Információs paradoxon a vállalkozások hitelezésében nem fizető vevő esetén (An innovation paradox in enterprise financing where buyers fail to pay)

Cikkünkben a vállalkozók külső finanszírozásának modelljét terjesztjük ki arra az - irodalom által eddig nem tárgyalt - esetre, amikor a vállalkozónak van nem fizető vevője. Szerződéselméleti megközelítésünkben a vállalkozó hitelképességére vonatkozó információ aszimmetrikus a tranzakcióban részt vevő felek között, s ez morális kockázatnak ad teret. Megfigyelhető, hogy ilyenkor a pontosan fizető vevők számára is hitelszűke lép fel. A vállalkozó és a finanszírozó közötti optimális szerződés nem fizető vevő hatására további hitelszűkösséget generál. Két esetet vizsgálunk: az egyikben a vállalkozó információs előnyben van a vevő nemfizetésére vonatkozóan, a másikban nincs ilyen előny. A két modellváltozat alapján információs paradoxon jellemzi a kialakuló finanszírozási helyzetet: a vállalkozó kisebb összegű hitelhez jut az említett információs előnye esetén, mint amikor közte és a finanszírozó között szimmetrikus az információ. A modell azt a - magyar kis- és középvállalkozóknál látott - jelenséget írja le, amikor nem transzparens a szállító-vevő viszonya, és a finanszírozó bank e miatt az információs hátrány miatt kevesebb hitelt nyújt kis- és középvállalati ügyfeleinek. _____ The model of external financing of the firm is extended here to cases where there may be defaults on account receivables. Information asymmetry between entrepreneur and lender on a firm's creditworthiness leads to moral hazard and credit rationing, even in the absence of default risk. The authors show an optimal debt contract that formulates the situation, and focus on two cases: where the entrepreneur has an information advantage on defaults on receivables, and where the information is symmetric. A comparison of these cases revealed a paradoxical knowledge issue in external financing: a better informed entrepreneur may be able to afford a smaller financing ability. The model describes a frequent phenomenon in small businesses, when the relationship between buyer and seller lacks transparency, and lenders offer lower amount of lending to small and medium-sized enterprises.

Növelhető-e a csőd-előrejelző modellek előre jelző képessége az új klasszifikációs módszerek nélkül? (Can the predictive capacity of bankruptcy forecasting models be increased without new classification methods?)

A Bázel–2. tőkeegyezmény bevezetését követően a bankok és hitelintézetek Magyarországon is megkezdték saját belső minősítő rendszereik felépítését, melyek karbantartása és fejlesztése folyamatos feladat. A szerző arra a kérdésre keres választ, hogy lehetséges-e a csőd-előrejelző modellek előre jelző képességét növelni a hagyományos matematikai-statisztikai módszerek alkalmazásával oly módon, hogy a modellekbe a pénzügyi mutatószámok időbeli változásának mértékét is beépítjük. Az empirikus kutatási eredmények arra engednek következtetni, hogy a hazai vállalkozások pénzügyi mutatószámainak időbeli alakulása fontos információt hordoz a vállalkozás jövőbeli fizetőképességéről, mivel azok felhasználása jelentősen növeli a csődmodellek előre jelző képességét. A szerző azt is megvizsgálja, hogy javítja-e a megfigyelések szélsőségesen magas vagy alacsony értékeinek modellezés előtti korrekciója a modellek klasszifikációs teljesítményét. ______ Banks and lenders in Hungary also began, after the introduction of the Basel 2 capital agreement, to build up their internal rating systems, whose maintenance and development are a continuing task. The author explores whether it is possible to increase the predictive capacity of business-failure forecasting models by traditional mathematical-cum-statistical means in such a way that they incorporate the measure of change in the financial indicators over time. Empirical findings suggest that the temporal development of the financial indicators of firms in Hungary carries important information about future ability to pay, since the predictive capacity of bankruptcy forecasting models is greatly increased by using such indicators. The author also examines whether the classification performance of the models can be improved by correcting for extremely high or low values before modelling.