Maksuhäiriöiden ennustaminen. Saadaanko neuroverkosta apua yritysten luokitteluun?
Packalén, Kim (2006)
Kuvaus
Kokotekstiversiota ei ole saatavissa.
Tiivistelmä
Yrityksen tulevat häiriöt kiinnostavat monia yrityksen sidosryhmiä, jotka osallistuvat sen toimin-taan rahoittajina. Yritysten luokittelua terveisiin ja häiriöllisiin yrityksiin on tutkittu jo 1800–luvun lopulla, jolloin ensimmäiset yrityksen taloudellista tilannetta mittaavat tunnusluvut kehitettiin. Kui-tenkin vasta 1960–luvun loppupuolella tehtiin ensimmäiset varsinaiset tilastollisiin menetelmiin perustuvat tieteelliset tutkimukset, joissa kehitettiin tilastollisista analyysia yrityksen konkurssin ennustamiseksi. Tässä suhteessa uranuurtajia olivat Beaver (1966) ja Altman (1968). Myöhemmin tutkimuksen kohteeksi tulivat myös maksuhäiriöt, jotka hyvin usein edeltävät yrityksen konkurssia ja näin toimivat ensimmäisinä konkreettisina merkkeinä yrityksen huonosta kunnosta. Tässä tutki-muksessa tutkitaan tilastollisten mallien kykyä luokitella häiriöttömät ja maksuhäiriölliset yritykset oikeisiin luokkiin.
Tutkimuksen lähtökohtana on tutkia logistisen regressioanalyysin ja neuroverkon tehokkuutta mak-suhäiriöiden luokittelussa. Tutkimuksen hypoteesi olettaa, että neuroverkko antaa paremman luokit-telukyvyn kuin logistinen analyysi. Tätä hypoteesia ei pystytty perustelemaan pelkästään aikaisem-pien tutkimusten avulla, koska nämä antoivat toisistaan ristiriitaisia tuloksia. Toisena hypoteesina tutkitaan esikäsittelyn vaikutusta neuroverkon luokittelutarkkuuteen. Tähän kysymykseen aikai-semmat tutkimukset antoivat myös hyvin ristiriitaisia vastauksia. Merkittävä osa tutkijoista on käyt-tänyt esikäsittelyä neuroverkon rakentamisessa, mutta osa tutkijoista jätti tietoisesti pois esikäsitte-lyn, koska eivät uskoneet sen parantavan lopputulosta.
Tutkimuksessa käytetyllä aineistolla saatiin osoitettua ainoastaan ensimmäisen vuoden neuroverk-komalli tilastollisesti merkitsevästi paremmaksi luokittelijaksi kuin logistinen regressioanalyysi. Tällöin neuroverkko kykeni luokittelemaan yritykset oikein yli 86 prosentin tarkkuudella kun logis-tinen analyysi jäi hieman yli 78 prosentin tarkkuuteen. Luokittelukyky heikkenee käytettäessä van-hempaa aineistoa siten, että kolme vuotta vanhalla aineistolla molemmat mallit kykenevät vain 74 prosentin luokittelukykyyn. Aineiston esikäsittely auttoi tässä tutkimuksessa tasapainottamaan luokkien tuloksia, joten sitä käytettiin rakennettaessa malleja. Tutkimus antoi empiiristä vahvistusta neuroverkon luokittelukyvystä. Sen käytön suurimpana esteenä on kuitenkin se, ettei mallin raken-netta pystytä täsmälleen havaitsemaan ja arvioimaan.
Tutkimuksen lähtökohtana on tutkia logistisen regressioanalyysin ja neuroverkon tehokkuutta mak-suhäiriöiden luokittelussa. Tutkimuksen hypoteesi olettaa, että neuroverkko antaa paremman luokit-telukyvyn kuin logistinen analyysi. Tätä hypoteesia ei pystytty perustelemaan pelkästään aikaisem-pien tutkimusten avulla, koska nämä antoivat toisistaan ristiriitaisia tuloksia. Toisena hypoteesina tutkitaan esikäsittelyn vaikutusta neuroverkon luokittelutarkkuuteen. Tähän kysymykseen aikai-semmat tutkimukset antoivat myös hyvin ristiriitaisia vastauksia. Merkittävä osa tutkijoista on käyt-tänyt esikäsittelyä neuroverkon rakentamisessa, mutta osa tutkijoista jätti tietoisesti pois esikäsitte-lyn, koska eivät uskoneet sen parantavan lopputulosta.
Tutkimuksessa käytetyllä aineistolla saatiin osoitettua ainoastaan ensimmäisen vuoden neuroverk-komalli tilastollisesti merkitsevästi paremmaksi luokittelijaksi kuin logistinen regressioanalyysi. Tällöin neuroverkko kykeni luokittelemaan yritykset oikein yli 86 prosentin tarkkuudella kun logis-tinen analyysi jäi hieman yli 78 prosentin tarkkuuteen. Luokittelukyky heikkenee käytettäessä van-hempaa aineistoa siten, että kolme vuotta vanhalla aineistolla molemmat mallit kykenevät vain 74 prosentin luokittelukykyyn. Aineiston esikäsittely auttoi tässä tutkimuksessa tasapainottamaan luokkien tuloksia, joten sitä käytettiin rakennettaessa malleja. Tutkimus antoi empiiristä vahvistusta neuroverkon luokittelukyvystä. Sen käytön suurimpana esteenä on kuitenkin se, ettei mallin raken-netta pystytä täsmälleen havaitsemaan ja arvioimaan.