviztevékenységgel kezdett el működni, ez eredményezte a mai elaprózódott szerkezetet. A válság hatására a probléma megoldódni látszik, idővel a túlméretezett piac az egészséges méretre csökken (Pásztor, 2011). Ez persze csak a gépjármű-kereskedő vállalatok felszámolásával valósulhat meg.

2.3. G

AZDÁLKODÁSI PROBLÉMÁK

A téma kutatása közben több olyan újságcikkel is találkoztam, amelyben elismert autókereskedések vezetőivel készült interjú. A menedzserek szinte minden esetben kihangsúlyozták, hogy eddigi eredményeiket nehezen érték volna el biztos anyagi forrás nélkül. Ez a forrás pedig a saját visszaforgatott profiton túl, csak egy hitelintézettel együttműködve szerezhető meg.

A hitelintézetek és kereskedők közti kapcsolat mára olyannyira fontossá vált, nem csak a beruházási hitelek terén, hanem az ügyfelek tökéletes kiszolgálása érdekében is, hogy amíg a kilencvenes években még a vásárlók ingáztak a kereskedés és a hitelező között, addig ma szinte minden kereskedő szerződéses viszonyban áll egy hitelintézettel, és az autó megvásárlásakor azonnal megköthető a hitelszerződés is (Konkoly szerk., 2010).

A 2000-es évek elejére (lásd az 1. táblázat 2003-as kiugró adatát) a gépjármű- értékesítés volumene hatalmasra dagadt. Nem véletlen, hogy erre az időszakra az értékesítési technikák is fejlődtek, kialakult a többszintű, összehangolt marketingtevékenység. A tartósan magas jegybanki alapkamat kiküszöbölésére felmerült a deviza alapú finanszírozás lehetősége. A konstrukciót épp a gépjármű-finanszírozás fejlesztéseként vezették be, ami újabb nagy lendületet adott az autókereskedelemnek (Konkoly szerk., 2010).

A hitelintézetek az ezredforduló után a magánszemélyek és a kisvállalkozások

tömeges igényeinek kielégítésére standard finanszírozási konstrukciókat alakítottak ki. Ezt

a lépést a gépjármű-kereskedelem korábbi növekedési dinamikájára, a nyugat-európai

fogyasztási trendekre és finanszírozási mintákra alapozva tették meg. A

(21)

15

márkakereskedések az ügyfélszerzésért cserébe jutalékot kaptak a banktól, amely akár 8 százalék vagy annál magasabb is lehetett. Érthető tehát, hogy a kereskedők szorgalmazták a minél több autó hitelre történő értékesítését, amelynek köszönhetően minden tömegmárka forgalma megnőtt. A gépjármű vásárlások finanszírozása a hitelezők számára olyannyira nagy üzlet volt, hogy ezt a típusú hitelezést leányvállalataikba szervezték ki.

2005 után azonban az értékesítési darabszámok növekedése megtorpant. Erre válaszul a finanszírozók és a gyártók egyre vonzóbb feltételeket kínáltak, mint a nullaszázalékos önerő, tízéves futamidő, használtautó-beszámítási akciók vagy az ingyenes extrák (Pásztor, 2011).

Az említett deviza alapú finanszírozás szárnyalása – túl szép ahhoz, hogy igaz legyen alapon – véget ért. Ugyanez történt az autópiaci értékesítési darabszámainak évi 10- 20 százalékos növekedésével is (Konkoly szerk., 2010). A 2008-as év végén a kereskedelmi bankok többsége vagy kivonult a gépjármű-finanszírozás területéről vagy nagymértékben korlátozta a leányvállalata jogosítványait. Ezzel sok kereskedő számára egyik napról a másikra komoly problémává vált a készletfinanszírozás (Pásztor, 2011).

További probléma a lakosság felhalmozott, nagyrészt svájci frank alapú hitelállománya. A törlesztőrészletek megnövekedése mellett az is gondot jelent, hogy a frank alapú tőketartozás mértéke a legtöbb esetben jelentősen meghaladja az autó piaci értékét. Így az ilyen törlesztőrészletekkel rendelkező gépjármű tulajdonosok még évekig nem fognak tudni megszabadulni autójuktól, ezért újat sem fognak vásárolni (Magyar Gépjárműimportőrök Egyesülete, 2011a).

