scarica il file pdf - Dipartimento di Economia Università degli Studi di
Transcript
scarica il file pdf - Dipartimento di Economia Università degli Studi di
ISSN 1825-0211 LA CAPACITÀ PREDITTIVA DEGLI INDICATORI DI BILANCIO: UNA VERIFICA SULLE AZIENDE UMBRE Francesca PIERRI — Alberto BURCHI Elena STANGHELLINI Quaderno n. 92 — Giugno 2011 QUADERNI DEL DIPARTIMENTO DI ECONOMIA, FINANZA E STATISTICA La capacità predittiva degli indicatori di bilancio: una verifica sulle aziende umbre Francesca Pierri Dipartimento di Economia, Finanza e Statistica, Università di Perugia Alberto Burchi Dipartimento di Discipline Giuridiche ed Aziendali, Università di Perugia Elena Stanghellini Dipartimento di Economia, Finanza e Statistica, Università di Perugia ∗ JEL Classification: G21, G33, C25, D22 Parole chiave: analisi di bilancio, rischio di credito, regressione logistica condizionata, caso-controllo 1 Introduzione L’attività di risk management da sempre si confronta con il rischio di default. Esso si materializza quando il debitore non è in grado di rispettare le scadenze previste nei termini contrattuali, riguardanti sia il rimborso dei capitali che il pagamento di interessi. A partire dalla seconda metà degli anni ’60, grazie ai lavori pioneristici di Beaver (1966) e Altman (1968), il metodo di misurazione del rischio di credito è variato, cominciando a comparire strumenti automatizzati basati su tecniche statistiche (Sironi e Resti, 2008, cap. 11). Da allora, sofisticate metodologie statistiche, originate in contesti diversi, sono state raffinate e adattate alla misurazione del rischio di credito, una rassegna è in Stanghellini (2009, cap. 1). Più in generale, come testimonia la recente monografia di De Laurentis e Maino (2009), strumenti automatizzati sono ormai correntemente utilizzati nel processo di assunzione, gestione e controllo del rischio di credito. La centralità delle piccole e medie imprese nel tessuto industriale di alcuni paesi sviluppati, fra cui l’Italia (Lusignani e Sironi, 1999), rende necessaria una indagine sulla capacità degli indicatori di bilancio di misurare lo stato di salute delle aziende e di prevederne, con anticipo adeguato, l’evento fallimento. La ricerca accademica è unanime nell’evidenziare l’esigenza di costruire, a partire dalle poste di bilancio, un insieme di indicatori della performance di breve o di lungo periodo (Montrone, 2005) ed ha pertanto prodotto nel corso degli anni una moltitudine di indici con obiettivi conoscitivi diversi e particolareggiati. Tuttavia, la pluralità di indicatori a disposizione di chi deve analizzare il bilancio e, in particolare, stimare il rischio di default, non corrisponde ad un altrettanto ∗ Gli autori intendono ringraziare il Prof. Alessandro Montrone per la costruttiva collaborazione e gli interessanti commenti utili alla interpretazione delle analisi svolte e la Prof.ssa Paola Musile Tanzi per aver letto il manoscritto e per aver fornito preziosi suggerimenti. 1 vasto insieme di fenomeni osservabili. In altri termini, esiste un effetto di sostituzione tra le variabili economiche, indotto dalla loro correlazione, di cui occorre tenere conto. Diversi studi hanno esplorato la sopravvivenza e il fallimento delle piccole medie imprese in varie nazioni, si veda, negli anni più recenti, Huyhebaert e altri (2000); Watson (2003); Pompe e Bilderbeek (2005). Una estesa rassegna della letteratura è rinvenibile in Altman e Hotchkiss (2006); si veda anche Altman e Sabato (2007). L’obiettivo di questo lavoro è verificare, con metodi statistici rigorosi e con riferimento alle società di capitale umbre, la reale capacità predittiva degli indici di bilancio e indicare quale sottoinsieme sia in grado di descrivere più accuratamente lo stato di salute di una azienda. La ricerca di accuratezza attraverso la competenza geografica o la specializzazione settoriale dei modelli è ancora dibattuta. Alcuni studiosi si concentrano verso la specializzazione settoriale (Altman e altri, 1994; Friedman e altri, 2003; Standard e Poor’s, 2002) mentre altri sviluppano modelli la cui validità è garantita nell’area geografica di provenienza dei dati. Dal punto di vista statistico, un’analisi su un campione omogeneo dal punto di vista sia settoriale che territoriale potrebbe non essere affidabile a causa della scarsa numerosità delle aziende fallite. Una via d’uscita, proposta da alcuni autori come Roggi e Giannozzi (2008), è la creazione di macro settori economici. In queso lavoro si è voluto tenere conto sia della specializzazione geografica, riferendosi a società di capitali di una sola regione italiana, che della specializzazione settoriale, utilizzata nel corso dell’analisi come criterio di stratificazione delle aziende stesse. La popolazione aziendale umbra offre un piano di indagine peculiare, in considerazione della elevata presenza di piccole e medie imprese e di un’economia rivolta alla domanda interna, la cui capacità di crescita non dipende dalla competizione nel mercato aperto, ma dai flussi di spesa privata e pubblica, caratteristica che rende le aziende più facilmente esposte alla crisi (Bracalente, 2010). In un panorama cosı̀ delineato, il sostegno da parte del mondo del credito diventa di importanza cruciale ed è pertanto rilevante chiarire le criticità e definire i criteri di intervento. Il lavoro è cosı̀ suddiviso: nel paragrafo due viene esposta la metodologia adottata, nel paragrafo tre viene riportata l’analisi del campione di dati e l’applicazioni del modello di analisi, nel paragrafo quattro sono descritti ulteriori approfondimenti, il quinto paragrafo comprende l’interpretazione economica delle variabili considerate più significative nel processo di valutazione dello stato di salute aziendale mentre nel sesto ed ultimo paragrafo vengono esposte le conclusioni del lavoro. 2 Modello logistico per studi caso-controllo I dati per questa analisi sono stati estratti dalla Banca Dati AIDA. Sono state prese in considerazione le aziende umbre con ricavi delle vendite maggiori o uguali a 0 nell’anno 2006. Per queste stesse aziende a maggio 2010 si è estratto lo stato giuridico. La distribuzione rispetto allo stato giuridico al maggio 2010 è riportata nella Tabella 1. Dal momento che il fallimento di una azienda è un evento raro (solo l’1% delle imprese umbre risulta in fallimento), le stime ottenute attraverso tecniche statistiche sui dati longitudinali risentono della scarsa informazione sull’evento in studio e sono pertanto instabili; si veda King e Zeng (2001). Esistono tuttavia varie tecniche per per ovviare a questo inconveniente, una rassegna è in Stanghellini (2009, cap. 3). In questo lavoro si è utilizzato il modello statistico per studi caso-controllo. Si è preso in considerazione come casi le 59 ditte in fallimento e di affiancare a queste i controlli scelti fra le 6103 attive, con criteri di seguito discussi. Sono stati formati gruppi omogenei di unità, detti 2 Tabella 1: Distribuzione delle aziende in base allo stato giuridico Stato Ditta Ditta Ditta Ditta giuridico attiva in fallimento in liquidazione inattiva Frequenza 6103 59 324 32 Percentuale 93.63 0.91 4.97 0.49 strati, e si è affiancato ad ogni caso uno o più controlli all’interno dello strato. Gli strati, generalmente, sono formati sulla base di variabili che si ritiene siano associate con la variabile risposta e che sono considerate come fattori di disturbo ai fini dell’analisi che si vuole effettuare. Ad esempo, negli studi epidemiologici, le variabili più frequentemente usate a questo scopo sono l’età ed il sesso, che hanno una potenziale influenza sulla risposta, ma sulle quali non si può pensare nessun tipo di intervento. Nell’ambito di questa applicazione di tipo economico, dove il soggetto è rappresentato dall’azienda, sono state prese in considerazione, per formare gli strati, il codice ATECO e la forma giuridica. A ogni unità statistica si associa una variabile casuale binaria Y , che misura l’evento fallimento, o default. All’interno di ciascuno strato si individuano i soggetti/aziende che rappresenteranno i casi (Y = 1), le aziende fallite, ed i controlli (Y = 0), le aziende attive. In genere si sceglie un numero fisso di controlli che va da 1 a 5, anche se