The characteristics of bankruptcies in Finland during the pandemic : Case COVID-19

Abstract

This master’s thesis aims to identify the characteristics of bankruptcies in Finland during the COVID-19 pandemic. The study uses cluster analysis with the k-means algorithm to identify distinguishable groups among businesses that filed for bankruptcy between January 2020 and June 2022. The variables used in the k-means clustering model are profit margin, company size, company age, the population of the city where a company was established, and dummy variables for 18 industries.

The number of clusters is determined according to the results of the elbow method, the silhouette analysis, the gap statistic, and the Calinski-Harabasz index. The distinctiveness of the clusters is analysed by comparing the characteristics of clusters to each other and by performing the independent sample t-test to see if there is a statistically significant difference between cluster means of each attribute.

The results of this study revealed three clusters of bankrupt companies. The first cluster was identified to have the youngest and smallest companies distributed in a broad variety of industries and located across different-sized cities. Companies in the second cluster are the oldest, largest, and concentrated on the construction industry, the manufacturing industry, and the whole sail and retail trade industry. The most distinctive qualities of the third cluster are that all the companies were established in the city with the highest population and had the lowest profit margin. Also, these companies formed the majority of the financial and insurance activities industry and the information and communication industry.

Tämän pro gradu-tutkielman tavoitteena on tunnistaa konkurssien ominaispiirteet Suomessa COVID-19 pandemian aikana. Tutkimuksessa käytetään klusterianalyysiä k-means algoritmillä, jolla muodostetaan toisistaan erottuvia ryhmiä yrityksistä, jotka ovat hakeutuneet konkurssiin tammikuun 2020 ja kesäkuun 2022 välillä. K-means klusterointimallissa käytetään seuraavia muuttujia: yrityksen tuottoprosentti, yrityksen koko, yrityksen ikä, yrityksen perustamispaikkakunnan asukasluku ja 18 dummy-muuttujaa, jotka kuvaavat eri toimialoja.

Klusterien lukumäärä määritellään ”elbow”- metodin, silhouette analyysin, gap-analyysin ja Calinski-Harabasz indeksin tulosten perusteella. Klustereiden erottuvuutta toisistaan analysoidaan vertailemalla klustereiden ominaispiirteitä toisiinsa, sekä suorittamalla itsenäisten otosten t-testi, jossa vertaillaan klustereiden muuttujien keskiarvoja tilastollisesti merkitsevien erojen havaitsemiseksi.

Tutkimuksen tulokset paljastivat konkurssin tehneistä yrityksistä kolme klusteria. Ensimmäisen klusterin yrityksille on ominaista nuori ikä, pieni koko, laaja jakautuminen eri toimialoille ja eri kokoisiin kaupunkeihin. Toisen klusterin yrityksiä kuvaa korkea ikä, suuri koko ja keskittyminen rakentamisen, teollisuuden ja tukku- ja vähittäiskaupan toimialoille. Kolmannen klusterin erottavin ominaispiirre on kaikkien yritysten sijoittuminen suurimman väkiluvun kaupunkiin ja matala tuottoprosentti. Kolmannen klusterin yritykset muodostavat enemmistön informaatio ja viestinnän toimialasta, sekä rahoitus- ja vakuutustoiminnan toimialasta.