Konkursprediksjon av norske SMB: En analyse av prediktive modeller og økonomisk støttetiltaks effektivitet
Abstract
Masteroppgaven handler om å predikere konkursrisiko blant små og mellomstore bedrifter (SMB) i Norge ved bruk av historiske årsregnskap fra 2006 til 2022. Ved bruk av logistisk regresjonsmodell og XGBoost-modell utforskes de finansielle indikatorene og deres prediktive styrke for å identifisere konkurs. Oppgaven benytter variabelsettene SEBRA og Altman (1968) for å lage og teste disse modellene, og vurderer deres effektivitet med evalueringsmetodene Area Under the Curve (AUC) og Brier Score. Resultatene avdekker at XGBoost-modellen presterer bedre enn logistisk regresjonsmodellen. Og SEBRA-variabelsettet presterte ofte bedre enn Altman-variabelsettet.
Videre inkluderer oppgaven analyser av nye variabler som ble utviklet for å undersøke effekten av kompensasjonsordningen innført under koronapandemien. Disse variablene er om bedrifter mottok økonomisk støtte eller ikke, hvor stort tilskuddsbeløpet var i forhold til bedriftens totalkapital og størrelsen på mottatt tilskuddsbeløp. Analysene som er gjort viser at bedrifter som mottok støtte hadde en høyere risiko for konkurs sammenlignet med de som ikke mottok støtte. Oppgaven inkluderer også en interaksjonsvariabel som kombinerer sannsynligheten for konkurs før koronapandemien med mottatt støtte. Denne indikerte at selv om økonomisk støtte samlet sett øker konkursrisikoen, kan den ha dempet risikoen for de mest utsatte bedriftene. This master’s thesis focuses on predicting bankruptcy risk among small and medium-sized enterprises (SME) in Norway using historical financial statements from 2006 to 2022. Employing logistic regression and XGBoost models, the thesis explores financial indicators and their predictive power in identifying bankruptcy. The study utilized the SEBRA and Altman (1968) variable sets to develop ant these models, evaluating their effectiveness with Area Under the Curve (AUC) and Brier Score methods. The results reveal that the XGBoost model performs better than the logistic regression model, and the SEBRA variable set often outperforms the Altman variable set.
Furthermore, the thesis includes analyses of new variables developed to examine the impact of the compensation scheme introduced during the COVID-19 pandemic. These variables measure whether a business received financial support or not, the size of the subsidy relative to the company’s total capital, and the amount of the subsidy received. The analyses show that businesses that received support had a higher risk of bankruptcy compared to those that did not receive support. The thesis also includes an interaction variable that combines the probability of bankruptcy before the pandemic with received support, indicating that while financial support overall increases the risk of bankruptcy, it may have mitigated the risk for the most vulnerable businesses.