il numero dei controlli può variare all’interno di ciascuno strato. Si definisca con K il numero di strati, con n1k i casi e con n0k i controlli nello strato k, per k=1,2,...,K. Il modello logistico specifico per ciascuno strato sarà dato da: 0 eαk +β x P (Y = 1 | x) = πk (x) = 0 1 + eαk +β x (2.1) dove αk rappresenta il contributo di tutti i termini costanti (ovvero le variabili utilizzate per la stratificazione) all’interno del k-esimo strato e β il vettore dei p coefficienti, β 0 =(β1 , β2 , ..., βp ). Si verifica agevolmente che il modello (2.1) impone un effetto lineare delle variabili sul logaritmo dell’odds 1 che un impresa sia in fallimento. Se si considerano i parametri αk , specifici dello strato, come termini di disturbo sui quali non vi è interesse conoscitivo, si può pensare di eliminarli dall’insieme dei parametri sui quali si vuole fare inferenza. Questo è ottenuto attraverso metodi di inferenza condizionata, che permettono di giungere a stime dei coefficienti di inclinazione βj che sono consistenti e distribuiti in modo asintoticamente normale. I dettagli matematici si trovano in Cox e Hinkley (1974, cap.9), i dettagli applicativi sono in Hosmer e Lemeshow (2000, cap.7). La verosimiglianza condizionata per il k-esimo strato è ottenuta come la probabilità del verificarsi della configurazione di casi e controlli dello strato, condizionata al numero n1k e n0k di casi e controlli. Ad esempio, per un modello 1-3( in cui il rapporto fra i casi e i controlli è 1 su 3) si denotino i valori delle covariate nello strato k con xk1 per il caso e con xk2 , xk3 , xk4 per i controlli. Il contributo alla verosimiglianza dello strato k è dato dalla seguente espressione: 0 lk (β) = 0 eβ xk1 eβ xk1 0 0 0 + eβ xk2 + eβ xk3 + eβ xk4 1 (2.2) Si definisce odds di un evento A il rapporto fra la probabilità che A si verifichi (P (A)) e la probabilità che A non si verifichi (1-P (A)). 3 Dati i valori dei coefficienti, la (2.2) fornisce la probabilità che condizionatamente a tutte le possibili assegnazioni di 1 caso e 3 controlli all’interno dello strato, il soggetto con i dati osservati xk1 sia il caso. Maggiori dettagli in Hosmer e Lemeshow (2000, pag. 225). Si noti che se le covariate sono identiche per tutti e quattro i soggetti, allora lo strato risulta essere non informativo per la stima dei coefficienti, visto che lk (β)=0.25 per ogni valore di β. Per una singola covariata ci deve essere almeno un controllo che abbia un valore diverso dal caso, altrimenti lo strato non risulterà informativo per quel coefficiente. Per questo motivo, alcuni autori suggeriscono di far precedere l’analisi multivariata da modelli univariati e di osservare la stima degli errori standard e degli intervalli di confidenza (Hosmer e Lemeshow, 2000, pag. 231). Inoltre, alcuni software, fra cui SAS 9.2 utilizzato per l’analisi dei dati, mettono a disposizione comandi specifici per massimizzare la verosimiglianza condizionata e forniscono indicazione sul numero degli strati non informativi non utilizzati nel processo di stima. 3 Analisi dati Come detto, dal punto di vista metodologico, si è optato per l’applicazione del modello logistico condizionato. A questo proposito è opportuno chiarire che la Banca Dati AIDA non dà la possibilità di conoscere lo stato giuridico di un’azienda relativamente ad ogni anno. Quando lo stato giuridico di un’azienda cambia, questa voce viene aggiornata nel database non lasciando traccia della data di modifica. Per esemplificare, per le aziende attive nel 2006 che a maggio 2010 risultano fallite, non si conosce in quale anno queste siano fallite (si conosce solo il fatto che l’evento è accaduto fra il 2006 e il 2010). Questa censura non permette di utilizzare metodi di sopravvivenza, che sarebbero altrettanto informativi per lo studio in corso. La ricerca accademica (Roggi e Giannozzi, 2008), inoltre, ha evidenziato la presenza di un ritardo tra la disponibilità del bilancio di esercizio e il verificarsi dell’evento fallimento. Ciò è dovuto alla prassi aziendale, in ottemperanza alle norme civilistiche e fiscali, di rendere disponibili i bilanci di esercizio circa sei mesi dopo la chiusura dell’esercizio stesso. Per questa ragione molti modelli considerano il bilancio di esercizio di due anni precedenti al fine di valutare la probabilità di default dell’azienda: ad esempio, si analizza il bilancio 2005 per valutare la probabilità di default dell’azienda nel 2007. La scelta da noi compiuta di analizzare i bilanci del 2006 considerando le aziende fallite nel più ampio arco temporale successivo fino al 2009 è dunque coerente. La lista delle variabili considerate, in via preliminare, è in Tabella 2. Per formare gli strati inizialmente sono state prese in considerazione le seguenti variabili: • prime due cifre del codice ATECO; • forma giuridica; • totale immobilizzazioni anno 2006; • costo del personale; • salari e stipendi. 4 Tabella 2: Elenco delle variabili utilizzate per le analisi N 1 2 3 4 5 6 7 8 9 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 5 6 Nome variabili Anagrafica, ricavi e utili Ragione Sociale Numero CCIAA ATECO 2007 Codice Anno Costituzione Provincia Stato Giuridico Forma Giuridica Ricavi delle vendite migl. EUR 2006 Utile Netto migl. EUR 2006 Indici finanziari Costo denaro a prestito (%) 2006 Debiti v/banche su fatt. (%) 2006 Debt/EBITDA ratio 2006 Debt/Equity ratio 2006 Grado di ammortamento 2006 Grado di copertura degli interessi passivi 2006 Grado di indip. da terzi 2006 Indice di copertura delle immob. (finanziario) 2006 Indice di copertura delle immob. (patrimoniale) 2006 Indice di disponibilità 2006 Indice di indebitam. a breve 2006 Indice di indebitam. a lungo 2006 Indice di indip. Finanz. (%) 2006 Indice di liquidità 2006 Oneri finanz. su fatt. (%) 2006 Posizione finanziaria netta migl. EUR 2006 Rapporto di indebitamento 2006 Indici della gestione corrente Durata Ciclo Commerciale (gg) 2006 Durata media dei crediti al lordo IVA (gg) 2006 Durata media dei debiti al lordo IVA (gg) 2006 Rotaz. cap. cir. lordo (volte) 2006 Rotaz. cap. investito (volte) 2006 Incidenza circolante operativo (%) 2006 Indicidi redditività EBITDA/Vendite (%) 2006 Redditività del capitale proprio (ROE) (%) 2006 Redditività delle vendite (ROS) (%) 2006 Redditività di tutto il capitale investito (ROI) (%) 2006 Incid. oneri/Proventi extrag. (%) 2006 Immobilizzazioni e costo del personale Totale immobilizzazioni materiali migl. euro 2006 Terreni e fabbricati migl.eur 2006 Totale immobilizzazioni immateriali migl. euro EUR 2006 Totale immobilizzazionifinanziarie migl. euro 2006 Totale costi del personale migl. euro 2006 Salari e stipendi migl. euro 2006 5 Codifica RagSoc NCCIA Ateco07 AnnoCost PROV SG FG RV06 UN06 CDP06 DVB06 DEBITDA06 DER06 GA06 CIP06 GIT06 ICIF06 ICIP06 ID06 IIB06 IIL06 IIF06 IL09 OF06 PFN06 RI06 DCC06 DMC06 DMD06 RCCL06 RCI06 ICO06 EBITDAV06 ROE06 ROS06 ROI06 IOPE06 TIM06 TF06 TII06 TIF06 TCP06 SS06 La variabile Costo del personale è stata ritenuta non utilizzabile in quanto la frequenza dell’immissione del dato era molto bassa. Per le variabili Totale Immobilizzazioni e Salari e stipendi sono state costruite classi di ampiezza opportuna verificando successivamente gli odds delle fallite sulle attive all’interno di ciascuna classe, per massimizzare la differenza degli odds fra una classe e l’altra. Utilizzando queste quattro variabili si riusciva ad ottenere un matching solo per 16 aziende fallite, pertanto, dopo successivi tentativi, si è deciso di utilizzare due sole variabili: le prime due cifre del codice ATECO e la forma giuridica. La distribuzione della seconda è riportata in Tabella 3. Tabella 3: Distribuzione delle aziende in base alla forma giuridica Forma Giuridica S.C.A.R.L. S.C.A.R.L.P.A S.P.A. S.R.L. S.R.L. a socio unico Frequenza 4 4 16 191 9 Percentuale 1.79 0.91 7.14 85.27 4.02 Data la difficoltà di matching per le S.R.L a socio unico, si decide di accorparle alle S.R.L.2 . Osservando la frequenza delle osservazioni per ogni strato, si ritiene opportuno effettuare uno studio caso controllo 1-3 per avere degli strati omogenei dal punto di vista della numerosità. Per 56 (su 59) aziende fallite si selezionano, sulla base delle variabili indicate, 