Konkursprediksjon med finansiell og ikke-finansiell data for små og mellomstore KIBS-selskaper

Abstract

Denne masteroppgaven har som formål å forbedre konkursprediksjon for små og mellomstore kunnskapsinntensive forretningsytende serviceselskaper(KIBS). Denne grupperingen av selskaper inneholder blant annet IT-selskaper og er en sektor i sterk vekst. Det er for oss kjent ikke tidligere studier for konkursprediksjon spesifikt for KIBS-selskaper og vi håper dermed at vår studie kan være et bidrag til litteraturen innen konkursprediksjon. I oppgaven utvikler vi egne modeller for disse selskapene som benytter LASSO for variabelseleksjon fra både finansielle variabler og ikke-finansielle variabler. Finansiell data er hentet fra ukonsoliderte norske årsregnskaper fra perioden 2011 til 2019, mens ikke-finansielle data omhandlende styret, eierskapet og ledelsen til selskapene er levert av Enin AS. Våre funn konkluderer med at egne modeller for små og mellomstore KIBS-selskaper gir bedre prediksjoner for disse selskapene sammenlignet med ulike modeller vi laget i tillegg til de tradisjonelle modeller vi sammenlignet med. Dette gjelder spesielt når vi testet mot enkeltnæring 62- Tjenester tilknyttet informasjonsteknologi hvor vår modell ga klart best prestasjon. Videre konkluderer vi med at ikke-finansielle variabler øker prestasjonen på våre modeller for KIBS-selskaper og at de mest signifikante ikke-finansielle variablene var andel styremedlemmer bosatt i selskapets fylke og antall aksjeeiere. De mest signifikante finansielle variablene for konkursprediksjon for små og mellomstore KIBS-selskap i vår studie er skyldige offentlige avgifter/eiendeler, leverandørgjeld/eiendeler, selskapets alder i år og kortsiktige omløpsmidler/eiendeler.

The purpose of this thesis is to improve bankruptcy prediction for small and medium-sized knowledge-intensive business service companies (KIBS), especially within the rapidly growing IT sector. To our knowledge, there have been no previous studies on bankruptcy prediction specifically for KIBS companies, and thus we hope that our study can contribute to the literature on bankruptcy prediction. In this thesis we develop our own models for these companies using LASSO for variable selection from both financial and non-financial variables. Financial data is obtained from unconsolidated Norwegian annual financial statements from the period 2011 to 2019, while non-financial data regarding the board, ownership, and management of the companies is provided by Enin AS. Our findings conclude that our own models for small and medium-sized KIBS companies provide better predictions for these companies compared to various additional models we created in addition to some of the traditional models. This is especially true when we tested against the specific industry 62 - Information technology services, where our model performed significantly better. Furthermore, we conclude that non-financial variables improve the performance of our models for KIBS companies, and the most significant non-financial variables were the proportion of board members residing in the company's county and the number of shareholders. The most significant financial variables for bankruptcy prediction for small and medium-sized KIBS companies in our study are overdue public taxes/assets, supplier debt/assets, company age in years, and short-term current assets/assets.