Algorytm widzi kłopoty firmy rok wcześniej niż sąd. Nagroda Prezesa GUS dla doktoratu z UEW

Dotychczasowe systemy wczesnego ostrzegania przed pogorszeniem sytuacji finansowej przedsiębiorstw w Polsce budowano zwykle na niewielkich próbach badawczych i koncentrowały się głównie na prognozowaniu upadłości w sensie prawnym. Dr Aleksandra Szymura, absolwentka Szkoły Doktorskiej Uniwersytetu Ekonomicznego we Wrocławiu, w swojej rozprawie opracowała modele uczenia maszynowego na podstawie danych setek tysięcy polskich spółek i pokazała, że ryzyko utraty rentowności, płynności lub ryzyko nadmiernego zadłużenia można skutecznie przewidywać z rocznym wyprzedzeniem. Jej rozprawa doktorska zajęła II miejsce w Konkursie Prezesa Głównego Urzędu Statystycznego na najlepszą pracę doktorską z zakresu statystyki obronioną w 2025 roku.

Nagroda Prezesa GUS dla badaczki z Wrocławia

Konkurs Prezesa GUS na najlepszą pracę magisterską i doktorską z zakresu statystyki co roku wyłania prace, które łączą warsztat statystyczny z odpowiedzią na konkretne problemy gospodarki. Do tegorocznej edycji mogły być zgłaszane rozprawy obronione w 2025 roku na polskich uczelniach (źródło: konkursnaprace.stat.gov.pl). Dyplomy laureatom wręczono podczas VI Kongresu Statystyki Polskiej, zorganizowanego przez Główny Urząd Statystyczny i Polskie Towarzystwo Statystyczne, który odbył się w Warszawie w dniach 1–2 lipca 2026 roku (źródło: kongres.stat.gov.pl; wręczenie: informacja własna). 

Nagrodzona rozprawa nosi tytuł „Zastosowanie metod uczenia maszynowego w procesie oceny spółek kapitałowych”. Powstała pod kierunkiem prof. dr. hab. Marka Kośnego, Prorektora ds. Nauki UEW, przy wsparciu dr Alicji Grześkowiak jako promotorki pomocniczej (źródło: strona tytułowa rozprawy, Baza Wiedzy WIR).

Wczesna identyfikacja pogarszającej się sytuacji finansowej

Większość dotychczasowych systemów wczesnego ostrzegania koncentrowała się na przewidywaniu upadłości w sensie prawnym, czyli momentu sądowego potwierdzenia upadłości.  Z perspektywy banków, inwestorów oraz kontrahentów jest to etap, na którym wartość przedsiębiorstwa oraz możliwości odzyskania należności mogą być już istotnie ograniczone.  

Dr Szymura zmienia tę perspektywę. Opracowała system, który, zamiast czekać na formalne stwierdzenie upadłości, wychwytuje wcześniejsze symptomy pogarszającej się sytuacji finansowej i analizuje ryzyko wystąpienia trzech negatywnych zjawisk: utraty rentowności, utraty płynności oraz nadmiernego zadłużenia, z rocznym wyprzedzeniem (źródło: rozprawa, Wstęp s. 10 i Zakończenie s. 218). 

Zastosowanie metod uczenia maszynowego

Nowością rozprawy jest zastosowane jednoczesne podejście wieloetapowe i wieloaspektowe, w którym metody uczenia maszynowego wykorzystywane są na wszystkich etapach procedury badawczej: od doboru zakresu podmiotowego, przez selekcję zmiennych finansowych, po budowę modeli oceny ryzyka. Badanie objęło polskie spółki kapitałowe, tj. spółki z ograniczoną odpowiedzialnością oraz spółki akcyjne, a wynik końcowy przyjmuje postać  miernika syntetycznego. O ocenie przedsiębiorstwa decyduje najwyższy poziom spośród trzech analizowanych rodzajów ryzyka (źródło: rozprawa, podrozdział 5.6, wzór 35). 

Skala badania wyróżnia pracę na tle literatury. Dotychczasowe systemy wczesnego ostrzegania powstawały przeważnie na próbach mniejszych niż sto obserwacji (źródło: rozprawa, s. 52). Dr Szymura pobrała wstępnie z bazy Orbis dane dla około ćwierć miliona spółek z ograniczoną odpowiedzialnością i ponad sześciu tysięcy spółek akcyjnych rocznie za lata od 2017 do 2020, które następnie poddała wstępnemu przetwarzaniu i analizie (źródło: rozprawa, tabela 5, s. 127). W modelowaniu wykorzystała między innymi takie algorytmy jak: XGBoost, LightGBM i CatBoost (źródło: rozprawa, s. 110). 

Znaczenie dynamiki zmian finansowych

Praca przynosi również ustalenia o znaczeniu wykraczającym poza zastosowane podejście metodyczne. Wskaźniki tempa zmian rok do roku, opisujące dynamikę pozycji ze sprawozdań finansowych, okazały się równie ważne w predykcji negatywnych zdarzeń co klasyczne wskaźniki liczone na dzień bilansowy (źródło: rozprawa, Zakończenie, s. 219). Dotychczasowe systemy rzadko uwzględniały tego typu zmienne. Sugeruje to, że o zbliżających się problemach finansowych może świadczyć nie tylko aktualny stan finansów firmy, lecz także kierunek i tempo jej zmian. 

Przejrzystość działania modeli

Drugim wyróżnikiem pracy jest potraktowanie interpretowalności modeli jako warunku ich praktycznego zastosowania. Opracowana procedura analityczna nie działa jak czarna skrzynka: system wskazuje, które zmienne i w jakim kierunku wpływają na ocenę ryzyka. Do wyjaśniania predykcji zastosowano technikę SHAP (źródło: rozprawa, s. 220). Ma to znaczenie podwójne. Analityk rozumie, skąd wzięła się otrzymana ocena, a instytucja finansowa spełnia rosnące wymogi regulacyjne dotyczące wyjaśnialności modeli sztucznej inteligencji. Autorka podkreśla przy tym, że celem modeli jest wspieranie analityka w procesie decyzyjnym, a nie zastąpienie go (źródło: rozprawa, s. 222). 

Możliwe zastosowania

Odbiorcami tego narzędzia mogą być: analitycy rynków kapitałowych, banki oceniające ryzyko kredytowe, inwestorzy, audytorzy oraz instytucje publiczne, w tym administracja podatkowa (źródło: rozprawa, rozdział 1.2). Wczesna i interpretowalna ocena kondycji finansowej spółek przekłada się na lepsze decyzje kredytowe, inwestycyjne i nadzorcze.

Nie pierwszy sukces badaczki

To kolejne wyróżnienie dla dr Aleksandry Szymury. W 2024 roku, jeszcze jako doktorantka, została nominowana przez Perspektywy Women in Tech do listy Top 100 Kobiet w Data Science w Polsce (źródło: uew.pl/sukces-naszej-doktorantki). 

Rozprawa jest dostępna w otwartym dostępie w Repozytorium WIR Uniwersytetu Ekonomicznego we Wrocławiu: https://doi.org/10.48812/uew.wir/xsrl1624 

Autor tekstu: Justyna Morawska-Płoskonka