168 aziende attive: all’interno di ciascuno strato per ogni azienda fallita si procede all’estrazione casuale di tre aziende sane. La procedura per la selezione delle variabili maggiormente rilevanti da includere nel modello logistico condizionato multivariato segue da vicino quanto proposto da Hosmer e Lemeshow (2000, cap. 7). Inizialmente si effettua per prima cosa un modello logistico univariato per tutte le variabili riportate in Tabella 2 (ad eccezione delle prime sette riportate in elenco in quanto si tratta delle varibili identificative di ogni società). Questa prima analisi porta alla selezione di un gruppo iniziale di variabili le cui stime di massima verosimiglianza risultano significative in base al test χ2 di Wald (Pr >χ2 inferiore a 0.05): DMC06, DVB06, EBITDAV06, GIT06, ID06, IIF06, IL06, RCCL06, RCI06, ROS06; a queste si aggiunge IIB063 con un p-value più grande ma con un numero di strati non informativi pari a 0 (si intendono per non informativi gli strati dove in corrispondenza del caso non si hanno i corrispondenti valori dei controlli o viceversa è omesso il valore del caso). Nella Tabella 4 sono riportate le stimr di massima verosimiglianza per le variabili sopra indicate ed il numero di osservazioni eliminate automaticamente nella stima di ciascun modello (rappresentate dai dati omessi, che possono dare luogo o non a strati non informativi, e dalle osservazioni non omesse appartenenti agli strati non informativi). 2 La distinzione nel database è giustificata dalla modifica dell’ordinamento societario del 2007. L’aggregazione non produce distorsioni rilevanti sul campione della nostra analisi e appare corretta visto il regime giuridico assimilabile. 3 Fra IIB06 e IIL06 esiste una correlazione pari a -1, dovuta alla composizione dei due indici. Infatti, l’indice di indebitamento a breve termine (IIB) è pari al totale dei debiti a breve termine diviso il totale dei debiti (breve e più lungo termine); l’indice di indebitamento a lungo termine (IIL) è pari al totale dei debiti a breve termine diviso il totale dei debiti. 6 Tabella 4: Variabili risultate significative nella logistica condizionata univariata Parametro DMC06 DVB06 EBITDAV06 GIT06 ID06 IIB06 IIF06 IIL06 IL06 RCCL06 RCI06 ROS06 Stima 0.006 0.028 -0.038 -5.669 -1.876 1.615 -0.059 -1.615 -1.597 -0.412 -0.731 -0.041 Err. std. 0.002 0.009 0.010 1.223 0.446 0.822 0.014 0.822 0.440 0.143 0.242 0.014 χ2 11.13 9.25 14.67 21.48 17.71 3.86 17.75 3.86 13.19 8.24 9.10 8.71 Pr > χ2 0.0008 0.0024 0.0010 <0.001 <0.001 0.0495 <0.001 0.0495 0.0003 0.0041 0.0026 0.0032 Strati no inf. 14 24 4 4 1 0 12 0 1 1 2 17 Freq. str. no inf 34 57 12 12 3 0 36 0 3 3 6 48 Oss. omesse. 41 57 9 12 3 0 14 0 3 2 4 30 Dal momento che le analisi precedenti non tengono conto dell’effetto congiunto delle variabili, si effettua uno studio della correlazione fra le variabili sopra riportate per evitare di inserire nel modello multivariato variabili tra loro molto correlate (questa fase si sarebbe potuta delegare a procedure automatiche di selezione del modello se il campione fosse stato sufficientemente grande). L’analisi risulta utile in quanto si individua una correlazione superiore a 0.5 per i seguenti gruppi di indici: • EBITDAV06 con ROS06; • GIT06 con ID06, IIF06 e IL06; • RCCL06 con RCI06; • ID06 con IIF06. Si scelgono pertanto come variabili per l’analisi multivariata: • ID06 al posto di GIT06 e IIF06, per il maggior numero di strati informativi, e al posto di IL06 per un minor p-value nel test χ2 di Wald; • EBITDAV06 al posto di ROS06 per un minor p-value nel test χ2 di Wald e per il numero di strati significativi; • DMC06 perché non correlata con nessuno, pur considerando che ha tanti strati non informativi; • DVB06 perché non correlata con nessuno, pur considerando che ha tanti strati non informativi; • RCCL06 al posto di RCI06 per il maggior numero di strati informativi. Il modello logistico multivariato condizionato utilizza 147 osservazioni su 224; su 55 strati disponibili, 28 risultano essere non informativi con un totale di frequenze non informative pari a 58; il test di Wald effettuato sulle stime dei parametri, non dà luogo a 7 Tabella 5: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello contenente tutte le covariate Parametro RCCL06 DVB06 DMC06 EBITDAV06 ID06 IIB06 AIC Stima 0.53 0.07 0.02 -0.02 -6.31 17.53 28.01 Err. stand. 0.69 004 0.01 0.04 2.78 10.57 -2LogL χ2 Wald 0.60 3.53 2.74 0.33 5.15 2.75 16.011 Pr >χ2 0.44 0.06 0.10 0.56 0.02 0.10 p-value significativi e pertanto si procede all’eliminazione di DVB06 e DMC06 che contribuiscono notevolmente ad abbassare il numero degli strati utilizzati nell’analisi, anche se non sono le variabili con un p-value più alto (Tabella 5). Il modello successivo (dettagli omessi) è notevolmente migliorato, vengono utilizzate 211 osservazioni su 224 e ci sono solamente 6 strati non informativi con 18 frequenze. Si procede all’eliminazione di IIB06, unica variabile rimasta non significativa. Questo ultimo modello dà luogo a tutte variabili significative (Tabella 6), il numero di osservazioni utilizzate e gli strati non informativi sono identici a quelli del modello precedente. Tabella 6: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello che esclude DVB06, DMC06 e IIB06 Parametro RCCL06 EBITDAV06 ID06 AIC Stima -0.69 -0.03 -3.29 77.672 Err. stand. 0.24 0.01 0.87 -2LogL χ2 Wald 8.03 8.68 14.29 71.672 Pr > χ2 0.0046 0.0032 0.0002 Come passo successivo si verifica se l’ipotesi che le variabili selezionate nel modello precedente abbiano effettivamente un effetto lineare sull’odds che una azienda sia fallita, come postulato dal modello logistico. Questo viene fatto raggruppando le unità in quattro classi sulla base dei quartili; tale variabile cosı̀ modificata viene trattata come qualitativa e inserita come tale nel modello logistico, utilizzando la prima classe come livello di riferimento. La procedura vuole la sostituzione di una variabile alla volta con la sua trasformata qualitativa. Il grafico che pone sull’asse delle ascisse il punto centrale di ciascuna classe e sull’asse delle ordinate il valore dei coefficienti stimati permette di visualizzare l’andamento della variabile e di supportare o meno l’ipotesi di linearità. Le analisi condotte mostrano un andamento sicuramente lineare e decrescente per le variabili ID06 e RCCL06, come evidenziato dai grafici in Figura 1(a) e 1(b) e dalla stima dei rispettivi modelli (Tabelle 7 e 8). Per la variabile EBITDAV06, invece, si desume, sia dalla stima del modello (Tabella 9) che dal corrispondente grafico in Figura 1(c), che i coefficienti delle dummies della seconda e terza classe sono non significativi, mentre si ha un andamento significativamente decrescente nella quarta classe. 8 Tabella 7: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello con ID06 ripartita classi secondo quartili Parametro ID06Q2 ID06Q3 ID06Q4 EBITDAV06 RCCL06 AIC Stima Err. stand. -1.08 0.58 -2.26 0.78 -4.83 1.37 -0.03 0.01 -0.69 0.25 80.681 χ2 Wald 3.45 8.47 12.45 6.35 7.71 Pr > χ2 0.0631 0.0036 0.0004 0.0117 0.0055 Tabella 8: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello con RCCL06 ripartita in classi secondo quartili Parametro RCCL06Q2 RCCL06Q3 RCCL06Q4 EBITDAV06 ID06 AIC Stima Err. stand. -0.25 0.56 -1.99 0.75 -2.26 0.84 -0.04 0.01 -3.04 0.86 78.093 χ2 Wald 0.20 7.12 7.23 9.91 12.35 Pr > χ2 0.6556 0.0076 0.0070 0.0016 0.0004 Tabella 9: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello con EBITDAV06 ripartita in classi secondo quartili Parametro EBITDAV06Q2 EBITDAV06Q3 EBITDAV06Q4 RCCL06 ID06 AIC Stima Err. stand. -0.40 0.67 0.06 0.64 -2.65 0.93 -0.73 0.22 -3.64 0.88 83.751 χ2 Wald 0.35 0.01 8.11 11.15 17.03 Pr > χ2 0.5554 0.9196 0.0044 0.0008 <0.0001 (a) Plot dei coefficienti di clas- (b) Plot dei coefficienti di clas- (c) Plot dei coefficienti di classe se della variabile ID06 verso il se della variabile RCCL06 verso il della variabile EBITDAV06 verso il valore centrale di classe valore centrale di classe valore centrale di classe Figura 1: Plot dei coefficienti stimati dei quartili delle variabili ID06, RCCL06 e EBITDAV06. 