Véleményem szerint a gazdasági válság mellett a fent leírt folyamat is nagy szerepet játszott a gépjármű-kereskedők mai válságos helyzetének kialakulásában.

Ugyanakkor szakemberek állítják, hogy a gazdasági világválság és ennek következményeként az autópiac összeomlása olyan szükséges rossz volt, ami lezár egy korszakot és várhatóan megtisztítja a piacot (Konkoly szerk., 2010).

2.4. A

Z ÁGAZAT JÖVŐJÉVEL KAPCSOLATOS VÁRAKOZÁSOK

Napjainkban elterjedt, hogy a vásárlók egyre szélesebb körben tudnak mozogni a térben, és

akár európai uniós szinten is képesek feltérképezni a kínálatot. Ennek tudatában a

kereskedők maradhatnak a megszokott, hazai, független értékesítésnél, vagyis nem

társulnak hálózathoz vagy befektetői csoporthoz, azonban ezzel versenyhátrányba

kerülhetnek. Mindebből az következik, hogy a gépjármű-kereskedelem a versenyképesség

(22)

16

megőrzése érdekében nehezen, vagy alig fog tudni megszabadulni a gyártói nyomástól.

Továbbá a verseny kényszeríti a gépjármű-kereskedelmi hálózatot a korszerűsödésre, amely következében a kereskedések száma a jelenlegi túlkínálatból idővel a keresletnek megfelelő egyensúlyi állapotba csökken (Pásztor, 2011).

A Magyar Gépjárműimportőrök Egyesülete (2012a) sajtótájékoztató keretében számolt be a gépjármű-kereskedelem 2011-es eseményeiről és a jövőbeni várakozásairól.

Az Egyesület az értékesítési volumen lassú növekedése és az alacsony darabszámok ellenére optimistán áll a jövőhöz. A pozitív hozzáállást a 2012. évre vonatkozó előrejelzés is mutatja, mely szerint 52.000 darab értékesített személyautót várnak, ami az előző évhez képest 15 százalékos növekedést jelentene. A 2012. első kilenc hónapjára vonatkozó adatok szerint a piac a várakozásoknak megfelelően teljesít. Az eddigi összesített adatok 16 százalékos növekedést mutatnak az előző évhez viszonyítva (Magyar Gépjárműimportőrök Egyesülete, 2012b).

Az MGE a gépjármű-kereskedelem és a hozzá kapcsolódó szerviz tevékenység jövőjét a gazdaság kifehérítésében látja, mellyel a legális kereskedők és szervizek a jelenleginél több munkához juthatnak. Ehhez hozzájárulva, a legális javító és szolgáltató ágazat népszerűsítésére az Egyesület igyekszik a gépjárműveket üzemeletetők felé üzenni.

Például hangsúlyozza, hogy a márkaszervizek dolgozói folyamatos és magas szintű

képzéseken vesznek részt, illetve az általuk javított járművek nyújtják a legnagyobb

biztonságot utasai és más közlekedők számára is (Magyar Gépjárműimportőrök

Egyesülete, 2012b).

(23)

17

3. A Z ADATBÁZIS VIZSGÁLATA KLASSZIKUS MÓDSZEREKKEL

Az elméleti alapok és az ágazat bemutatása után igyekszem a csődmodelleket a gyakorlatban is alkalmazni. Mindezt saját minta segítségével teszem, amely a Dél- dunántúli régió gépjármű-kereskedelmeinek 2007. és 2011. évek közötti éves – általam lényegesnek tartott – mérleg és eredménykimutatás adatait tartalmazza. A vállalatok felkutatására az Opten Informatikai Kft. honlapján található TEÁOR szám szerinti keresőt használtam. Az adatbázis elkészítéséhez szükséges beszámolókat pedig a Közigazgatási és Igazságügyi Minisztérium Elektronikus beszámoló portáljáról

1

gyűjtöttem. Fontosnak tartom megjegyezni, hogy az elemzés során a beszámolók esetleges valótlanságától és a kreatív könyvelés lehetőségétől eltekintettem.

