Industry analysis on financial characteristics of firms in the context of Covid-19 crisis : a clustering approach

Abstract

This thesis investigates the financial characteristics of firms from an industry perspective and aims to explore if industries can be identified based on the financial characteristics of firms using the financial statements of listed companies in Finland, Norway and Sweden. Also a crisis perspective is looked at, regarding the Covid-19 crisis. This thesis looks at the possible differences among industries in the context of Covid-19 and explores if industries act alike during crisis and if it is possible to identify the industries in the context of crisis. Unsupervised machine learning is used to the financial statement data in order to create peer groups of firms, based only on the financial statement data of firms. This is done by adopting clustering analysis on the gathered data of financial statements. The financial statement data is common-sized to capture the financial characteristics of firms. The clustering analysis is adopted to the data and the clustering methods used are partitional clustering and hierarchical clustering. The selected method for partitional clusteing is k-means clustering and for hierarchical clustering it is Ward’s method. Euclidean distance is used as the distance measure and silhouette coefficient is used to optimize the number of clusters.

The results suggest that some industries can be identified solely based on the financial characteristics of firms. The results also indicate that for some industries, the financial characteristics act alike in the context of Covid-19. In addition, the geocraphical aspect is looked at as well, regarding the country where the firm is listed. The results indicate that countries have noticeable characteristics regarding the financial characteristics of firms, but no noticeable results are captured from the country affect regarding the Covid-19 context.

Tämä tutkielma tutkii yritysten taloudellisia ominaisuuksia toimialan näkökulmasta ja pyrkii tutkimaan, voiko toimialoja tunnistaa pelkästään yritysten taloudellisten ominaisuuksien perusteella käyttäen Suomessa, Norjassa ja Ruotsissa pörssilistattujen yritysten tilinpäätöstietoja. Myös kriisinäkökulmaa tutkitaan Covid-19 kriisin näkökulman kautta. Tämä tutkielma tutkii mahdollisia muutoksia toimialojen välillä Covid-19 kriisin kontekstissa ja tutkii, käyttäytyvätkö toimialat samalla tavalla kriisin aikana, ja onko toimialoja mahdollista tunnistaa tässä kontekstissa. Valvomatonta koneoppimista käytetään tilinpäätöstietoihin, jotta voidaan luoda vertaisryhmiä yrityksistä, jotka perustuvat pelkästään tilinpäätöstietoihin. Tämä tehdään klusterianalyysillä, jota hyödynnetään kerättyyn dataan. Tilinpäätöstiedot yhtenäistetään, jotta yritysten taloudelliset ominaisuudet saadaan esiin. Klusterianalyysissä käytetään osittaista- sekä hierarkista klusterointia. Osittaisen klusteroinnin menetelmänä käytetään k-means klusterointia ja hierarkisen klusteroinnin menetelmänä käytetään Wardin menetelmää. Euklidista etäisyyttä käytetään etäisyyden mittarina ja siluettikerrointa käytetään klustereiden määrän optimoimiseen.

Tulokset viittaavat siihen, että jotkin toimialat on mahdollista tunnistaa pelkästään yritysten talouidellisten ominaisuuksien perusteella. Voidaan myös huomata, että jotkin toimialat käyttäytyvät samalla tavalla taloudellisten ominaisuuksien näkökulmasta. Tämän lisäksi maantieteellistä näkökulmaa tutkitaan huomioimalla maa, jossa yritys on listattu pörssiin. Tulokset viittaavat siihen, että mailla on havaittavissa olevia ominaisuuksia yritysten taloudellisiin ominaisuuksiin liittyen. Covid-19 kriisiin liittyen ei ole havaittavissa tuloksia, kun tarkastellaan tuloksia maiden välillä.