Artykuł dotyczy prognozowania upadłości przedsiębiorstw w Polsce. To, czy dane przedsiębiorstwo będzie w stanie regulować swoje zobowiązania finansowe, a więc czy przetrwa na rynku, jest przedmiotem zainteresowania wielu podmiotów rynkowych, a w szczególności dostawców, kredytodawców oraz właścicieli. Ze względu na pracochłonność pełnej analizy kondycji finansowej przedsiębiorstwa usiłowano opracować metody umożliwiające postawienie natychmiastowej i pewnej diagnozy dotyczącej sytuacji finansowej firmy, oparte na możliwie najmniejszej liczbie parametrów. Tego rodzaju potrzeba była przyczyną powstania modeli prognozujących bankructwa.

W artykule tym porównano dwie metody prognozowania zagrożeń firm upadłością: nowatorską - sztuczne sieci neuronowe - oraz tradycyjną - analizę dyskryminacyjną. W badaniach autor wykorzystał dane dotyczące 180 polskich przedsiębiorstw produkcyjnych. Populacja ta została podzielona na próbę uczącą i testową. Zarówno w próbie uczącej, jak i testowej proporcja bankrutów do niebankrutów wynosiła 1 : 1. Każde z analizowanych 180 przedsiębiorstw opisanych zostało za pomocą 27 wskaźników finansowych oraz dodatkowo jednej zmiennej nieekonomicznej - regionu funkcjonowania danej spółki. Przy opracowaniu własnych modeli sztucznych sieci neuronowych autor zastosował następujące podejścia badawcze:

• podejście I - K1, w którym zbiór zawierał wszystkie 28 zmienne diagnostyczne,
• podejście II - K2, w ramach którego dane wejściowe do modeli wyznaczono na podstawie analizy macierzy współczynników korelacji poszczególnych zmiennych diagnostycznych.

W celu sprawdzenia, czy model sztucznych sieci neuronowych jest skuteczniejszy w polskiej gospodarce od modelu analizy dyskryminacyjnej, autor porównał skuteczność dwóch modeli analizy dyskryminacyjnej B. Prusaka z opracowanymi modelami K1 i K2 z próby testowej. Opracowane przez B. Prusaka modele (P1 i P2) zostały wyznaczone na podstawie tej samej populacji przedsiębiorstw. Wykorzystanie tego samego materiału statystycznego umożliwiło autorowi dokonanie wiarygodnej analizy porównawczej modeli SSN i modeli analizy dyskryminacyjnej.