Structured financial crime risk scoring framework for small and medium-sized enterprises

Abstract

This research focuses on analysing the financial crime risk exposure of Small and Medium-sized Enterprises (SMEs) utilising data obtained from firm-level records and reconstructed fraud cases. Compared to more traditional models, which primarily rely on the financial ratios for risk scoring, this study’s model introduces novel multidimensional framework which incorporates additional dimensions such as structural, sectoral, and geographic risk factors. The objective of the research is to propose a structured scoring framework that performs risk differentiation based on multidimensional company data. In order to find a suitable model for risk assessment, three different weighting approaches and global sensitivity analysis were compared. Based on the results, the Mean-Difference weighting approach combined with standard normalization provided the most suitable model. The data consisting of 346 European SMEs was analysed, and validation was subsequently performed utilizing both empirical proxies and a synthetic dataset. Key risk drivers were identified through the analysis of weighting approaches, establishing structural opacity and sectoral exposure as the primary differentiators, whereas financial ratios lacked discriminatory power. These structural indicators exhibited consistent predictive validity in defining risk segments, though the model's capacity to detect advanced evasive tactics was limited, evidenced by its failure to identify “stealth” companies mimicking legitimate behaviour. Despite this constraint, the results demonstrate the framework's consistent ability to identify structural outliers. Thesis contributes to literature by demonstrating how target-aware strategies, which extend beyond financial metrics, and prioritize structural and environmental risk factors can potentially improve SME risk scoring effectiveness.

Tässä tutkimuksessa analysoitiin pk-yritysten altistumista talousrikosriskille hyödyntäen yritystason aineistoa sekä jälleenrakennettuja petostapauksia. Verrattuna perinteisiin malleihin, jotka tukeutuvat riskipisteytyksessä ensisijaisesti taloudellisiin tunnuslukuihin, tämä tutkimus esittelee uudenlaisen moniulotteisen viitekehyksen, joka huomioi myös rakenteelliset, toimialakohtaiset ja maantieteelliset riskitekijät. Tutkimuksen tavoitteena oli luoda strukturoitu pisteytysviitekehys, joka erottelee riskejä moniulotteisen yritysdatan perusteella. Mallin soveltuvuuden varmistamiseksi vertailtiin kolmea eri painotusmenetelmää sekä globaalia herkkyysanalyysia. Tulokset osoittivat, että keskiarvojen erotukseen perustuva painotusmenetelmä (Mean-Difference) yhdistettynä standardoituun normalisointiin tarjosi tutkimuksen tavoitteiden kannalta soveltuvimman mallin. Analyysi toteutettiin 346 eurooppalaisen pk-yrityksen aineistolla, minkä lisäksi validointi suoritettiin käyttämällä empiirisiä vertailuyhtiöitä sekä synteettistä aineistoa. Painotusmenetelmien analyysi tunnisti keskeiset riskitekijät ja vahvisti rakenteellisen läpinäkymättömyyden sekä toimialariippuvuuden olevan ensisijaisia erottelutekijöitä, kun taas taloudellisten tunnuslukujen erottelukyky jäi heikoksi. Nämä rakenteelliset indikaattorit osoittivat johdonmukaista ennustuskykyä riskisegmenttien määrittelyssä. Mallin kyky havaita kehittyneitä välttelystrategioita osoittautui rajalliseksi, sillä se epäonnistui tunnistamaan laillista toimintaa jäljitteleviä “stealth” yrityksiä. Tästä rajoitteesta huolimatta tulokset osoittavat viitekehyksen kykenevän tunnistamaan rakenteellisia poikkeamia johdonmukaisesti. Tutkimus tuo lisäarvoa alan kirjallisuuteen osoittamalla, kuinka kohdetietoiset strategiat, jotka ulottuvat taloudellisia mittareita pidemmälle ja priorisoivat rakenteellisia sekä ympäristöperäisiä riskitekijöitä, voivat parantaa pk-yritysten riskipisteytyksen tehokkuutta.