9 Tutto ciò suggerisce la possibilità di una forma quadratica per la variabile considerata e pertanto si procede alla stima del modello che include come covariate RCCL06, ID06 e la forma quadratica sopra menzionata. In Tabella 10 si riportano i risultati del modello cosı̀ determinato, che chiameremo Modello 1, che presenta una statistica di AIC solo di poco superiore a quella del modello iniziale in Tabella 6. Tabella 10: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello con forma quadratica per EBITDAV06 (Modello I) Parametro EBITDAV06 EBITDAV062 RCCL06 ID06 AIC Stima -0.0408 -0.00006 -0.7344 -3.5293 77.735 Err. stand. 0.0130 <0.0001 0.2540 0.9413 -2LogL χ2 Wald 9.91 5.69 8.36 14.06 69.735 Pr > χ2 0.0016 0.0171 0.0038 0.0002 Si è andata successivamente a verificare la possibilità di una interazione con le variabili ATECO e Forma giuridica, scelte per operare il matching. L’interazione, se presente, permette di cogliere un diverso effetto delle variabili esplicative negli strati. L’analisi ha evidenziato una non significatività delle interazioni con entrambe le variabili. Non si è potuta tenere in considerazione nell’analisi la variabile Provincia, pur giudicandola di interesse conoscitivo, a causa del basso numero di fallite nella provincia di Terni. 4 Ulteriori approfondimenti L’obiettivo di una analisi statistica è quello di fornire un quadro il più possible completo ed esaustivo del fenomeno in studio. Pertanto, è sempre opportuno affiancare ad una prima analisi un insieme di modelli alternativi che abbiano comparabili capacità interpretative. E’ infatti dalla discussione delle diverse ipotesi e dalla loro compatibilità che si accresce la conoscenza. Per tale motivo, in questa sezione si illustrano ulteriori analisi effettuate per ampliare e talvolta sostituire il modello precedente. Prendendo come punto di partenza le analisi univariate, si è proceduto ad ampliare l’insieme inziale di indicatori, ammettendo nel modello multivariato tutte le variabili che avevano una probabilità del χ2 inferiore a 0.25 nel test di Wald. Fra queste si sono selezionate le variabili con un maggior numero di strati informativi. Questa analisi ci porta ad inserire nel modello, in aggiunta alle variabili precedentemente selezionate (EBITDAV06, GIT06, ID06, IIB06, IIF06, IIL06, IL06, RCCL06, RCI06), anche le variabili ICIF06, ICIP06 e OF06. Inizialmente si è valutato se l’aggiunta di una variabile alla volta delle variabili sopra indicate al Modello 1 (Tabella 10) portasse ad evidenziare eventuali effetti rilevanti. Questo studio non ha dato risultati significativi. Per questo insieme più ampio di covariate si effettua successivamente un’analisi logistica multivariata condizionata, con modalità di selezione del modello sia backward che forward che stepwise. La selezione stepwise dà come unica covariata significativa la variabile IIF06; la backward seleziona un modello con 4 variabili, utilizza 205 osservazioni ed ha 8 strati non informativi con una frequenza di 28 osservazioni omesse; la forward restituisce un modello con tre variabili, utilizza 208 osservazioni, di queste ulteriori 28 non vengono utilizzate per la presenza di 12 strati non informativi. 10 Si riportano le stime degli ultimi due modelli in Tabella 11 e 12. In base al criterio dell’AIC, si sceglie il modello selezionato con il metodo backward e si procede ad una verifica dell’ipotesi di linearità per le variabili incluse, secondo il metodo dei quartili già illustrato precedentemente. Le analisi sono dettagliate in appendice A. Tabella 11: Stima dei coefficienti, errore standard, statistica di Wald e p-value utilizzando il metodo di selezione backward Parametro GIT06 ID06 IIB06 OF06 AIC Stima Err. stand. -5.15 1.09 -2.90 1.03 8.37 3.48 0.38 0.13 73.609 χ2 Wald 6.79 7.88 5.77 8.95 Pr > χ2 0.0092 0.0050 0.0163 0.0028 Tabella 12: Stima dei coefficienti, errore standard, statistica di Wald e p-value utilizzando il metodo di selezione forward Parametro IIB06 IIF06 RCI06 AIC Stima Err. stand. 5.47 2.46 -0.10 0.03 -1.92 0.76 82.322 χ2 Wald 4.94 12.69 6.29 Pr > χ2 0.0263 0.0004 0.0122 Le analisi descrittive della distribuzione delle aziende secondo la variabile IIB06 mettono in evidenza che il terzo e il quarto quartile coincidono e pertanto nel verificare l’ipotesi di linearità occorre tenere conto che il 50% della distribuzione cade nella terza classe 4 . Inoltre, l’andamento dei grafici per lo studio della linearità della variabile GIT065 mostra che l’ipotesi di linearità non può essere accettata e occorre valutare una sua possibile trasformazione. Dallo studio della distribuzione (Figura 2), si nota che questa assume valori negativi per circa un 10% e pertanto non si può procedere alla trasformazione logaritmica, suggerita dall’andamento riportato nel grafico. La stima del modello mediante trasformazione quadratica non porta a valori significativi mentre l’AIC sale a 72.993. Ritenendo la variabile GIT06 particolarmente interessante si procede ad ulteriori analisi. In particolare si valuta: • ripartizione in tre classi in base ai terzili (AIC=72.015); • ripartizione in tre classi in base al primo quartile e secondo quartile (AIC=75.826); • ripartizione in due classi, una con valori minori o uguali a zero e l’altra con valori superiori a zero (AIC=72.015); Si noti che questi tre modelli danno un p-value nel test χ2 di Wald superiore allo 0.05 per la variabile OF06. Sulla base dell’AIC si sceglie la ripartizione in terzili della variabile GIT06 (Tabella 14). Si denota questo come Modello 2. Si valuta se l’esclusione della 4 5 Si veda la Tabella 16 in appendice A Figura 3(a) in Appendice A 11 variabile OF06 sia accettabile. Il modello cosı̀ ottenuto ha una stima dei parametri con p-value inferiori allo 0.05, un valore dell’ AIC (76.692). Il test del rapporto delle verosimiglianze, che mette a confronto il modello in Tabella 14 con quest’ultimo modello ridotto, ha un p-value pari a 0.0098 e questo ci porta ad accettare come miglior modello quello più ampio, pur in presenza di un p-value per la stima del parametro OF06 abbastanza elevato. (a) GIT06 Figura 2: Distribuzione della variabile GIT06 all’interno dei casi (Y = 1) e dei controlli (Y = 0). Tabella 13: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello backward con GIT06 ripartita in quartili Parametro GIT06Q2 GIT06Q3 GIT06Q4 ID06 IIB06 OF06 AIC DF Stima 1 -0.9819 1 -2.8285 1 -2.6581 1 -1.2287 1 3.4339 1 0.0339 77.798 Err. stand. 0.5777 0.8549 0.9048 0.6837 1.5382 0.0360 χ2 Wald 2.8884 10.9472 8.6299 3.2301 4.9838 0.8894 Pr > χ2 0.0892 0.0009 0.0033 0.0723 0.0256 0.3456 Riprendendo in esame il modello forward, si verifica anche per questo l’ipotesi di linearità delle variabili (dettagli in Appendice B). Per quanto riguarda la distribuzione della variabile IIB06 (Tabella 19) si faccia riferimento a quanto precedentemente detto per il modello selezionto attraverso la backward. Per la variabile RCI06 si nota un andamento decrescente non perfettamente lineare, tuttavia i p-value del test χ2 di Wald del secondo e terzo quartile contro il primo non risultano essere significativi; si prova una forma quadratica che non risulta significativa e pertanto si accetta l’ipotesi di linerità. Per la variabile IIF06, considerando il suo andamento, si effettua una trasformazione quadratica che dà luogo a risultati significativi; si raggiunge cosı̀ la formulazione del Modello 3 (Tabella 15). 5 L’interpretazione economico-aziendale E’ noto che la capacità di una azienda di fare fronte alle proprie obbligazioni debitorie è conseguenza di due fenomeni connessi: da un lato la componente competitiva del prodotto 12 Tabella 14: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello con GIT06 ripartita in classi secondi i terzili (Modello 2) Parametro GIT06T2 GIT06T3 ID06 IIB06 OF06 AIC DF 1 1 1 1 1 72.015 Stima -2.10 -3.46 -1.05 4.80 0.05 -2LogL Err. stand. 0.73 1.02 0.69 1.86 0.046 62.015 χ2 Wald 8.31 11.56 2.30 6.85 1.73 Pr > χ2 0.0039 0.0007 0.1297 0.0089 0.1880 Tabella 15: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello forward con forma quadratica per IIF06 (Modello 3) Parametro RCI06 IIB06 IIF06 IIF062 AIC Stima -0.7867 4.1017 -0.0848 0.0009 78.319 Err. stand. 