Tutkimuksessa tarkasteltiin 143:n toiminnassa olevan ja 134:n konkurssiyrityksen vuosien 2015-2017 tilinpäätöstiedoista saatuja tunnuslukuja konkurssiennustemalleilla. Tavoitteena oli selvittää, miten tarkasta valitut yhdistelmäluvut soveltuivat ennustamaan, päätyivätkö aineiston yritykset konkurssiin vai ei. Tähän tutkimukseen valittiin tarkasteltavaksi kolme eri yleisessä käytössä olevaa ennustemallia, jotka olivat Altmanin, Prihtin sekä Laitisen kolmen muuttujan Z-luvut.
Käytetyistä konkurssiennustemalleista Altmanin malli on antanut ristiriitaisia tuloksia. Sen on kuitenkin todettu toimivan hyvänä pohjana nykyaikaisille ennustemalleille. Prihtin ja Laitisen mallit olivat tarkkoja kahden vuoden osalta heidän omissa tutkimuksissaan. Uudemman tutkimustiedon valossa on ehdotettu konkurssiennustemallien vanhentuneiden painokertoimien uudelleen painottamista tarkempien tuloksien saavuttamiseksi.
Tutkimuksessa käytettyjen mallien tulokset olivat yleisesti melko epätarkkoja. Mallien selitysasteiden ollessa yleisesti alhaisia, eivät ne kyenneet kovinkaan kattavasti näyttämään mitkä tekijät vaikuttavat mahdollisesti yrityksen konkurssiin.
Aineiston ja käytettyjen konkurssimallien sopivuus oli kehnoa. Testien arvot ylittivät useimmiten annetut riskitasot, mutta jäivät pääasiassa silti mataliksi. Aineistossa oli mukana suuri määrä yrityksiä monelta eri toimialalta, toisin kuin Altmanin tutkimuksessa, jossa mallin tunnusluvut johdettiin teollisuusyritysten pohjalta. Mallin sovellettavuutta testatessaan, Naresh Kumar ja Sree Hari Rao (2015) totesivat Altmanin mallin antamien tuloksien olevan alttiita eri toimialojen tunnuslukujen rakenteelle. Myös Laitisen ja Prihtin Z-luvut pohjautuivat pitkälti teollisuusyrityksiin, jonka vuoksi on luontevaa olettaa tunnuslukurakenteiden pätevän myös kyseisiin yhdistelmälukuihin ja siten myös tämän tutkimuksen tuloksiin. Valittujen mallien alkuperäisissä tutkimuksissa ainoastaan Prihtillä oli yliedustus terveissä yrityksissä, kuten tässäkin tutkimuksessa.
Lisäksi Narayanan (2010) sekä Laitinen ja Laitinen (1998) toteavat ennustemallien tulosten olevan alttiita kirjanpidollisille virheille. Amadeuksen tarjoamassa datassa tiettyjä tilinpäätöseriä yhdisteltiin aiheuttaen vääristymiä mallien käyttämissä tunnusluvuissa. Nämä vääristymät vaikuttivat tiettyihin ennustemallien muuttujiin. On siis syyttä olettaa näiden vääristäneen myös tutkimuksen tuloksia, vaikka tarkasta virheen suuruudesta ei ole varmuutta.
Näistä vajaavaisuuksista huolimatta, selvästi parhaimmaksi malliksi osoittautui logistisella regressiolla suoritettu Prihtin Z, jolla oli mahdollista ennustaa tulevaa konkurssia kahden viimeisen vuoden tilikauden ajalta suhteellisen tarkasti. Vaikka selitysasteet ja mallin sopivuudet olivat suhteellisen matalia, oli mallin kokonaistarkkuus viimeisenä vuotena 78,7%
ja tätä edeltävänä 73,3%. Nämä tulokset ovat hyvin lähellä Prihtin alkuperäisiä tuloksia, niin kokonaisvirheen kuin tyypin I ja II virheiden osalta.
Prihtin mallilla logistisen regression virhetyyppien erotukset olivat malleista matalimmalla tasolla jokaisena vuonna ja antoivat siten myös tasapuolisimman kuvan konkurssiin päätymisestä. Malli antoi myös selitysasteista korkeimman tuloksen, vaikka sen arvo olikin suhteellisen alhainen. Parametreistä kaikki olivat lisäksi tilastollisesti merkitseviä.
Altmanin ja Laitisen mallin luokittelutarkkuudet olivat Prihtin mallia selvästi huonompia logistisen regression tuloksilla. Myös Z-lukujen arvoilla tarkkuudet olivat kehnompia. Tämän perusteella voidaan vastata selvästi kolmanteen tutkimuskysymykseen ja todeta Prihtin mallin olevan selkeästi muita parempi yksittäinen vaihtoehto valituista konkurssimalleista.
