Koneoppiminen konkurssinennustuksen tutkimuksessa
Pessah, Daniel (2024)
2024
Kauppatieteiden kandidaattiohjelma - Bachelor's Programme in Business Studies
Johtamisen ja talouden tiedekunta - Faculty of Management and Business
This publication is copyrighted. Only for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2024-04-16
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202403062724
https://urn.fi/URN:NBN:fi:tuni-202403062724
Tiivistelmä
Konkurssinennustuksessa pyritään ennustamaan taloudellisten toimijoiden maksukyvyttömyyttä jollain aikavälillä. Aiheesta on syntynyt merkittävä määrä tutkimuskirjallisuutta 1960- luvulta alkaen. Tutkijoiden mielenkiinnon aihe on herättänyt ehkä juuri konkurssien aiheuttamien merkittävien taloudellisten ja sosiaalisten kustannuksien vuoksi. Ennustamisessa on näin ollen käytetty monenlaisia tilastollisia menetelmiä, jotka jaetaan perinteisiin tilastollisiin malleihin ja uudempiin tekoälyyn perustuviin malleihin. Koneoppimismallit, joihin tämä tutkielma keskittyy, kuuluvat näistä jälkimmäisiin.
Tutkielman tarkoituksena on selvittää, minkälaista tutkimusta koneoppimisen soveltamisesta konkurssinennustukseen on tehty, mitkä ovat tutkimuskirjallisuudessa löydetyt tulokset sekä analysoida tutkimusta laadullisesti pohdiskelevalla otteella. Tutkimus on toteutettu narratiivisena yleiskirjallisuuskatsauksena, jonka aineistoksi on valittu kaksitoista aiheeseen liittyvää tutkimusartikkelia niiden relevanssin ja laadun perusteella.
Kirjallisuuskatsauksen perusteella artikkelit voidaan jakaa kahteen osaan karkeasti sen perusteella, keskittyikö analyysin painopiste erilaisten koneoppimismallien vertailuun ja valintaan vai mallien kouluttamisessa käytetyn datan tutkimiseen. Malleja vertailevan tutkimuksen tulokset osoittivat, että koneoppimismallit tuottivat perinteisiä tilastollisia malleja parempia ennustustuloksia. Koneoppimismallien keskinäisessä vertailussa parhaita tuloksia tuottivat neuroverkkoihin perustuvat mallit. Koulutusdataan keskittyneen tutkimuksen tulokset osoittavat vaihtoehtoisten muuttujien, kuten tuloksenohjausindikaattorien, omistusrakennetta ja hyvää hallintoa mittaavien muuttujien ja tekstidatan käyttökelpoisuuden konkurssinennustuksessa.
Tutkielman tarkoituksena on selvittää, minkälaista tutkimusta koneoppimisen soveltamisesta konkurssinennustukseen on tehty, mitkä ovat tutkimuskirjallisuudessa löydetyt tulokset sekä analysoida tutkimusta laadullisesti pohdiskelevalla otteella. Tutkimus on toteutettu narratiivisena yleiskirjallisuuskatsauksena, jonka aineistoksi on valittu kaksitoista aiheeseen liittyvää tutkimusartikkelia niiden relevanssin ja laadun perusteella.
Kirjallisuuskatsauksen perusteella artikkelit voidaan jakaa kahteen osaan karkeasti sen perusteella, keskittyikö analyysin painopiste erilaisten koneoppimismallien vertailuun ja valintaan vai mallien kouluttamisessa käytetyn datan tutkimiseen. Malleja vertailevan tutkimuksen tulokset osoittivat, että koneoppimismallit tuottivat perinteisiä tilastollisia malleja parempia ennustustuloksia. Koneoppimismallien keskinäisessä vertailussa parhaita tuloksia tuottivat neuroverkkoihin perustuvat mallit. Koulutusdataan keskittyneen tutkimuksen tulokset osoittavat vaihtoehtoisten muuttujien, kuten tuloksenohjausindikaattorien, omistusrakennetta ja hyvää hallintoa mittaavien muuttujien ja tekstidatan käyttökelpoisuuden konkurssinennustuksessa.