0.3737 1.5719 0.0240 0.0004 -2LogL χ2 Wald 4.43 6.81 12.49 5.46 70.319 Pr > χ2 0.0353 0.0091 0.0004 0.0195 e del servizio offerto sul mercato, dall’altro la sostenibilità della struttura finanziaria; si veda ad esempio Roggi e Giannozzi (2008)). La prima caratteristica, ovvero la competitività dell’impresa, può essere valutata attraverso due aspetti: la potenzialità di sviluppo del core business e la capacità di generare rendimenti positivi sul capitale investito. La prima è colta nell’evoluzione e nella dimensione dei dati di bilancio connessi al turnover, al totale delle immobilizzazioni e delle risorse patrimoniali; la seconda è descritta dai numerosi indicatori di performance, di breve o di lungo termine, elaborati nelle discipline di analisi di bilancio (Montrone, 2005). La sostenibilità delle fonti di finanziamento contratte riguarda essenzialmente tre aspetti: la consistenza dell’indebitamento aziendale, la capacità di far fronte alle scadenze periodali e l’esposizione al rischio di variazioni del costo del debito, dovuti ai movimenti dei tassi di interesse di mercato. Gli indici che mettono in relazione la quantità di fonti di finanziamento di terzi con le misure della dimensione aziendale, quali il capitale proprio o il fatturato, consentono di valutare la propensione del manager al ricorso a fonti di finanziamento esterne. In altri termini, un più elevato grado di indebitamento comporterà, verosimilmente, maggiori difficoltà di onorare gli impegni presi nei confronti dei finanziatori e, parallelamente, una maggiore sensibilità alle variazioni dei tassi di interesse di mercato. Inoltre, l’analisi degli indicatori di liquidità consente di valutare la capacità dell’impresa di far fronte alle necessità di cassa di breve termine e di evitare crisi di liquidità. Sono queste le considerazioni che hanno portato a selezionare, per l’analisi, le variabili indicate in Tabella 1. L’obiettivo delle analisi statistiche è quello di identificare quali indicatori risultano maggiormente efficaci nella analisi dello stato di salute dell’azienda. L’osservazione dei risultati consente di rilevare che il rischio di default può essere stimato attraverso un numero piuttosto limitato di variabili. L’analisi empirica infatti identifica inizialmente tre variabili significative: RCCL06, EBITDAV06 e ID06 (Tabella 10), 13 che rappresentano rispettivamente la rotazione del capitale circolante lordo, il rapporto fra EBITDA e le vendite e l’indice di disponibilità. Si noti che l’indice di rotazione del capitale circolante lordo è dato dal rapporto tra il totale dei ricavi delle vendite e prestazioni e l’attivo circolante, mentre EBITDAV06 è pari al rapporto tra EBITDA e il totale dei ricavi delle vendite e delle prestazioni più altri ricavi; l’indice di disponibilità infine è pari al rapporto tra l’attivo circolante e il totale dei debiti a breve termine. L’attenzione ad eliminare ridondanza di informazioni all’interno delle variabili osservate appare premiante sia dalle risultanze statistiche sia dalla constatazione che le tre misure individuate appartengono a tre famiglie di indicatori diversi. Più precisamente l’indice di rotazione del capitale circolante lordo rappresenta un indice della gestione corrente, EBITDAV06 è un indice di redditività e l’indice di disponibilità appartiene agli indici di tipo finanziario. Fra gli indici di gestione corrente è stato individuato quello maggiormente influenzato dai risultati dell’attività tipica dell’impresa ed alla capacità del manager di ridurre il più possibile il fabbisogno di finanziamento dell’attivo circolante. Inoltre, fra gli indici di redditività è stato individuato quello maggiormente connesso al core business aziendale mentre risultano meno significativi gli indici influenzabili dalla gestione non tipica. Tra gli indici finanziari è risultato più significativo quello in grado di rilevare la capacità dell’impresa di finanziare la propria attività con il ricorso a fonti di finanziamento esterne di medio/lungo termine. Sono risultati invece meno significativi gli indici della struttura finanziaria di lungo termine, evidenza che può essere spiegata in considerazione della prassi, osservata tra le aziende del campione, di ricorrere fortemente al finanziamento esterno prediligendo in particolare orizzonti temporali di breve termine. Il segno delle stime dei coefficienti delle variabili selezionate, coerente con le aspettative, esprime la relazione intercorrente tra di essi e la probabilità di default. È pertanto possibile affermare che lo stato di salute dell’azienda è diretta conseguenza della sua capacità di generare rendimenti attraverso le vendite dei beni e servizi prodotti, della capacità di far fronte alle proprie obbligazioni senza ricorrere a debiti di breve termine e della possibilità di disporre di adeguate risorse proprie in grado di finanziare l’attivo circolante. La stima dei coefficienti per il Modello 1 (Tabella 10) mostra valori negativi per tutti gli indici risultati significativi. Questo risultato è coerente anche con studi precedentemente effettuati in ambito aziendale (Montrone, 2005): l’azienda che si caratterizza per valori superiori di tali indici avrà minore probabilità di default. Il risultato è utile sia nella costruzione di modelli di rating, che nel fornire un orientamento nell’amministrazione aziendale. In altri termini, i coefficienti stimati delle variabile possono costituire una solida base per la costruzione di modelli volti alla classificazione delle aziende in base al rischio di default, da un lato, e indicare gli obiettivi di successo nella gestione aziendale, dall’altro. Riguardo alla influenza specifica degli indici sulla probabilità di default, i coefficienti stimati mostrano una netta preponderanza dell’indice di disponibilità, che assume un effetto lineare (sul logaritmo dell’odds della probabilità di default) pari a -3.53. Dal momento che l’ unità di misura delle variabili è in questo caso paragonabile (trattandosi di rapporti fra poste di bilancio), questo valore, circa cinque volte superiore a quello della variabile RCCL06 (pari a -0.73) e molto superiore a quello (non lineare ma leggermente quadratico) della variabile EBITDAV06 (pari a -0.0408 nella componente lineare), fornisce una indicazione dell’elevato impatto di questa dimensione sulla probabilità di default. Riguardo alla seconda fase del processo di analisi, nel metodo di selezione backward (Tabella 11) sono risultate significative il grado di indebitamento da terzi (GIT06), l’indice di disponibilità (ID06), l’indice di indebitamento a breve termine (IIB06) e il rapporto de14 gli oneri finanziari rispetto al fatturato (OF06). Adottando il metodo di selezione forward (Tabella 12), invece, sono emerse come variabili significative l’indice di indebitamento a breve termine (IIB06), l’indice di indipendenza finanziaria (IIF06) e l’indice di rotazione del capitale investito (RCI06). Il modello di selezione backward evidenzia l’importanza della riduzione delle fonti di finaziamento a breve termine. Il grado di indebitamento è dato dal rapporto tra patrimonio netto e totale dei debiti. Gli indici di disponibilità, di cui si è già parlato precedentemente, e quello di indebitamento a breve termine evidenziano la necessità di ridurre la dipendenza della azienda verso questa forma di finanziamento. Infine, il rapporto tra oneri finanziari e fatturato segnala l’importanza di mantenere un livello di sostenibilità dell’azienda rispetto ai costi del debito esterno. L’ottimizzazione del modello backward comporta l’introduzione della variabile GIT06 ripartita in terzili (Tabella 14 - Modello 2) con andamento fortemente decrescente. I coefficienti di stima evidenziano la relazione positiva tra l’indice di indebitamento a breve termine e la probabilità di default (pari a 4.80), parallelamente mostrano la relazione inversa per il grado di indebitamento da terzi: minore è il grado di indebitamento e minore è la probabilità di default (si osservino l’elevata riduzione della probabilit à di default per le imprese nel secondo e terzo terzile della distribuzione). Anche l’indice di disponibilità è caratterizzato da una relazione inversa ma con minore intensità rispetto alle precedenti variabili (-1.55). Il modello backward restituisce variabili estremamente concentrate nel comparto degli indici