Koneoppiminen osana yrityksen konkurssin todennäköisyyden ennustamista

Abstract

Yritysten konkurssien ennustaminen on taloudellisesti merkittävä ongelma, sillä konkursseilla on laajoja vaikutuksia niin luotonantajille, sidosryhmille kuin koko yhteiskunnalle. Virheelliset ennusteet, ja erityisesti konkurssiyrityksen luokittelu terveeksi, aiheuttavat huomattavia kustannuksia. Datamäärien kasvu ja laskentatehon kehittyminen ovat siirtäneet ennustusmenetelmien painopisteen yhä enemmän tekoäly- ja koneoppimispohjaisiin ratkaisuihin, jotka kykenevät mallintamaan talousdatan monimutkaisia epälineaarisia riippuvuuksia perinteisiä malleja tehokkaammin.

Tämän kandidaatintyön tavoitteena on selvittää, millaisia koneoppimisen sovelluksia alan tuoreessa kirjallisuudessa on tunnistettu yritysten konkurssin ja taloudellisen ahdingon ennustamiseen, sekä vertailla näiden menetelmien suorituskykyä. Työ toteutettiin systemaattisena kirjallisuuskatsauksena, jossa tarkasteltiin vuosina 2020–2025 julkaistuja vertaisarvioituja tutkimusartikkeleita ScienceDirect- ja Scopus-tietokannoista. Työ tarjoaa yleiskatsauksen kirjallisuudessa esiintyviin keskeisiin koneoppimismenetelmiin, niiden teoreettiseen taustaan sekä suorituskykyyn yrityksen konkurssin ennustamisen kontekstissa.

Katsauksessa havaittiin, että nykytutkimus keskittyy erityisesti kahteen pääsuuntaukseen: ensemble-menetelmiin sekä neuroverkkopohjaisiin ratkaisuihin. Tulokset osoittivat, että ensemble-menetelmät, kuten boosting-algoritmit ja satunnaismetsät, saavuttivat aineistossa johdonmukaisesti korkeimman suorituskyvyn. Erityisen merkittävää oli näiden menetelmien kyky tunnistaa nimenomaan konkurssiin ajautuvat yritykset, mikä on riskienhallinnan kannalta kriittistä. Myös neuroverkkopohjaiset menetelmät, mukaan lukien syväoppiminen, ylsivät korkeaan tarkkuuteen, mutta suoriutuivat ensemble-menetelmiä heikommin pidemmän aikavälin ennustamisessa. Perinteiset menetelmät, kuten logistinen regressio, toimivat nykytutkimuksissa pääasiassa vertailukohtina kehittyneemmille malleille.

Työn tulokset osoittavat, että erityisesti ensemble-menetelmiä soveltamalla voidaan saavuttaa merkittäviä hyötyjä konkurssin ja taloudellisen ahdingon ennustamisessa. Menetelmien laajempaan käyttöönottoon liittyy kuitenkin vielä haasteita, jotka koskevat erityisesti mallien läpinäkyvyyttä ja tulosten tulkittavuutta päätöksenteon tukena.