A vállalati minta 158 gépjármű-kereskedést tartalmaz, melyből nyolc vállalat megszűnt vagy felszámolás alatt van. Az online adatbázisok frissítésének gyakoriságából következtethető, hogy ez a szám mára megnövekedett, erre azonban bizonyíték sajnos nehezen szerezhető. A mintában szereplő kereskedések mindegyike 2007-ben vagy az előtt alakult, ennek oka egyrészt, hogy az elemzéshez használt programok nem tudják kezelni az üres cellákat. Másrészt, úgy gondolom, egy alig néhány éve működő vállalkozás nem rendelkezik elegendő beszámolóadattal egy ilyen jellegű elemzéshez, illetve a kezdő vállalkozások rendszerint veszteségesek, ami torzítaná az eredményt. A gyűjtés során nem tettem különbséget a vállalkozások cégformája között, illetve a tevékenységi körükben sem, így a minta tartalmazza mind a márkakereskedőket, mind a kizárólag használtautók értékesítésével foglalkozó kereskedéseket is. A beszámolók adatait és az ebből számított rátákat a 4-13. számú mellékletek tartalmazzák.

3.1. I

PARÁGI RÁTÁK ÉS VÁLTOZÁSAIK

A vállalatok vizsgálatához elsősorban az első magyarországi csődmodellhez felhasznált mutatószámokat használom, kiegészítve az ágazat szempontjából általam fontosnak vélt mutatókkal. Virág Miklós modelljének minden mutatója nem használható fel, mert a mintában szereplő vállalkozások nagy része egyszerűsített éves beszámolót készít, ami néhány mutató kiszámításához nem elég részletes.

Az általam használt mutatószámok a következők:

1 http://e-beszamolo.kim.gov.hu/

(24)

18

1. Pénzeszközök aránya = (pénzeszközök + értékpapírok) / forgóeszközök

2. Likviditási gyorsráta = (forgóeszközök – készletek) / rövid lejáratú kötelezettségek 3. Likviditási ráta = forgóeszközök / rövid lejáratú kötelezettségek

4. Eszközök forgási sebessége = nettó árbevétel / összes eszköz 5. Készletek forgási sebessége = nettó árbevétel / készletek

6. Árbevétel arányos nyereség = mérleg szerinti eredmény / nettó árbevétel 7. Saját tőke arányos nyereség = mérleg szerinti eredmény / saját tőke 8. Eszközhatékonyság = mérleg szerinti eredmény / összes eszköz 9. Forgóeszközarány = forgóeszközök / összes eszköz

10. Tartósan befektetett eszközök aránya = befektetett eszközök / összes eszköz 11. Tulajdonosi arány = saját tőke / összes eszköz

12. Adósság ráta = kötelezettségek / összes eszköz

13. Rövidtávú adósság ráta = rövid lejáratú kötelezettségek / összes eszköz 14. Hosszú távú adósság ráta = hosszú lejáratú kötelezettségek / összes eszköz 15. Működési profithányad = üzemi (üzleti) eredmény / nettó árbevétel

16. Lekötött tőke hatékonysága = nettó árbevétel / saját tőke 17. ROA = adózott eredmény / összes eszköz

18. ROE = adózott eredmény / saját tőke

19. Kölcsöntőke–részvénytőke aránya = hosszú lejáratú kötelezettségek / jegyzett tőke

Az egyes vállalkozások mutatóinak évenkénti vizsgálata hosszadalmas és felesleges

lenne, hiszen nem adna átfogó képet az iparág helyzetéről. Ezért a mutatókat, a Virág

Miklós – Dóbé Sándor (2005) szerzőpáros tanulmányában látható módon, a beszámolók

aggregált értékeiből számítottam. A Dél-dunántúli régió elmúlt öt éves beszámolóadataiból

számolt mutatószámok a 1. számú mellékletben találhatók. A táblázat utolsó oszlopa a

mutatószámok 2007. és 2011. évek közti különbségét, vagyis a mutatók változását

tartalmazza százalékos formában. Ugyanezt a változást kiszámítottam a megyékre bontva

is, amely teljes részletességgel a 2. számú mellékletben található. A könnyebb

összehasonlíthatóság érdekében – a mellékletekből kiemelve – a legfontosabb és

legszembetűnőbb változásokat mutató rátákat az alábbi táblázat foglalja össze.