finanziari. L’osservazione della distribuzione della variabile GIT06 (Figura 2) mostra una preoccupante sottocapitalizzazione delle aziende da noi analizzate: se è verosimile attendersi valori ridotti della variabile nelle aziende fallite (Y = 1), sembra non essere coerente e ragionevole la distribuzione delle aziende sane (Y = 0) dove il valore massimo dell’indice è pari ad appena il 15%. Anche il modello ottenuto con la selezione forward (Tabella 15 - Modello 3) appare coerente con i risultati precedenti. L’indice di indipendenza finanziaria IIF06 risulta simile, in struttura, all’indice GIT06 essendo il rapporto tra patrimonio netto e totale dell’attivo. Infine, l’indice di rotazione del capitale investito RCO06 è pari al rapporto tra totale dei ricavi da vendite e prestazioni e totale dell’attivo; esso appare simile all’indice di rotazione del capitale circolante lordo RCCL06 individuato nella prima formulazione del modello. La stima dei coefficienti sottolinea ancora la relazione positiva tra l’indice di indebitamento a breve termine e la probabilità di default (il coefficiente stimato è pari a 4.10) mentre appaiono meno importanti i coefficienti stimati per le altre variabili (pari a -0.79 per l’indice di rotazione del capitale investito; -0.08 e 0.001 per l’indice di indipendenza finanziaria e la sua trasformazione quadratica). 6 Conclusioni L’obiettivo di questo lavoro è l’individuazione degli indicatori di bilancio più significativi nella valutazione dello stato di salute delle aziende, tenendo in considerazione la localizzazione territoriale e la specializzazione di settore. L’analisi effettuata ha preso in considerazione le aziende umbre con ricavi delle vendite positivi nell’anno 2006, verificandone lo stato giuridico al maggio 2010. I dati hanno evidenziato l’evento fallimento come un evento raro e pertanto lo studio si è focalizzato verso l’implementazione di uno strumento statistico di tipo caso-controllo. Ciò ha portato ad associare ad ogni azienda fallita tre aziende attive ad essa simili per codice ATECO e forma giuridica. 15 Attraverso un procedimento statistico rigoroso si è giunti alla individuazione di tre distinti modelli che forniscono una buona visione d’insieme e consentono una interpretazione della situazione aziendale. Il primo modello ha preso in considerazione un indice della gestione corrente, uno di redditività ed uno di tipo finanziario; il secondo ed il terzo modello, molto simili fra loro dal punto di vista interpretativo, mostrano come il grado di indipendenza finanziaria dell’azienda sia rilevante nell’individuazione delle sue prospettive di permanenza sul mercato. In particolare il primo modello premia la capacità del manager di ridurre il fabbisogno di finanziamento dell’attivo circolante, la redditività derivante dal core business e la capacità di attrarre finanziamenti di medio/lungo termine; il secondo modello, più spostato sugli indicatori finanziari, gratifica la riduzione del peso dei finanziamenti a breve termine sul totale delle passività e la sostenibilità dell’ azienda; il terzo modello, specularmente rispetto al precedente, premia le imprese con elevato peso di finanziamenti a lungo termine ed evidenzia l’importanza sia di un elevato rapporto fra patrimonio netto e totale dell’attivo partimoniale che del rapporto tra il totale dei ricavi di vendite e prestazioni e l’attivo di bilancio. Lo studio ha consentito di ridurre l’iniziale paniere di indicatori, composto da oltre 40 rapporti ad appena 8 variabili significative. I coefficienti stimati nei diversi modelli possono aiutare sia nella costruzione di modelli statistici di rating che nel fornire un orientamento alla gestione aziendale. L’analisi ha permesso infatti di graduare gli indici sulla base del loro peso all’interno del modello previsionale. In particolare si evidenzia che un elevato impatto sulla probabilità di default é imputabile ai valori assunti dall’indice di indebitamento a breve e dall’indice di disponibilità; il primo fornisce una misura della incapacità dell’azienda di attrarre finanziamenti di medio/lungo termine; il secondo esprime la capacità dell’impresa di far fronte agli impegni a breve termine con le entrate correnti generate dalle attività a breve. In ogni caso, la costruzione dei modelli di rating a base statistica deve essere preceduta da una approfondita analisi delle distribuzione delle aziende e da uno studio sulla forma funzionale che meglio rappresenta l’influenza dell’indicatore sulla probabilità di fallimento. L’approccio seguito nell’ambito di questo lavoro rappresenta, in tal senso, un utile esempio di indagine. Occorre inoltre rilevare che la elevata quantità di informazioni omesse nel dataset ha richiesto un notevole sforzo di implementazione e non ha consentito di valutare le capacità esplicative di indicatori di bilancio di potenziale interesse. Tutte queste considerazioni inducono a sottolineare come la tempestiva disponibilità di dati di bilancio redatti secondo corretti principi contabili sia di cruciale importanza, per prevedere eventuali criticità sia a livello di singola azienda che di sistema economico. 16 Riferimenti bibliografici Altman E.; Hotchkiss E. (2006). Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt. Wiley Finance Series, Hoboken, NJ. Altman E.; Marco G.; Varetto F. (1994). Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the italian experience). Journal of Banking and Finance, 18(3)(3), 505–529. Altman E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of finance, 23(4), 589–609. Altman E. I.; Sabato G. (2007). Modelling credit risk for smes: Evidence from the u.s. market. Abacus, 43(3), 332–357. Beaver W. H. (1966). Financial ratios as predictors of failure. Empirical Research in Accounting: Selected Studies 1966, Vol. 4, 41 (71–111). Bracalente B. (2010). Caratteri strutturali e scenari di sviluppo regionale. L’Umbria verso il 2020. Franco Angeli. Cox D. R.; Hinkley D. V. (1974). Theoretical Statistics. Chapman and Hall, London, United Kingdom. De Laurentis G.; Maino R. (2009). I rating a base statistica. Bancaria Editrice. Friedman C.; Huang J.; de Servigny A.; Salinas E. (2003). A utility based private firm default probability model. Standard & Poor’s. Risk Solutions. Hosmer D. W.; Lemeshow S. (2000). Applied logistic regression (Wiley Series in probability and statistics). Wiley-Interscience Publication. Huyhebaert N.; Gaeremynck A.; Roodhooft F.; Van de Gucht L. M. (2000). New firm survival: The effects of start-up characteristics. Journal of Business Finance & Accounting, 27(5-6), 627–651. King G.; Zeng L. (2001). Explaining rare events in international relations. International Organization, 55(3), 693–715. Lusignani G.; Sironi A. (1999). L’innovazione nel finanziamento delle PMI. Banche, mercati e strutture di intermediazione, in Forestieri G. e Onado M. (a cura di). EGEA, Newfin. Montrone A. (2005). Il sistema delle analisi di bilancio per la valutazione dell’impresa. Economia - Monografie - Economia e gestione aziendale. Pompe P. P.; Bilderbeek J. (2005). The prediction of bankruptcy of small- and mediumsized industrial firms. Journal of Business Venturing, 20(6), 847 – 868. Roggi O.; Giannozzi A. (2008). Predicting sme default risk. does regional model make sense? 8th Global Conference on Business and Economics. 17 Sironi A.; Resti A. (2008). Rischio e valore nelle banche. Risk management e capital allocation. EGEA. Standard; Poor’s (2002). Credit risk tracker italy, technical document. Relazione tecnica. Stanghellini E. (2009). Introduzione ai metodi statistici per il credit scoring. Springer Verlag. Watson J. (2003). The potential impact of accessing advice on sme failure rates. 16th Annual Conference of Small Enterprise Association of Australia and New Zealand, Ballarat, Australia. 18 Appendici A Studio della linearità nel modello backward. Tabella 16: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello backward con IIB06 ripartita in classi secondo il I quartile, II quartile e III-IV quartile Parametro IIB06Q2 IIB06Q3Q4 ID06 GIT06 OF06 AIC DF Stima 1 1.5693 1 1.7698 1 -0.5653 1 -5.2981 1 0.0590 76.307 Err. stand. 