Taloudellisten tunnuslukujen ja makrotaloudellisten muuttujien kyky ennustaa konkurssi suomalaisissa majoitus- ja ravitsemusalan pk-yrityksissä
Laamanen, Anni (2017)
Pro gradu -tutkielma
Laamanen, Anni
2017
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe201705186607
https://urn.fi/URN:NBN:fi-fe201705186607
Tiivistelmä
Työn tavoitteena oli luoda konkurssin ennustamisen malli, jossa hyödynnetään sekä yrityskohtaisia tunnuslukuja että makrotaloudellisia lukuja. Nämä makrotaloudelliset luvut ovat yrityksestä riippumattomia, koko kansantalouden tilaa kuvaavia lukuja. Työn aineistona olivat suomalaiset majoitus- sekä ravitsemusalan pk-yritykset, koska nämä ovat alttiita makrotaloudessa tapahtuville muutoksille.
Tutkimusmenetelmissä hyödynnettiin kvantitatiivisia menetelmiä ja luotiin useampia binäärisiä logistisia regressiomalleja, jotka luokittelivat yrityksiä konkurssiyrityksiksi tai aktiivisiksi yrityksiksi. Ensimmäinen luotu malli toimi kohtalaisesti. Tämän luodun mallin ei voida kuitenkaan väittää kykenevän ennustamaan konkurssia johtuen heikosta konkurssiyritysten oikeinluokittelusta. Tämän ensimmäisen mallin pohjalta luotiin uusi malli, johon sisällytettiin makrotaloudellista ympäristöä huomioivia muuttujia. Lopullinen makrotaloudellisia tekijöitä huomioiva malli kykeni luokittelemaan konkurssiyritykset sekä aktiiviset yritykset paremmin kuin ensimmäinen malli sekä nosti ensimmäisen mallin heikkoa selitysastetta. Tällöin makrotaloudellisten tekijöiden huomioiminen mallissa parantaa konkurssin ennustamiskykyä. Tutkimus tarjoaa lisää todisteita sille, että kvantitatiivisin menetelmin luotuja konkurssin ennustamismalleja voidaan parantaa sisällyttämällä niihin muita kuin yrityskohtaisia tunnuslukuja. The goal of this Thesis was to create a bankruptcy prediction model which utilises company figures and macroeconomic variables. These macroeconomic variables are independent ratios, which describes the economic state. The data is gathered from Finnish accommodation and restaurant sector SMEs. This business sector is known to be more prone to macroeconomic changes.
The method was to create several binary logistic regression models. These models classified the company either to bankruptcy or active company. First model created worked in a moderate way. This model cannot be described as a bankruptcy prediction model do to the poor classification of the bankruptcy companies. The second model used the same significant company figures but was enriched with macroeconomic variables. The final model which took notice the macroeconomic variables was able to classify companies’ way better than the first model created. The final model also increased the explanation factor of the previous model. This study provides more evidence to the fact, that by taking account macroeconomic variables, you can improve quantitative bankruptcy prediction models.
Tutkimusmenetelmissä hyödynnettiin kvantitatiivisia menetelmiä ja luotiin useampia binäärisiä logistisia regressiomalleja, jotka luokittelivat yrityksiä konkurssiyrityksiksi tai aktiivisiksi yrityksiksi. Ensimmäinen luotu malli toimi kohtalaisesti. Tämän luodun mallin ei voida kuitenkaan väittää kykenevän ennustamaan konkurssia johtuen heikosta konkurssiyritysten oikeinluokittelusta. Tämän ensimmäisen mallin pohjalta luotiin uusi malli, johon sisällytettiin makrotaloudellista ympäristöä huomioivia muuttujia. Lopullinen makrotaloudellisia tekijöitä huomioiva malli kykeni luokittelemaan konkurssiyritykset sekä aktiiviset yritykset paremmin kuin ensimmäinen malli sekä nosti ensimmäisen mallin heikkoa selitysastetta. Tällöin makrotaloudellisten tekijöiden huomioiminen mallissa parantaa konkurssin ennustamiskykyä. Tutkimus tarjoaa lisää todisteita sille, että kvantitatiivisin menetelmin luotuja konkurssin ennustamismalleja voidaan parantaa sisällyttämällä niihin muita kuin yrityskohtaisia tunnuslukuja.
The method was to create several binary logistic regression models. These models classified the company either to bankruptcy or active company. First model created worked in a moderate way. This model cannot be described as a bankruptcy prediction model do to the poor classification of the bankruptcy companies. The second model used the same significant company figures but was enriched with macroeconomic variables. The final model which took notice the macroeconomic variables was able to classify companies’ way better than the first model created. The final model also increased the explanation factor of the previous model. This study provides more evidence to the fact, that by taking account macroeconomic variables, you can improve quantitative bankruptcy prediction models.