(25)

19

2. Táblázat: A mutatószámok értékének százalékos változása

Mutatószám Régió Baranya Somogy Tolna

Pénzeszközök aránya -4,17% -0,03% -0,38% -14,81%

Likviditási gyorsráta -2,86% -5,20% -10,59% 23,83%

Likviditási ráta -10,79% -21,29% -13,86% 25,17%

Eszközök forgási sebessége -46,66% -44,32% -59,96% -29,70%

Készletek forgási sebessége -4,06% 9,33% -109,16% 110,65%

Saját tőke arányos nyereség -28,10% -50,69% -11,92% -48,13%

Forgóeszközarány -14,11% -10,98% -13,81% -14,95%

Tartósan befektetett eszközök aránya 14,33% 13,05% 12,32% 14,61%

Adósság ráta -2,87% 7,84% -7,98% -10,13%

Rövidtávú adósság ráta -8,51% 1,56% -7,12% -26,49%

Hosszú távú adósság ráta 4,18% 3,72% -1,21% 14,66%

Lekötött tőke hatékonysága -214,97% 14,77% -202,26% -483,88%

ROA -9,86% -10,97% -7,55% -13,02%

ROE -33,73% -50,65% -18,41% -62,48%

Kölcsöntőke–részvénytőke aránya 71,84% 139,30% -100,00% -61,19%

Forrás: Saját szerkesztés

A táblázatban szereplő mutatók változása az aggregálás következtében a régió illetve a megyék szintjén végbement átlagos változást mutatják. A vizsgált közel 160 vállalkozás nem egyenletesen oszlik el a három megye között, ez azonban a ráták értelmezhetőségét nem befolyásolja.

A pénzeszközök aránya, illetve a likviditási mutatók értéke – Tolna megye kivételével – romló tendenciát mutat, vagyis a vállalkozások többsége egyre kevésbé lenne képes önerőből fedezni a rövid lejáratú kötelezettségeit.

Az eszközök forgási sebessége jelentősen gyengült, ami a csökkenő árbevétel következménye lehet. A készletek forgási sebességének változása megyénként eltérő képet mutat. A ráta növekedése és csökkenése véleményem szerint egyaránt negatív folyamatok eredménye. A beszámolók adataiból könnyen kiolvasható, hogy sok kereskedés minimalizálta vagy akár meg is szüntette a készleteit, például bizományosi értékesítésre való áttéréssel, amivel jelentősen csökkenthette a készletbeszerzési költségeit és a készlettartással járó kockázatot is. Ennek eredményeként a forgási sebesség megnőtt, hiszen a nevezőben lévő készletek mennyisége minimális. A forgási sebesség csökkenésének oka pedig a gyengülő árbevétel lehet, ami a készletek felhalmozódásával párosulhat, ezzel tovább rontva a mutató értékét.

A saját tőke arányos nyereség mind megyei, mind a régió szintjén jelentős

gyengülést mutat, ami több más mutatóhoz hasonlóan a csökkenő árbevétel

következménye. Megjegyzendő ugyanakkor, hogy a mutató értéke nem minden esetben ad

(26)

20

valós képet, hiszen, ha a mérleg szerinti eredmény és a saját tőke is negatív, akkor fals javulást mutat ki. Ez a mintában szereplő vállalatok nagyon kis részét érinti, ezért iparági szinten nem befolyásolja a mutató eredményét.

Szintén a készletminimalizálást bizonyítja, hogy a forgóeszközök arányának változása is negatív. A tartósan befektetett eszközök arányának pozitív irányú változását véleményem szerint csak kismértékben okozta a befektetett eszközök állományának növekedése. A mutató javulása inkább annak köszönhető, hogy a forgóeszközök csökkenésével a mérlegfőösszeg nagyobb hányada jut a befektetett eszközökre.

