Konkurssiriskin ennustaminen suomalaisissa rakennusalan yhtiöissä : segmenttikohtainen logit- ja ensemble analyysi taso- ja muutostunnusluvuilla

Abstract

Tämän tutkielman tavoitteena on analysoida suomalaisten rakennusalan osakeyhtiöiden taloudellista profiilia ja arvioida, kuinka hyvin tilinpäätöstietoihin perustuvilla malleilla voidaan ennustaa yritysten konkurssiriskiä yhden vuoden ennustehorisontilla. Aineisto koostuu ORBIS-tietokannasta haetuista suomalaisista NACE 41–43 -toimialojen yhtiöistä, ja analyysi kohdistuu yhtiöiden viimeisimpään tilikauteen (T) sekä sitä edeltävään tilikauteen (T–1), joiden perusteella muodostetaan taso- ja muutostunnusluvut. Yritykset segmentoidaan taseen loppusumman perusteella suuriin, pk- ja mikroyhtiöihin, ja tulokset raportoidaan segmenttikohtaisesti.

Menetelmällisesti tutkielma yhdistää kokoluokittaisen profiilianalyysin ja yksimuuttujaiset logistiset regressiomallit tunnuslukujen esivalintaan sekä monimuuttujaiset logistiset regressiomallit ja puupohjaiset ensemble-mallit (AdaBoost, Gradient Boosting, satunnaismetsä) malliperheiden vertailuun.

Profiilianalyysi osoittaa, että konkurssiyhtiöitä yhdistää kaikissa kokoluokissa heikko kannattavuus ja segmenttien väliset erot vaikuttavat liittyvän ennen kaikkea pääomarakenteeseen. Monimuuttujaisissa malleissa muutostunnusluvut eivät paranna ennustetarkkuutta systemaattisesti yhden vuoden aikahorisontilla, mikä viittaa siihen, että tasotunnusluvut sisältävät keskeisimmän ennusteinformaation tarkastetussa aineistossa. Malliperheiden vertailussa ensemble-mallit saavuttavat keskimäärin logistista regressiota korkeampia AUC-arvoja, mutta erot jäävät kokonaisuutena maltillisiksi. Samalla kynnysarvon valinta osoittautuu keskeiseksi erityisesti epätasapainoisessa aineistossa: oletusraja-arvo voi johtaa konkurssien alihavaitsemiseen ja Youdenin indeksi tuottaa käytännön päätöksenteon kannalta kompromissin konkurssien tunnistamisen ja väärien hälytysten välillä.

The aim of this thesis is to analyse the financial profile of Finnish construction limited liability companies and to assess how well financial-statement-based models can predict corporate bankruptcy risk with a one-year prediction horizon. The dataset is drawn from ORBIS and covers Finnish firms operating in NACE 41–43. The analysis focuses on the most recent fiscal year (T) and the preceding year (T–1), based on which both level-based and change-based financial ratios are constructed. Firms are segmented by total assets into large, SME, and micro firms, and the results are reported separately for each segment.

Methodologically, the thesis combines size-segmented profiling analysis and univariate logistic regression models for ratio pre-screening, as well as multivariate logistic regression and tree-based ensemble models (AdaBoost, Gradient Boosting, Random Forest) to compare model families.

The profiling analysis indicates that bankrupt firms are characterised by weak profitability across all size segments, while differences between segments appear to be driven primarily by capital structure. In the multivariate models, change-based ratios do not systematically improve predictive accuracy at a one-year horizon, suggesting that level-based ratios contain the most relevant predictive information in the analysed dataset. In the model comparison, ensemble methods achieve, on average, higher AUC values than logistic regression, but the overall differences remain modest. At the same time, threshold selection proves critical in a highly imbalanced setting: the default cutoff may lead to under-detection of bankruptcies, whereas the Youden index provides a decision-relevant trade-off between identifying bankruptcies and limiting false alarms.