0.8255 0.7980 0.5861 1.5116 0.0391 χ2 Wald 3.6143 4.9191 0.9301 12.2844 2.2719 Pr > χ2 0.0573 0.0266 0.3348 0.0005 0.1317 Tabella 17: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello backward con ID06 ripartita in classi secondo i quartili Parametro ID06Q2 ID06Q3 ID06Q4 OF06 GIT06 IIB06 AIC DF Stima 1 0.3371 1 -0.7706 1 -2.2559 1 0.0901 1 -4.9861 1 3.6875 73.001 Err. stand. 0.5650 0.7193 1.3493 0.0495 1.4505 1.8554 χ2 Wald 0.3560 1.1479 2.7954 3.3059 11.8166 3.9497 Pr > χ2 0.5507 0.2840 0.0945 0.0690 0.0006 0.0469 Tabella 18: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello backward con OF06 ripartita in classi secondo i quartili Parametro OF06Q2 OF06Q3 OF06Q4 ID06 GIT06 IIB06 AIC DF Stima 1 0.3084 1 0.8667 1 2.2931 1 -0.8381 1 -5.0748 1 4.7663 70.080 Err. stand. 0.8508 0.8090 0.8542 0.7416 1.5677 1.7985 19 χ2 Wald 0.1314 1.1478 7.2062 1.2771 10.4785 7.0235 Pr > χ2 0.7170 0.2840 0.0073 0.2584 0.0012 0.0080 (a) Plot dei coefficienti di classe della variabile (b) Plot dei coefficienti di classe della variabile GIT06 verso il valore centrale di classe ID06 verso il valore centrale di classe (c) Plot dei coefficienti di classe della variabile IIB06 verso il valore di classe (d) Plot dei coefficienti di classe della variabile OF06 verso il valore centrale di classe Figura 3: Visualizzazione grafica dello studio di linearità delle variabili del modello backward. 20 B Studio della linearità nel modello forward. Tabella 19: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello forward con IIB06 ripartita in tre classi secondo il I, II quartile e III-IV quartile Parametro IIB06Q2 IIB06Q3Q4 IIF06 RCI06 AIC Stima 1.73 2.13 -0.06 -0.82 83.157 Err. stand. 0.80 0.79 0.01 0.36 -2LogL χ2 Wald 4.63 7.30 15.21 5.36 75.157 Pr > χ2 0.0315 0.0069 <.0001 0.0206 Tabella 20: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello forward con RCI06 ripartita in classi secondo i quartili Parametro RCI06Q2 RCI06Q3 RCI06Q4 IIB06 IIF06 AIC Stima -0.33 -1.13 -1.60 3.74 -0.06 84.992 Err. stand. 0.61 0.67 0.74 1.41 0.01 -2LogL χ2 Wald 0.29 2.79 4.74 7.00 14.40 74.992 Pr > χ2 0.5894 0.0947 0.0295 0.0081 0.0001 Tabella 21: Stima dei coefficienti, errore standard, statistica di Wald e p-value per il modello forward con IIF06 ripartita in classi secondo i quartili Parametro IIF06Q2 IIF06Q3 IIF06Q4 IIB06 RCI06 AIC Stima -1.11 -3.28 -2.73 4.12 -0.70 80.902 Err. stand. 0.56 0.90 0.76 1.44 0.35 -2LogL 21 χ2 Wald 3.88 13.28 13.07 8.24 4.12 70.902 Pr > χ2 0.0490 0.0003 0.0003 0.0041 0.0423 (a) Plot dei coefficienti di classe della variabile IIF06 verso il valore centrale di classe (b) Plot dei coefficienti di classe della variabile RCI06 verso il valore centrale di classe (c) Plot dei coefficienti di classe della variabile IIB06 verso il valore centrale di classe Figura 4: Visualizzazione grafica dello studio di linearità delle variabili del modello forward. 22 ISSN 1825-0211 QUADERNI DEL DIPARTIMENTO DI ECONOMIA, FINANZA E STATISTICA Università degli Studi di Perugia 1 Gennaio 2005 Giuseppe CALZONI Valentina BACCHETTINI 2 Marzo 2005 3 Aprile 2005 Fabrizio LUCIANI Marilena MIRONIUC Mirella DAMIANI 4 Aprile 2005 Mirella DAMIANI 5 Aprile 2005 Marcello SIGNORELLI 6 Maggio 2005 7 Maggio 2005 Cristiano PERUGINI Paolo POLINORI Marcello SIGNORELLI Cristiano PERUGINI Marcello SIGNORELLI 8 Maggio 2005 Marcello SIGNORELLI 9 Maggio 2005 10 Giugno 2005 Flavio ANGELINI Stefano HERZEL Slawomir BUKOWSKI 11 Giugno 2005 Luca PIERONI Matteo RICCIARELLI 12 Giugno 2005 Luca PIERONI Fabrizio POMPEI 13 Giugno 2005 14 Giugno 2005 15 Giugno 2005 16 Giugno 2005 David ARISTEI Luca PIERONI Luca PIERONI Fabrizio POMPEI Carlo Andrea BOLLINO Paolo POLINORI Carlo Andrea BOLLINO Paolo POLINORI I Il concetto di competitività tra approccio classico e teorie evolutive. Caratteristiche e aspetti della sua determinazione Ambiental policies in Romania. Tendencies and perspectives Costi di agenzia e diritti di proprietà: una premessa al problema del governo societario Proprietà, accesso e controllo: nuovi sviluppi nella teoria dell’impresa ed implicazioni di corporate governance Employment and policies in Europe: a regional perspective An empirical analysis of employment and growth dynamics in the italian and polish regions Employment differences, convergences and similarities in italian provinces Growth and employment: comparative performance, convergences and comovements Implied volatilities of caps: a gaussian approach EMU – Fiscal challenges: conclusions for the new EU members Modelling dynamic storage function in commodity markets: theory and evidence Innovations and labour market institutions: an empirical analysis of the Italian case in the middle 90’s Estimating the role of government expenditure in long-run consumption Investimenti diretti esteri e innovazione in Umbria Il valore aggiunto su scala comunale: la Regione Umbria 2001-2003 Gli incentivi agli investimenti: un’analisi dell’efficienza industriale su scala geografica regionale e sub regionale 17 Giugno 2005 18 Agosto 2005 Antonella FINIZIA Riccardo MAGNANI Federico PERALI Paolo POLINORI Cristina SALVIONI Elżbieta KOMOSA Construction and simulation of the general economic equilibrium model Meg-Ismea for the italian economy 19 Settembre 2005 Barbara MROCZKOWSKA 20 Ottobre 2005 Luca SCRUCCA 21 Febbraio 2006 Marco BOCCACCIO 22 Settembre 2006 23 Settembre 2006 Mirko ABBRITTI Andrea BOITANI Mirella DAMIANI Luca SCRUCCA 24 Ottobre 2006 Sławomir I. BUKOWSKI 25 Ottobre 2006 Jan L. BEDNARCZYK 26 Dicembre 2006 Fabrizio LUCIANI 27 Dicembre 2006 Elvira LUSSANA 28 Marzo 2007 29 Marzo 2007 Luca PIERONI Fabrizio POMPEI David ARISTEI Luca PIERONI 30 Aprile 2007 31 Luglio 2007 32 Luglio 2007 33 Agosto 2007 David ARISTEI Federico PERALI Luca PIERONI Roberto BASILE Roberto BASILE Davide CASTELLANI Antonello ZANFEI Flavio ANGELINI Stefano HERZEL II Problems of financing small and medium-sized enterprises. Selected methods of financing innovative ventures Regional policy of supporting small and medium-sized businesses Clustering multivariate spatial data based on local measures of spatial autocorrelation Crisi del welfare e nuove proposte: il caso dell’unconditional basic income Unemployment, inflation and monetary policy in a dynamic New Keynesian model with hiring costs Subset selection in dimension reduction methods The Maastricht convergence criteria and economic growth in the EMU The concept of neutral inflation and its application to the EU economic growth analyses Sinossi dell’approccio teorico alle problematiche ambientali in campo agricolo e naturalistico; il progetto di ricerca nazionale F.I.S.R. – M.I.C.E.N.A. Mediterraneo: una storia incompleta Evaluating innovation and labour market relationships: the case of Italy A double-hurdle approach to modelling tobacco consumption in Italy Cohort, age and time effects in alcohol consumption by Italian households: a double-hurdle approach Productivity polarization across regions in Europe Location choices of multinational firms in Europe: the role of EU cohesion policy Measuring the error of dynamic hedging: a Laplace transform approach 34 Agosto 2007 Stefano HERZEL Cătălin STĂRICĂ Thomas NORD Flavio ANGELINI Stefano HERZEL 35 Agosto 2007 36 Agosto 2007 Giovanni BIGAZZI 37 Settembre 2007 Enrico MARELLI Marcello SIGNORELLI 38 Ottobre 2007 39 Novembre 2007 40 Dicembre 2007 41 Dicembre 2007 Paolo NATICCHIONI Andrea RICCI Emiliano RUSTICHELLI The International Study Group on Exports and Productivity Gaetano MARTINO Paolo POLINORI Floro Ernesto CAROLEO Francesco PASTORE 42 Gennaio 2008 43 Febbraio 2008 44 Febbraio 2008 45 Febbraio 2008 46 Marzo 2008 47 Marzo 2008 48 Marzo 2008 49 Marzo 2008 Bruno BRACALENTE Cristiano PERUGINI Cristiano PERUGINI Fabrizio POMPEI Marcello SIGNORELLI Cristiano PERUGINI 50 Marzo 2008 Sławomir I. BUKOWSKI 51 Aprile 2008 Bruno BRACALENTE Cristiano PERUGINI Fabrizio POMPEI Melisso BOSCHI Luca PIERONI Flavio ANGELINI Marco NICOLOSI Luca PIERONI Giorgio d’AGOSTINO Marco LORUSSO Pierluigi GRASSELLI Cristina MONTESI Paola IANNONE Mirella DAMIANI Fabrizio POMPEI III The IGARCH effect: consequences on volatility forecasting and option trading Explicit formulas for the minimal variance hedging strategy in a martingale case The role of agriculture in the development of the people’s Republic of