Az adósság ráták nagyon vegyes képet mutatnak. A mutatók változásából könnyen megfigyelhető, hogy a Baranya megyében működő kereskedések adósságállománya nőtt, míg a másik két megyében csökkent. Hasonló tendenciát mutat a kölcsöntőke és a részvénytőke aránya is. Tehát ez azt jelenti, hogy a Baranya megyei gépjármű- kereskedések nagyobb mértékben vannak eladósodva, mint amelyek Somogy vagy Tolna megyében működnek. Az adósságszint csökkenése vagy növekedése azonban több szempont szerint is vizsgálható, így nem elegendő egy ilyen egyszerű összefüggés megállapítása. Ha magára az adósság állományára gondolunk, akkor annak csökkenése kedvező lehet. Ezzel szemben, ha a csökkenéssel olyan források esnek ki a vállalat finanszírozásából, ami a működést veszélyezteti, akkor az adósság csökkenése negatív hatású. Mivel az adósság ráták változásának oka több tényezőből tevődik össze, ezért iparági szinten nehéz vizsgálni. Reális következtetést csak az egyes vállalatok esetében, kiegészítő információk mellett lehet levonni.

A lekötött tőke hatékonyságát mérő mutató változása a legkiugróbb érték a táblázatban. A régió szintjén és Somogy megyében több, mint 200 százalékos, Tolna megyében pedig közel 500 százalékos a mutatószám csökkenése. Ennek oka, hogy a nettó árbevétel 2011-ben a töredéke volt a 2007. évinek. Baranya megye esetén az árbevétel és a saját tőke párhuzamosan csökkent, ezért a mutató nem változott jelentősen.

Az eszközarányos nyereség a többi mutatóhoz hasonlóan romlott, vagyis átlagosan a vállalatokba fektetett eszközök megtérülésének hatásfoka gyengült. Ugyanez mondható el a részvénytőke jövedelemgeneráló képességéről a ROE mutatók változása alapján.

Mindkét mutató az adózott eredményhez köthető, így több korábbi mutatóhoz hasonlóan az

árbevétel csökkenésével hozható kapcsolatba a ROA és ROE értékének gyengülése.

(27)

21

3.2. A

KERESKEDÉSEK VIZSGÁLATA KLASSZIKUS CSŐDMODELLEKKEL

Egy ágazat-specifikus csődmodell kialakítása előtt fontosnak tartom, hogy a modell helyességének vizsgálatához legyen valamilyen viszonyítási alap. Ehhez a már korábban tárgyalt klasszikus csődmodelleket használom. Meg kell azonban jegyezni, hogy ezek a modellek amerikai vállalatformára készültek, ezért magyar vállalatok esetén csak kisebb változtatásokkal alkalmazhatóak. Véleményem szerint ezek a változtatások nem jelentenek túl nagy eltérést a végeredmény tekintetében.

Az elméleti áttekintés összehasonlító ábrája három modellt tartalmaz, ebből azonban csak kettőt használok fel az elemzés során. Ennek oka, hogy a Fulmer modell olyan mutatókat használ, amelyhez a hazai beszámolókban nem találunk adatot, gondolok itt a cash flow értékére és a kamatra. A fent említett kisebb változtatásokkal ellentétben ezt olyan mértékűnek ítéltem meg, ami jelentősen rontaná a modell használhatóságát.

