AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

FORMATION OF COMPLEX COMPANY EVALUATION METHOD THROUGH NEURAL 
NETWORKS BASED ON THE EXAMPLE OF CONSTRUCTION COMPANIES´ COLLECTION 
 

a

MAREK VOCHOZKA 

 

The Institute of Technology and Business in České Budějovice, 
Okružní 517/10, 370 01 

České Budějovice, Czech Republic 

email: 

a

vochozka@mail.vstecb.cz 

 

 
Abstract: The main goal of this contribution is to create a model through the use of 
neural networks, which will be able to predict the company´s ability to survive a 
prospective financial crisis. Artificial neural networks are able to conduct non-linear 
statistical modelling and offer a completely suitable alternative to individual financial 
indicators within complex methods of evaluation. The contribution examines the basic 
data on companies coming from the Albertina database. The collection includes both 
financial and non-financial indicators of all construction companies in the Czech 
Republic within the period of 2008 to 2014. The object is to find an artificial neural 
network, which can classify each company based on the input data. Three neural 
networks are given and described, proving positive results. The best results are 
achieved by MLP 15:15-54-66-4:1. Through this network the Czech construction 
companies´ ability to survive a possible distress is consequently evaluated. 
 
Keywords: complex company evaluation, artificial neural networks, construction 
company, company bankruptcy, financial and non-financial indicators, predictive 
model 
 

 
1 Introduction 
 
In all companies, the meaning of enterprise evaluation keeps 
growing within today´s constantly changing economic 
environment (Fotr and Kislingerova, 2009). Enterprise evaluatio
n is the basic element for understanding the sources of company 
competition and at the same time, it is a source for company´s 
strategy implementation support. It is obvious that the 
knowledge of a company´s financial position is necessary. 
Reverse information is able to discover areas in which the 
enterprise was successful and how or where it has fulfilled the 
expectations and its aims. They may also point to situations not 
expected or managed by the enterprise and to situations, which 
may occur in the closest future (Vochozka et al., 2017). 
According to Wang, Stockton and Baguley (2010), success of 
the enterprise is even directly dependent on an exact prediction 
of future development. 
 

T

he process of a complex enterprise evaluation represents an 

objective, just and exact evaluation of enterprise function using 
mathematical statistics and operative research principles (Zhang 
and Zhong, 2015, p. 178). A correct enterprise evaluation may 
be ensured only by relevant methods. The last fifty years have 
brought a varied consideration range of approaches, methods, 
and tools of its measurements (Wagner, 2011, p. 776). 
According to Vlachy (2009, p. 147) traditional methods of 
financial analysis are insufficient. For instance, ratio analysis, 
using balance sheet and profit and loss statement data is still a 
widely used method, which may thus easily interpret the 
enterprise´s financial situation (Savvidis and Ginoglou, 2013). 
But not even this enterprise evaluation based on the analysis of 
financial data is sufficient (Smeureanu et al., 2011). Modern 
enterprises produce huge amounts of data, and traditional 
analytical tools and methods are no longer able to process such 
amounts of information collectively (Yan, Wang and Liu, 2012, 
p. 275). Enterprise evaluation should use both financial and non-
financial indicators.  (Hsiang et al. 2013). The truth is that 
information nowadays may represent relatively precious 
company wealth. A huge amount of data may also fundamentally 
influence complex enterprise evaluation (Machek and Hnilica, 
2012).  The ability to analyse and use massive amounts of 
information still keeps lagging behind the ability to collect and 
keep them (Wang, Rees and Liao, 2002). 
 
Complex enterprise evaluation methods are a specific group of 
tools used for suitable enterprise evaluation – mainly 
multidimensional models working with several criteria assigned  
specific weight (importance). The enterprise´s situation is then 
collectively expressed by one number, which evaluates the level  
of the enterprise´s financial health (Vochozka, 2010, p. 675). 
Artificial neural networks are able to carry out non-linear 

statistical modelling in these models, and thus provide a suitable 
alternative for simple financial indicators including a frequently-
used logistical regression or discrimination analysis (García, 
Giménez and Guijarro, 2013). These collective indexes serve 
according to Vochozka (2010) mainly investors and owners of 
the enterprise to determine the performance of the given 
enterprise from the perspective of value creation, or serve 
creditors in predicting whether the enterprise is not reaching 
bankruptcy in the nearest future. 
 
The issue of artificial neural networks related to enterprise 
evaluation belongs among rather young subjects. Their 
development and especially wide application expansion is being 
observed since 1980´s (Du Jardin, 2010). Nowadays, still new 
types of networks keep appearing, as well as massive 
development of information technologies and computing 
technologies for their implementation (Synek, Hoffmann and 
Mackenzie, 2013). Neural networks belong, together with fuzzy 
sets, expert systems, gnostic theory in uncertain data or genetic 
algorithms, etc., among non-static higher methods of financial 
analysis (Vochozka et al., 2016). Most simple indicators, but 
also mathematical-statistical or non-statistical methods prove 
shortcomings that implement a certain level of inaccuracy into 
the result. They often do not take into account specific 
differences – for instance, the level of inflation or tax policy. 
They also have difficulties capturing causes of problems and are 
not able to work with intangible assets, know-how for instance 
(Kuzey, Uyar and Delen, 2014). Modern methods try to get rid 
of these shortcomings. So-called higher methods of financial 
analysis demand high-quality software equipment and 
knowledge of mathematical statistics. Data availability and 
ability to provide the model with information wanted are also 
necessary. Neural networks require a certain set of data to refine 
the network outcome, that is why they are not able to evaluate 
enterprise performance correctly without model data (Amusan et 
al., 2013). Savvidis and Ginoglou (2013) state that the 
performance of artificial neural networks and of complete 
company evaluation depends mainly on data. If there is enough 
data it is possible to claim that artificial neural network is the 
correct choice for enterprise evaluation (Ghodsi, Zakerinia and 
Jokar, 2011). 
 
The main advantage predicting artificial neural networks for 
application in economy is, according to Vesely (2011) the ability 
to work with non-linear data, too. In complex enterprise 
evaluation, there are countless non-linear relations or structures 
(Ciobanu and Vasilescu, 2013). A non-linear enterprise 
evaluation model assembled on the basis of neural networks may 
stimulate economic phenomena better, and its results are 
objective, relatively exact and have a practical referential value 
(Zhang and Zhong, 2015, p. 178). This advantage of artificial 
neural networks is confirmed also by Wu et al. (2011) claiming 
that networks are able to learn, and having learned, they are able 
to capture the hidden, and even strongly  non-linear 
dependencies. They use distributed parallel processing of 
information and reach high speed processing of large data 
volumes. According to Mostafa (2009), artificial neural network 
models have a great potential in classifying the relative 
enterprise performance thanks to their robustness and algorithm 
modelling flexibility. 
 
A model based on artificial neural networks, evaluating 
enterprise performance may be set in many ways. Input data is 
often represented by significant items which are usually a part of 
a balance sheet or profit and loss statement. Shi, Bian and Zhang 
(2010) for instance, classify the value of total enterprise assets, 
the amount of workers, main enterprise costs, net fixed assets, 
net profit, main enterprise income, total asset turnover indicator 
and income per share among input information. Zhang and 
Zhong (2015) use up to 20 enterprise financial indicators for the 
purposes of education and testing of back propagation type 
neural network samples.  They include, for instance, net income 

- 232 -