Konkursprediksjon i høy- og lavkonjunkturer

Abstract

Denne masteroppgaven omhandler konkursprediksjon under høy- og lavkonjunktur. Hovedmålet med oppgaven er å avdekke om hvorvidt det er hensiktsmessig eller ikke å, basert på konjunktursvingninger, skille datagrunnlaget for prediksjoner. Med hensiktsmessig menes her to ting. For det første, er det ønskelig å undersøke om prediksjonsmodeller kan forbedres ved å adskille perioder med høykonjunktur og perioder med lavkonjunktur. For det andre, ser oppgaven på hvilke egenskaper ved et selskap som har størst innvirkning på konkurssannsynlighet i henholdsvis høy- og lavkonjunktur. Hvilke bedriftsøkonomiske faktorer som er mest relevante med hensyn til konkurssannsynlighet i ulike makroøkonomiske situasjoner, vil være av interesse både for selskapets beslutningstakere og eksterne interessenter. I lys av dette formålet, er det formulert to problemstillinger:

1. Hvilke regnskapsmessige forhold gir størst forklaringskraft i konkursprediksjonsmodellene under de ulike konjunkturperiodene?

2. I hvilken grad endres prediksjonsevnen til konkursprediksjonsmodeller for serveringsbransjen ved å tilpasse seg konjunktursvingninger?

Oppgavens omfang er begrenset til norske selskap innen serveringsbransjen, og datagrunnlaget består av 49 529 årsregnskap i perioden 2006 til 2017. Ved bruk av en konjunkturindikator deles datagrunnlaget inn i høykonjunkturperioder og lavkonjunkturperioder. Deretter brukes to ulike metoder for å predikere konkurs: logistisk regresjon og beslutningstrær med Extreme gradient boosting (XGBoost). Det brukes også to ulike variabelsett: ett basert på Norges Banks SEBRA-modell og et annet utviklet av [Paraschiv et al., 2021] Oppgaven konkluderer med at en oppdeling i høy- og lavkonjunktur ikke kan sies å føre til at modellene som brukes oppnår mer treffsikre prediksjoner. Videre konkluderes det med at konjunktursvingninger ser ut til å ha en effekt på hvilke bedriftsøkonomiske egenskaper som virker mest inn p˚a konkurssannsynlighet. Dette gjelder spesielt selskapets gjeld og alder.

This master’s thesis attempts to tackle the subject of bankruptcy prediction during periods of economic expansions and downturns. The main objective is uncovering whether it is useful to separate input data based on macroeconomic fluctuations when predicting bankruptcies. In this thesis, the usefulness of this separation is assessed in two ways. First, we evaluate whether models achieve higher prediction accuracies when input data is separated. Second, we investigate which underlying features of a company have the highest impact on its likelihood of going bankrupt in expansions and downturns, respectively. In case different features matter in economic expansions as opposed to downturns, the company might have to adjust it’s survival strategies thereafter. Furthermore, this knowledge might also be interesting to external actors such as banks or shareholders. Considering the objectives of this thesis, the following research questions are posed:

1. Which financial factors have the most bearing on bankruptcy probability during economic expansion and economic downturns, respectively??

2. To what extent can bankruptcy prediction models for the catering industry be improved by separating input data based on economic expansions and downturns?

The scope of this thesis is limited to Norwegian companies within the catering industry. The input data consists of 49 529 annual financial reports submitted in the time frame between 2006 and 2017. The data is separated into periods of economic expansion and periods of economic downturn using a business cycle indicator. Two methods are then used in the bankruptcy prediction: logistic regression and decision trees with Extreme gradient boosting (XGBoost). Two sets of variables are used separately: one based on Norges Bank’s SEBRA-model, and the other based on the findings of [Paraschiv et al., 2021]. The study finds that the separation of input data into expansions and downturns does not seem to result in significant improvements regarding the performance of the prediction models. However, it does conclude that changing business cycles has an impact on which variables are relevant for the probability of a business going bankrupt. This is especially the case for corporate debt and age.