3.2.1. Altman modell

Mivel az adatbázisban szereplő gépjármű-kereskedések nem tőzsdei cégek, ezért az ennek megfelelő Altman modellt alkalmazom. Az egyszerűsített beszámolók adattartalmához igazodva a modellben alkalmazott forgótőkét a nettó forgótőkével, vagyis a forgóeszközök és a rövid lejáratú kötelezettségek különbözetével helyettesítem. Továbbá a szükséges EBIT értéke a magyar beszámolókban megfeleltethető az üzemi (üzleti) eredménynek, a többi esetben pedig csak az elnevezések változnak. Ennek megfelelően a modell mutatószámai és azok súlyai a következők:

­ 0,717 * nettó forgótőke / összes eszköz

­ 0,847 * mérleg szerinti eredmény / összes eszköz

­ 3,107 * üzemi (üzleti) eredmény / összes eszköz

­ 0,42 * jegyzett tőke / kötelezettségek

­ 0,998 * értékesítés nettó árbevétele / összes eszköz

A modell értékeit táblázatkezelő program segítségével határoztam meg. Az alábbi

táblázat a kapott értékek szerint csoportosítja a vállalatokat a korábban tárgyalt három

besorolási sávnak megfelelően.

(28)

22

3. Táblázat: Az Altman modell eredménye

Zónák 2007 2008 2009 2010 2011

Veszély (Z<=1,23) 35 35 52 55 59

Szürke (1,23<Z<=2,9) 52 57 53 39 38

Biztonságos (Z>2,9) 71 66 51 58 53

Összesen 158 158 156 152 150

Forrás: Saját szerkesztés

A táblázatból kiolvasható, hogy a modell szerint 2007-ben még csak 35 vállalkozás volt csődveszélyben, ez a szám 2011-re már 59-re nőtt. Ez a növekedés egyértelműen a biztonságos zónából való kikerülés következménye. A szürke zóna, vagyis a bizonytalan helyzettel rendelkező vállalkozások száma csökkent. Ennek okát az ágazatban megjelenő szélsőségekben látom, vagyis mára egy vállalkozás leginkább vagy stabilan működik, vagy a fennmaradásért küzd. A besorolás elemzésekor figyelembe kell venni azt is, hogy az öt év alatt nyolc vállalkozás megszűnt, ami feltehetően a veszély zónába sorolt értéket növelné. Ennek ellenére úgy gondolom, hogy a kapott eredmények egyértelműen tükrözik a gépjármű-kereskedelemben végbemenő negatív folyamatokat. A fent leírtakat jól szemlélteti a 2. ábra is. Látható, hogy a 2009-es év egy kritikus pont, ekkor a veszély zónában lévő vállalkozások száma hirtelen megugrott, illetve a biztonságos zónában lévők állománya is jelentősen csökkent.

2. ábra: Az Altman modell eredményének szemléltetése Forrás: Saját szerkesztés

Veszély (Z<=1,23)

Szürke (1,23<Z<=2,9)

Biztonságos (Z>2,9)

(29)

23 3.2.2. Springate modell

Az előző esethez hasonlóan, a Springate modell mutatószámait is a forgótőke és az EBIT meghatározásában kell módosítani. Így az alkalmazott modell az alábbiak szerint épül fel:

­ 1,03 * nettó forgótőke / összes eszköz

­ 3,07 * üzemi (üzleti) eredmény / összes eszköz

­ 0,66* adózás előtti eredmény / rövid lejáratú kötelezettségek

­ 0,4 * értékesítés nettó árbevétele / összes eszköz

Az eredmény értelmezése a modell esetén egyszerű, hiszen egyetlen értéket jelöl ki választópontnak. Springate modellje szerint, ha a kapott érték kisebb, mint 0,862, akkor a vállalat nagy valószínűséggel fizetésképtelen (Fazekas, 2007). A Dél-dunántúli régió személygépjármű-kereskedéseinek besorolása a Springate modell segítségével az alábbiak szerint alakul.

4. Táblázat: A Springate modell eredménye

Zónák 2007 2008 2009 2010 2011

Fizetésképtelen (Z<0,862) 52 62 87 85 89

Fizetőképes (Z>=0,862) 106 96 69 67 61

Összesen 158 158 156 152 150

Forrás: Saját szerkesztés

Mivel ez a modell egyetlen kritikus pontot vesz figyelembe, ezért a vállalatok ennek

megfelelően fizetésképtelen és fizetőképes csoportba sorolhatók. A kapott Z értékek

alapján az Altman modellnél megfigyelt tendencia még látványosabb. A fizetésképtelen

vállalkozások száma a megfigyelt öt évben látványosan nőtt. 2007-ben még csak a

kereskedések mintegy 33 százaléka volt csőd közeli állapotban, 2011-re ez az arány már

elérte a 60 százalékot. A jobb szemléltethetőség érdekében a táblázat értékeit diagram

segítségével is ábrázoltam (3. ábra). Az előző diagramhoz hasonlóan itt is a 2009-es év

jelenti a választópontot, amikor közel 30 vállalkozás került át a fizetőképes csoportból a

fizetésképtelenek közé. Mindez a gazdasági válság hatásának és a gépjárműpiac

telítődésének tudható be.

