Suomalaisten yritysten konkurssin ennustaminen konkurssiennustemalleilla
Koivulahti, Sampsa (2019)
Kandidaatintutkielma
Koivulahti, Sampsa
2019
School of Business and Management, Kauppatieteet
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2019101132266
https://urn.fi/URN:NBN:fi-fe2019101132266
Tiivistelmä
Konkurssin ennustamisen tärkeys on korostunut nykyaikana. Tämän riskin havainnoimiseksi on kehitetty konkurssiennustemalleja, joiden kehitystyö jatkuu vieläkin aktiivisena. Vanhimpien mallien tuloksista on jonkin verran ristiriitaista tutkimustulosta, mutta ovat pääasiassa edelleen hyvä pohja uusien mallien kehitykselle.
Tähän tutkimukseen on valittu kolme yleistä konkurssiennustemallia, jotka olivat Altmanin Z, Prihtin Z ja Laitisen kolmen muuttujan Z-luku. Mallien ennustamisen soveltuvuutta tarkastellaan nykyaikaisilla suomalaisilla yrityksillä ja niiden tilinpäätöstiedoilla. Tarkasteluvuodet sijoittuivat vuosille 2015-2017, joista 2017 oli viimeinen kokonainen tilikausi ennen konkurssia.
Tutkimuksen empiria suoritettiin kvantitatiivisin menetelmin. Tutkimusaineiston 143:lle toimivalle ja 134:lle konkurssiyritykselle suoritettiin logistinen regressio, jonka avulla saatiin mallien luokittelutarkkuudet, selitysasteet, sopivuudet ja parametrien estimaatit. Luokittelutarkkuutta verrattiin myös alkuperäisten mallien antamiin Z-lukuihin, jonka perusteella saatiin käsitys mallien päivittämisen tarpeesta ja syvemmästä ymmärryksestä niiden käyttökelpoisuudesta.
Tutkimustulokset osoittavat mallien olevan melko epätarkkoja konkurssin ennustamiseen. Selitysasteet ja mallien sopivuudet olivat alhaisia. Lisäksi jotkin muuttujat olivat malleissa merkityksettömiä. Muita malleja selkeästi vahvemmin suoriutui kuitenkin Prihtin Z-luku, jolla oli mahdollista ennustaa konkurssia suhteellisen tarkasti kahta vuotta aiemmin. Vertaamalla regression tuloksia Z-luvun antamaan luokitteluun, todettiin mallien tarvitsevan päivitystä kokonaistarkkuuden nostamiseksi. The importance of predicting bankruptcy is prevalent today. In order to observe this risk, bankruptcy models have been, and still are, developed. There are some contradictory results about the accuracy of the oldest models, but they are still regarded as a good basis for the development of newer models.
This thesis includes three different bankruptcy models that are Altman’s Z, Prihti’s Z and Laitinen’s three variable Z scores. The applicability of predicting bankruptcy with these models is examined with current financial statements of Finnish companies. Financial statements are from years 2015 to 2017, of which 2017 is the last whole accounting beriod before bankruptcy.
The empirical section of this thesis was conducted with quantitative methods. A logistic regression was done for the data of the thesis, which consisted of 143 operational and 134 bankrupt firms, in order to find out the models’ classification accuracy, goodness-of-fit and its parameters’ estimates. The classification accuracy was compared with the Z-values, which were calculated with the original models, to form a better understanding of the applicability and whether the models needed updating.
Results show the models to be quite inaccurate. All the Goodness-of-fit tests had low values. In addition, some variables were statistically insignificant. However, Prihti’s Z-score outperformed others, after it was able to predict a company’s bankruptcy with relatively accurate results two years prior. By comparing the results of the regression with the classification of Z-scores, it was concluded that the models needed updating for better overall accuracy.
Tähän tutkimukseen on valittu kolme yleistä konkurssiennustemallia, jotka olivat Altmanin Z, Prihtin Z ja Laitisen kolmen muuttujan Z-luku. Mallien ennustamisen soveltuvuutta tarkastellaan nykyaikaisilla suomalaisilla yrityksillä ja niiden tilinpäätöstiedoilla. Tarkasteluvuodet sijoittuivat vuosille 2015-2017, joista 2017 oli viimeinen kokonainen tilikausi ennen konkurssia.
Tutkimuksen empiria suoritettiin kvantitatiivisin menetelmin. Tutkimusaineiston 143:lle toimivalle ja 134:lle konkurssiyritykselle suoritettiin logistinen regressio, jonka avulla saatiin mallien luokittelutarkkuudet, selitysasteet, sopivuudet ja parametrien estimaatit. Luokittelutarkkuutta verrattiin myös alkuperäisten mallien antamiin Z-lukuihin, jonka perusteella saatiin käsitys mallien päivittämisen tarpeesta ja syvemmästä ymmärryksestä niiden käyttökelpoisuudesta.
Tutkimustulokset osoittavat mallien olevan melko epätarkkoja konkurssin ennustamiseen. Selitysasteet ja mallien sopivuudet olivat alhaisia. Lisäksi jotkin muuttujat olivat malleissa merkityksettömiä. Muita malleja selkeästi vahvemmin suoriutui kuitenkin Prihtin Z-luku, jolla oli mahdollista ennustaa konkurssia suhteellisen tarkasti kahta vuotta aiemmin. Vertaamalla regression tuloksia Z-luvun antamaan luokitteluun, todettiin mallien tarvitsevan päivitystä kokonaistarkkuuden nostamiseksi.
This thesis includes three different bankruptcy models that are Altman’s Z, Prihti’s Z and Laitinen’s three variable Z scores. The applicability of predicting bankruptcy with these models is examined with current financial statements of Finnish companies. Financial statements are from years 2015 to 2017, of which 2017 is the last whole accounting beriod before bankruptcy.
The empirical section of this thesis was conducted with quantitative methods. A logistic regression was done for the data of the thesis, which consisted of 143 operational and 134 bankrupt firms, in order to find out the models’ classification accuracy, goodness-of-fit and its parameters’ estimates. The classification accuracy was compared with the Z-values, which were calculated with the original models, to form a better understanding of the applicability and whether the models needed updating.
Results show the models to be quite inaccurate. All the Goodness-of-fit tests had low values. In addition, some variables were statistically insignificant. However, Prihti’s Z-score outperformed others, after it was able to predict a company’s bankruptcy with relatively accurate results two years prior. By comparing the results of the regression with the classification of Z-scores, it was concluded that the models needed updating for better overall accuracy.