Rakennusalan konkurssien ennustaminen tilinpäätöstiedoista talouden laskusuhdanteessa

Abstract

Suomen talous on tällä hetkellä pahassa laskusuhdanteessa ja taantumassa. Marraskuussa 2023 Suomessa meni konkurssiin yrityksiä eniten 25 vuoteen. Koronapandemia ja Ukrainan sota ovat yhdessä aiheuttaneet rakennusalan yhtiöille kriisin. Tämän pro-gradun tavoitteena on kehittää ennustemalleja rakennusalan yhtiöiden konkurssien ennakointiin taloudellisen laskusuhdanteen aikana. Tutkimuksessa luotiin neljä erilaista regressiomallia, joiden avulla tutkittiin taloudellisten tunnuslukujen, yrityksen iän ja koon sekä makrotaloudellisten muuttujien vaikutusta konkurssien ennustetarkkuuteen.

Tutkimus toteutettiin kvantitatiivisena tutkimuksena, jossa tutkimusmenetelmä toimi logistinen regressioanalyysi. Tutkimusaineisto koostui yhteensä 103 konkurssiyrityksestä, jotka olivat menneet konkurssiin vuoden 2020 jälkeen sekä 134 aktiivisesta yrityksestä, jotka olivat vielä aktiivisia vuoden 2023 elokuussa, kun aineisto kerättiin. Tutkimuksen rakenne koostuu teoria- ja empiriaosuudesta, joissa perehdytään aikaisempiin tutkimuksiin ja niiden tuloksiin.

Tutkimuksen tuloksena oli, että pelkillä taloudellisilla tunnusluvuilla ennustetarkkuus jää matalaksi, eikä yrityksen iän tai koon huomioiminen nosta mallin tarkkuutta huomattavasti. Makrotaloudellisen muuttujan lisääminen ennustemalliin nosti kuitenkin mallin ennustetarkkuutta huomattavan paljon. Ennustetarkkuuden havaittiin myös olevan parhaimmillaan 1–2 vuotta ennen konkurssia, joiden jälkeen ennustetarkkuus laski huomattavasti.

The Finnish economy is currently in a downturn and recession. In November 2023, the highest number of companies went bankrupt in 25 years. The combination of the COVID-19 pandemic and the war in Ukraine have collectively caused a crisis for companies in the construction industry. The objective of this master's thesis is to develop new prediction models for forecasting bankruptcy in construction companies during economic downturns. The research developed four different regression models to investigate the impact of financial indicators, company age and size, and macroeconomic indicator on the accuracy of bankruptcy predictions.

The research was conducted as a quantitative study, with logistic regression analysis as the research method. The research dataset consisted of a total of 103 bankrupt companies that had gone bankrupt after the year 2020, and 134 active companies that were still operational in August 2023 when the data was collected. The structure of the study comprises theoretical and empirical sections, delving into previous research and their findings.

The results of the study indicated that using only financial indicators resulted in low prediction accuracy, and adding the age or size of the company as additional variable did not significantly improve the model's accuracy. However, the model that combined financial indicator with the macroeconomic variable had very significant increase in accuracy. For all the models, the prediction accuracy had significantly higher accuracy for years 1 and 2 before bankruptcy. The models showed a considerable decrease in accuracy when measured with variables from 3 years before bankruptcy.