(30)

24

3. ábra: A Springate modell eredményének szemléltetése Forrás: Saját szerkesztés

A fenti elemzéseket összegezve, a mutatószámok változása, illetve az Altman és a Springate modell eredménye egyaránt azt mutatja, hogy a személygépjármű- kereskedelemben végbement negatív irányú változások az ágazatban működő vállalkozások pénzügyi eredményeiben is tükröződnek.

Fizetésképtelen (Z<0,862)

Fizetőképes (Z>=0,862)

(31)

25

4. C SŐDMODELL - KÍSÉRLET A D ÉL -D UNÁNTÚLI RÉGIÓ AUTÓKERESKEDELMÉRE VETÍTVE

Az általános csődmodellek eredményének vizsgálata után megkísérlek egy saját csődmodellt kialakítani a régió gépjármű-kereskedelmeire vonatkozóan. Ezzel célom, hogy kimutassam, melyek azok a mutatószámok, amelyekben leginkább eltérnek a csőd közeli és a jól működő kereskedések. Valamint ezek a mutatószámok mennyiben térnek el az adatbázison lefuttatott Altman és Springate modellek rátáitól. Illetve igyekszem meghatározni a kapott modell hatékonyságát is, vagyis az egyes csoportokba való besorolás helyességét. Az adatbázis előkészítéséhez táblázatkezelő (MS Office Excel), a modell meghatározásához pedig statisztikai elemző (SPSS) programot használok.

4.1. A

LKALMAZOTT STATISZTIKAI MÓDSZEREK

Elemzésem során a csődmodellezés szakirodalmában legleterjedtebb matematikai- statisztikai módszereket, a diszkriminancia-analízist és a logisztikus regressziót alkalmazom. A továbbiakban e két módszer lényegét mutatom be.

4.1.1. Diszkriminancia-analízis

Diszkriminancia-analízis során a megfigyeléseket, szeretnénk valamilyen csoportosító ismérv alapján megkülönböztetni, csoportosítani. A folyamat során minden csoport esetében egy diszkriminancia függvény jön létre, amely a megfigyelt változók lineáris kombinációjaként számítható ki (Füstös et al., 1986).

A gyakorlatban a módszer legtöbbször egy adott csoportosítás elbírálására szolgál.

A módszer alkalmazásakor arra keressük a választ, hogy a csoportok tagjai melyik változók tekintetében különböznek egymástól a legjobban, illetve, hogy mi a fontossági sorrend a változók között (Virág, 1996). A legjobb eredményt a stepwise algoritmus alkalmazásával kapjuk, amellyel a változók lépésenként, a magyarázó erő sorrendjében kerülnek a függvénybe.

A csődelőrejelzésben a diszkriminancia-analízis a csődös és nem csődös vállalatok

különbözőségét tudja kiemelni. Vagyis megmutatja, hogy melyek azok a mutatószámok,

amelyek értéke a leginkább különbözik a csődös és nem csődös vállalkozások esetében.