China Institutional change, regional features and aggregate performance in eight EU’s transition countries Wage structure, inequality and skillbiased change: is Italy an outlier? Exports and productivity. Comparable evidence for 14 countries Contracting food safety strategies in hybrid governance structures The youth experience gap: explaining differences across EU countries Aluminium market and the macroeconomy Hedging error in Lévy models with a fast Fourier Transform approach Can we declare military Keynesianism dead? Mediterranean models of Welfare towards families and women Mergers, acquisitions and technological regimes: the European experience over the period 2002-2005 The Components of Regional Disparities in Europe FDI, R&D and Human Capital in Central and Eastern European Countries Employment and Unemployment in the Italian Provinces On the road to the euro zone. Currency rate stabilization: experiences of the selected EU countries Homogeneous, Urban Heterogeneous, or both? External Economies and Regional Manufacturing Productivity in Europe 52 Aprile 2008 Gaetano MARTINO Cristiano PERUGINI 53 Aprile 2008 Jan L. BEDNARCZYK 54 Aprile 2008 Bruno BRACALENTE Cristiano PERUGINI 55 Aprile 2008 Cristiano PERUGINI 56 Aprile 2008 Cristiano PERUGINI Fabrizio POMPEI 57 Aprile 2008 Simona BIGERNA Paolo POLINORI 58 Maggio 2008 Simona BIGERNA Paolo POLINORI 59 Giugno 2008 Simona BIGERNA Paolo POLINORI 60 Ottobre 2008 61 Novembre 2008 62 Novembre 2008 63 Dicembre 2008 Pierluigi GRASSELLI Cristina MONTESI Roberto VIRDI Antonio BOGGIA Fabrizio LUCIANI Gianluca MASSEI Luisa PAOLOTTI Elena STANGHELLINI Francesco Claudio STINGO Rosa CAPOBIANCO Gianna FIGÀ-TALAMANCA 64 Maggio 2009 65 Giugno 2009 66 Settembre 2009 Fabrizio LUCIANI 67 Settembre 2009 Valentina TIECCO Mirella DAMIANI Andrea RICCI Alessandra RIGHI Dario SCIULLI IV Income inequality within European regions: determinants and effects on growth Controversy over the interest rate theory and policy. Classical approach to interest rate and its continuations Factor decomposition of crosscountry income inequality with interaction effects Employment Intensity of Growth in Italy. A Note Using Regional Data Technological Change, Labour Demand and Income Distribution in European Union Countries L’analisi delle determinanti della domanda di trasporto pubblico nella città di Perugia The willingness to pay for Renewable Energy Sources (RES): the case of Italy with different survey approaches and under different EU “climate vision”. First results Ambiente operativo ed efficienza nel settore del Trasporto Pubblico Locale in Italia L’interpretazione dello spirito del dono L’impatto ambientale ed economico del cambiamento climatico sull’agricoltura On the estimation of a binary response model in a selected population Limit results for discretely observed stochastic volatility models with leverage effect Factors behind performance-related pay: evidence from Italy The Timing of the School-toPermanent Work Transition: a Comparison across Ten European Countries Economia agraria e pianificazione economica territoriale nel Parco nazionale del Sagarmatha (Everest, Nepal) I regimi di protezione dell’impiego 68 Ottobre 2009 69 Ottobre 2009 70 Ottobre 2009 71 Novembre 2009 72 Novembre 2009 73 Gennaio 2010 74 Febbraio 2010 75 Luglio 2010 76 Settembre 2010 77 Settembre 2010 78 Ottobre 2010 79 Ottobre 2010 80 Novembre 2010 81 Dicembre 2010 82 Dicembre 2010 83 Gennaio 2011 84 Febbraio 2011 85 Marzo 2011 86 Marzo 2011 87 Marzo 2011 Gianna FIGÀ-TALAMANCA Path properties of simulation schemes for the Heston stochastic volatility model Cristina MONTESI A comparative analysis of different business ethics in the perspective of the Common Good Luisa FRANZINI Determinants of Health Disparities in Margherita GIANNONI Italian Regions Flavio ANGELINI Evaluating Discrete Dynamic Stefano HERZEL Strategies in Affine Models Giuseppe ARBIA Institutions and geography: Empirical Michele BATTISTI test of spatial growth models for Gianfranco DI VAIO European regions Mirella DAMIANI Performance-Related Pay, Unions and Andrea RICCI Productivity in Italy: evidence from quantile regressions Davide CASTELLANI The Effect of Foireign Investments on Fabio PIERI European Regional Productivity Guglielmo M. CAPORALE Time-varying spot and futures oil price Davide CIFERRI dynamics Alessandro GIRARDI Mirella DAMIANI Labour regulation, corporate governance and varieties of capitalism Dario SCIULLI University-to-work transitions: the Marcello SIGNORELLI case of Perugia Olga DEMIDOVA The Impact of Crises on Youth Marcello SIGNORELLI Unemployment of Russian Regions: An Empirical Analysis Misbah T. CHOUDHRY The Impact of Financial Crises on Enrico MARELLI Youth Unemployment Rate Marcello SIGNORELLI Marco BELLUCCI Fusioni ed acquisizioni: determinanti ed effetti in un confronto europeo Silvia MICHELI Learning Curve and Wind Power Leonardo BECCHETTI Stefano CASTRIOTA Elena GIACHIN RICCA Davide CASTELLANI Fabio PIERI Stefano HERZEL Marco NICOLOSI Cătălin STĂRICĂ Pierluigi GRASSELLI Cristina MONTESI Massimo DE FELICE Franco MORICONI Mirella DAMIANI Fabrizio POMPEI Andrea RICCI V Beyond the Joneses: inter-country income comparisons and happiness Foreign Investments and Productivity Evidence from European Regions The cost of sustainability on optimal portfolio choices Politiche orientate al bene comune e politiche attive del lavoro Un’estensione stocastica del modello “Fisher-Lange” Temporary job protection and productivity growth in EU economies 88 Aprile 2011 Gaetano MARTINO Paolo POLINORI 89 Aprile 2011 90 Maggio 2011 91 Giugno 2011 92 Giugno 2011 Stefano CASTRIOTA Marco DELMASTRO Roberto BASILE Luigi BENFRATELLO Davide CASTELLANI Andrea RICCI Robert WALDMANN Francesca PIERRI Alberto BURCHI Elena STANGHELLINI VI Productive process innovation as sequential adjustment of the hybrid governance structure: the case of the poultry sector Inside the black box of collective reputation Spatial clustering and nonlinearities in the location of multinational firms Job Security and Training: the Case of Pareto Improving Firing Taxes La capacità predittiva degli indicatori di bilancio: una verifica sulle aziende umbre ISSN 1722-618X I QUADERNI DEL DIPARTIMENTO DI ECONOMIA Università degli Studi di Perugia 1 Dicembre 2002 Luca PIERONI: Further evidence of dynamic demand systems in three european countries Il valore economico del paesaggio: un'indagine microeconomica A note on internal rate of return 2 Dicembre 2002 3 Dicembre 2002 4 Marzo 2004 Luca PIERONI Paolo POLINORI: Luca PIERONI Paolo POLINORI: Sara BIAGINI: 5 Aprile 2004 Cristiano PERUGINI: 6 Maggio 2004 Mirella DAMIANI: 7 Maggio 2004 Mauro VISAGGIO: 8 Maggio 2004 Mauro VISAGGIO: 9 Giugno 2004 10 Giugno 2004 Elisabetta CROCI ANGELINI Francesco FARINA: Marco BOCCACCIO: 11 Giugno 2004 12 Luglio 2004 13 Luglio 2004 14 Ottobre 2004 15 Novembre 2004 Gaetano MARTINO Cristiano PERUGINI 16 Dicembre 2004 Federico PERALI Paolo POLINORI Cristina SALVIONI Nicola TOMMASI Marcella VERONESI Cristiano PERUGINI Marcello SIGNORELLI: Cristiano PERUGINI Marcello SIGNORELLI: Cristiano PERUGINI Marcello SIGNORELLI: Cristiano PERUGINI: VII A new class of strategies and application to utility maximization for unbounded processes La dipendenza dell'agricoltura italiana dal sostegno pubblico: un'analisi a livello regionale Nuova macroeconomia keynesiana e quasi razionalità Dimensione e persistenza degli aggiustamenti fiscali in presenza di debito pubblico elevato Does the growth stability pact provide an adequate and consistent fiscal rule? Redistribution and labour market institutions in OECD countries Tra regolamentazione settoriale e antitrust: il caso delle telecomunicazioni Labour market performance in central european countries Labour market structure in the italian provinces: a cluster analysis I flussi in entrata nei mercati del lavoro umbri: un’analisi di cluster Una valutazione a livello microeconomico del sostegno pubblico di breve periodo all’agricoltura. Il caso dell’Umbria attraverso i dati RICA-INEA Economic inequality and rural systems: empirical evidence and interpretative attempts Bilancio ambientale delle imprese agricole italiane: stima dell’inquinamento effettivo