Business Failure Prediction: Statistical Models for Non-listed Companies

Abstract

Danske unoterede virksomheder repræsenterer suverænt størstedelen af alle danske virksomheder. Alligevel har noterede virksomheder været centrum for litteraturen omkring forudsigelse af konkurs. Jeg adresserer denne asymmetri i litteraturen of drager fordel af en omfattende datatilgængelighed af regnskabsdata for unoterede virksomheder gennem Orbis databasen. Jeg observerer at tidligere studier har været inkonsistente i rapporteringen af forudsigelsesgrad. På baggrund af tidligere studier, udvikler jeg min egen metode til at måle forudsigelsesgraden for mine modeller. Dette performance mål, ΔTC, viser hvor meget en given udlåner vil spare ved at applikere mine modeller relativt til naivt at låne ud til alle lånekandidater. Dette mål tager højde for den asymmetriske omkostningsprofil for hhv. type I og type II fejl samt tager højde for konkursfrekvensen. Jeg bestemmer tre statistiske teknikker, der med succes tidligere er blevet anvendt til at modellere forudsigelse af konkurs; multipel diskriminantanalyse, logistisk regresionsanalyse og varighedsanalyse (hazard analysis). Konkursinformation er paneldata af natur. Jeg finder at de statistiske egenskaber ved varighedsanalyse er attraktive for modellering af konkursforudsigelse. Jeg konkluderer at min varighedsmodel opnår den bedste forudsigelsesgrad, når jeg applikerer mine modeller på et sekundært datasæt. Jeg udvikler tre modeller; to modeller bygget på logistisk regression og én model bygget på varighedsanalyse. Jeg applikerer mine tre modeller på et sekundært datasæt for at teste forudsigelsesgrad. Derudover applikerer jeg også Z’’-score modellen på mit sekundære datasæt. Jeg konkluderer at mine tre modeller viser bedre forudsigelsesgrad end Z’’-score modellen. Af mine tre modeller finder jeg, at min model bygget på varighedsanalyse viser stærkest forudsigelsesgrad. Ved at applikere min varighedsmodel opnår jeg ΔTC på -13,0%. Det betyder, at långivere kan opnå en besparelse på 13,0% ved at applikere min model ift. at naivt at låne ud til alle. Min varighedsmodel er drevet af fire input variable; (1) ”total gæld / totale aktiver”, (2) ”indtjening før renter og skat / finansielle omkostninger”, (3) en dummyvariabel, der tager værdien 1 hvis egenkapitalen er negativ og (4) ”tid”, der måler et selskabs alder. Baseret på usande forudsætninger estimerer jeg den samlede besparelse, alle danske långivere vil opnå, ved at applikere mine modeller. Denne estimerede årlige besparelse svarer til 66% af værdien af alle danske selskaber, noteret på fondsbørsen i København. Potentialet ved en overlegen konkursmodel er af substantiel karakter. Jeg konkluderer, konsistent med tidligere studier, at det til en vis grad er muligt at forudsige konkurs af virksomheder ud fra finansiel information.