(32)

26

A módszer alkalmazásakor minden egyes vállalkozás adatait behelyettesítjük a létrejövő diszkriminancia függvényekbe, és abba a csoportba soroljuk, amelynél magasabb Z értéket kapunk. A függvény az alábbiak szerint épül fel (Virág, 1996):

Z = a

0

+ a

1

X

1

+ a

2

X

2

+ a

3

X

3

+ … + a

n

X

n

, (3) ahol

a

0

= konstans tag

a

1,

a

2,

a

3

, … a

n

= diszkrimináló koefficiensek (súlyok) X

1

, X

2

, X

3

, … X

n

= független változók

4.1.2. Logisztikus regresszió

A logisztikus regresszió tulajdonképpen klasszifikálás, amely során meghatározott csoportok egyikébe soroljuk be az egyedeket úgy, hogy nem tudjuk előre, valójában melyik csoportba tartozik. Az eljárás során az egyedek olyan tulajdonságaira támaszkodunk, melyek korábbi empirikus megfigyelések alapján relevánsak a csoportok megkülönböztetését illetően (Hajdu, 2003).

A logisztikus regresszió két, egymást kölcsönösen kizáró kategória bekövetkezési esélyeinek (odds) egymáshoz való arányát modellezi. Tehát a diszkriminancia-analízis egy alternatívájának is tekinthetjük. Előnye, hogy nem követeli meg a változók normalitását, illetve egyidejűleg figyelembe veszi a diszkrét és folytonos változókat is (Virág, 1996).

A logisztikus regresszió alapfeltevése, hogy a siker és a kudarc egymáshoz viszonyított arányának logaritmusa a magyarázó változók lineáris függvénye. A modell tehát ebben az esetben egyetlen függvény lesz, amely a következő (Hajdu, 2003):

(4) ahol:

β

0

= konstans tag

β

j

= regressziós paraméterek

x

j

= független változók (pénzügyi mutatók);

A „P” érték megegyezik a siker valószínűségével. A későbbiekben látható lesz, hogy a valószínűség változtatásával változtatható a modell besorolási pontossága. Ennek oka, hogy a „P” érték a vízválasztó, un. vágási pont a két besorolási csoport között. Vagyis az

0 1 1 0 1 1

1

p p p p

x x

x x

P e

e

Ábra

1. ábra: Az Altman-, Springate- és Fulmer-modell mutatószámainak összehasonlítása  Forrás: Saját szerkesztés Arutyunjan (2002) alapján
1. Táblázat: A magyarországi személygépkocsik számának és életkorának alakulása  (2000-2011)  év  Dél-Dunántúlon nyilvántartott  személygépkocsik  száma (db)  Magyarországon nyilvántartott  személygépkocsik száma (db)  Magyarországon első alkalommal forgal
2. Táblázat: A mutatószámok értékének százalékos változása
2. ábra: Az Altman modell eredményének szemléltetése  Forrás: Saját szerkesztés
+7

Hivatkozások

KAPCSOLÓDÓ DOKUMENTUMOK

tanévben az általános iskolai tanulók száma 741,5 ezer fő, az érintett korosztály fogyásából adódóan 3800 fővel kevesebb, mint egy évvel korábban.. Az

(Véleményem szerint egy hosszú testű, kosfejű lovat nem ábrázolnak rövid testűnek és homorú orrúnak pusztán egy uralkodói stílusváltás miatt, vagyis valóban

A területfejlesztés castilla y leóni és a dél-dunántúli vizsgálata során összehasonlítottam a két régió gazdaságföldrajzi, demográfiai és gazdasági

Legyen szabad reménylenünk (Waldapfel bizonyára velem tart), hogy ez a felfogás meg fog változni, De nagyon szükségesnek tar- tanám ehhez, hogy az Altalános Utasítások, melyhez

Az akciókutatás korai időszakában megindult társadalmi tanuláshoz képest a szervezeti tanulás lényege, hogy a szervezet tagjainak olyan társas tanulása zajlik, ami nem

Az olyan tartalmak, amelyek ugyan számos vita tárgyát képezik, de a multikulturális pedagógia alapvető alkotóelemei, mint például a kölcsönösség, az interakció, a

Nagy József, Józsa Krisztián, Vidákovich Tibor és Fazekasné Fenyvesi Margit (2004): Az elemi alapkész- ségek fejlődése 4–8 éves életkorban. Mozaik

A „bárhol bármikor” munkavégzésben kulcsfontosságú lehet, hogy a szervezet hogyan kezeli tudását, miként zajlik a kollé- gák közötti tudásmegosztás és a