Prediksjon av konkurs i bygg- og anleggsbransjen

Abstract

Formålet med oppgaven er å bidra med ny innsikt innen viktige variabler i konkursprediksjonsmodeller for SMB i bygg- og anleggsbransjen, og kunne si noe om nytten av å utvikle konkursprediksjonsmodeller for en spesifikk bransje. Vi ønsker å undersøke om variablene vi finner skiller seg ut for bransjen, og om modeller utviklet for bygg- og anleggsbransjen presterer bedre enn modeller utviklet for alle bransjer. Følgelig er vår problemstilling: Hvilke variabler egner seg til å predikere konkurs for SMB i bygg- og anleggsbransjen, og forbedres modellene av å utvikles for en spesifikk bransje?

Datagrunnlaget i oppgaven består av ukonsoliderte årsregnskaper for norske private og børsnoterte selskaper, fra perioden 2006 til 2020. For å finne hvilke variabler som egner seg best, benytter vi et variabelsett bestående av 160 variabler, der 155 er basert på regnskapstall som også ble benyttet i Paraschiv mfl. (2021), samt fem makroøkonomiske variabler. Først benytter vi metoden Least Absolute Shrinkage and Selection Operator (LASSO), til å velge variabler som inkluderes i logistiske regresjonsmodeller. Deretter utvikler vi Extreme Gradient Boosting (XGBoost)-modeller og undersøker viktigheten av variablene ved bruk av SHapley Additive exPlanations (SHAP). Variablene vi finner som viktige sammenlignes med tre eksisterende variabelsett, utviklet av Altman og Sabato (2007), variablene i SEBRA-modellen og Paraschiv mfl. (2021). For å undersøke om modellene forbedres når de utvikles for bygg- og anleggsbransjen, sammenligner vi modellenes evalueringsmål.

Vi finner flere variabler som egner seg til prediksjon av konkurs for SMB i bygg- og anleggsbransjen. Det er noe variasjon i hvilke variabler vi anser som viktige ved bruk av ulike modeller. Basert på både LASSO og XGBoost med SHAP, finner vi at variabler innen kategoriene belåning, likviditet og alder er viktige. Ved bruk av LASSO finner vi også en viktig variabel innen kategorien lønnsomhet. Innen kategorien soliditet anses flere variabler som viktige, basert på SHAP-verdiene. De makroøkonomiske variablene anses ikke som viktige. Vi finner flere viktige variabler som er en del av tidligere utviklede variabelsett, men også flere som skiller seg ut for bransjen. Ved å sammenligne evalueringsmålene for modellene, finner vi at modeller utviklet for en spesifikk bransje presterer noe bedre enn modeller utviklet for flere bransjer.

The objective of our thesis is to contribute with new insight regarding important variables for bankruptcy prediction for SMEs in the construction industry, and comment on the value of developing bankruptcy prediction models for particular industries. We want to examine whether the variables we find stands out for the industry, and if the models perform better when they are developed specifically for the construction industry. Hence, the question we answer in our thesis is: which variables are suited to predict bankruptcy of SMEs in the construction industry, and are the models improved by being developed for a specific industry?

The dataset in our thesis consists of unconsolidated annual Nowegian accounts from private and listed companies, from the period 2006 to 2020. To find the most suitable variables, we use a variable set consisting of 160 variables, where 155 of them are based on accounting figures from the study of Paraschiv et al. (2021), as well as five macroeconomic variables. To begin with, we use the method Least Absolute Shrinkage and Selection Operator (LASSO) to select variables to include in logistic regression models. Further, we develop Extreme Gradient Boosting (XGBoost) models and examine the importance of the variables by using SHapley Additive exPlanations (SHAP). We compare the most important variable findings with three existing variable sets, developed by Altman and Sabato (2007), the variables from the SEBRA-model and Paraschiv et al. (2021). To examine whether models are improved when they are developed for the construction industry, we compare the evaluation metrics for the models.

We find a number of important variables for predicting bankruptcy for SMEs in the construction industry. However, which variables we regard as important, depends on the models used. Based on both LASSO and XGBoost with SHAP, we find that variables within the categories of leverage, liquidity, and age are important. When using LASSO, we also find an important variable within the profitability category. Within the category solidity, several variables are considered to be important, according to the SHAP-values. None of the macroeconomic variables are considered important. Several of the variables we find to be important, are also a part of previously developed variable sets, but some variables appear to be of greater importance for the construction industry. By comparing the evaluation metrics for the models, we find that models developed for a specific industry perform slightly better than models developed for all industries.