Z-luvuilla sekä logistisella regressiolla laskettuja luokittelutarkkuuksia ja virhetyyppejä vertaillessa, voidaan todeta alkuperäisten mallien vaativan päivittämistä kokonaistarkkuuksien parantamiseksi. Tähän johtopäätökseen ovat päätyneet myös omissa tutkimuksissaan Grice ja Ingram (2001) sekä Begley, Ming ja Watts (1996). Päivittämisellä tyyppivirheiden erotukset saadaan pienemmiksi viimeisinä vuosina ennen konkurssia, mutta nurjana puolena on tyypin I virheen kasvu. Onkin mallien hyödyntäjästä kiinni, arvostavatko he enemmän kokonaistarkkuuden nostamista vai tietyn tyyppivirheen tarkkaa ennustamista. Tutkimuksen yksittäisistä yhdistelmäluvuista Prihtin mallilla on mahdollista ennustaa suomalaisten yritysten konkurssia tarkimmin, mutta sen ennustustarkkuus riittää tyydyttävästi vain kahdelle viimeiselle vuodelle. Testien tulosten avulla saatiin myös hyvä kuva toiseen tutkimuskysymykseen.
Tämän tutkimuksen seurauksena voidaan todeta, että mallien antamiin luokittelutarkkuuksiin on suhtauduttava varauksella, eikä mahdollista päätöstä pidä perustaa ainoastaan yhteen lukuun. Päätutkimuskysymykseen saatiin vastaus, etteivät mallit sovellu tarkasti ennustamaan tulevaa konkurssia, vaan niiden hyödyntäjän tulisi tukeutua myös muihin informaation lähteisiin, erityisesti Altmanin ja Laitisen mallin osalta. Lisäksi ne toimivat parhaimmillaan viime hetkien varoittajina. Mallien tuloksien huonosta yleistettävyydestä ja niiden tulkinnan
varovaisuudesta ovat muistuttaneet muun muassa Grice ja Ingram (2001), Altman (1968) sekä Naresh Kumar ja Sree Hari Rao (2015).
Jatkotutkimuksia olisi hyvä suorittaa erityisesti malleissa käytettyjen tunnuslukujen osalta.
Logistista regressiota hyödyntäessä olisi syytä testata muuttujien keskinäistä korrelaatiota.
Tässä tutkimuksessa sitä ei huomioitu, sillä keskinäisten korrelaatioiden vaikutukset alkuperäisissä tutkimuksissa poistettiin tunnuslukuja johdettaessa. Lisäksi Altmanin mallin X1 ja X4- muuttujat sekä Laitisen mallin X1 muuttujat olivat tilastollisesti merkityksettömiä, eivätkä ne hyödyttäneet ennustetuloksien muodostamista. Tästä erityisen mielenkiintoisen tekee sen, että Laitisen tutkimuksessa X1 oli yksittäinen paras muuttuja konkurssin ennustamiseen. Olisi syytä tutkia ennustavatko nämä muuttujat konkurssia sopivammalla aineistolla sekä onko tilinpäätöstiedoista mahdollista muodostaa joitakin toisia tunnuslukuja korvaamaan näitä. Toinen kokonainen ulottuvuus olisi huomioida kvalitatiivisia, ei-taloudellisia tekijöitä malliin, kuten toimialakohtaiset tekijät. Tulevaisuuden tutkimusten kannalta olisi myös syytä tutkia keskimääräisten Z-lukujen kehitystä, niin yleisesti kuin toimialakohtaisesti, ja suhteuttaa konkurssien ennustamiskyky vallitseviin Z:n arvoihin.
Mielenkiintoinen tutkimuskysymys olisi myös seurata Z-luvun kehitystä julkisesti noteerattujen osakeyhtiöiden kanssa ja sen kykyä ennustaa osakekurssia. Tämä vaihtoehto olisi kiinnostava niin yksittäisten yritysten, kuin esimerkiksi toimialakohtaisten markkinaportfolioiden kannalta.
Lähdeluettelo
Adnan A. M. & Dar, H. A. (2006) Predicting corporate bankruptcy: where we stand?
Corporate Governance 6, 1, 18-33.
Ailon, G., 2011. Mapping the cultural grammar of reflexivity: the case of the Enron scandal.
Economy and Society, 40, 1, 141-166.
Alaminos, D. (2016) A Global Model for Bankruptcy Prediction. Plos One, 11, 11.
Altman, E.I., Iwanic-Drozdowska, M., Laitinen, E.K. & Suvas, A. (2017) Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman's Z-Score Model. Journal of International Financial Management and Accounting 28, 2, 131-171.
Altman, E.I., 2000. Predicting financial distress of companies: revisiting the Z-score and ZETA models. Stern School of Business, New York University. pp. 9-12.
Altman, E. I. (1968) Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance 23, 4, 589-609.
Altman, E. I. & Narayanan, P. (1997) An International Survey of Business Failure Classification Models. Financial Markets, Institutions & Instruments 6, 2, 1-57.
Altman, E.I., & Hotchkiss, E. (2010) Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt. 3. p. John Wiley & Sons, New Jersey.
Back, P. (2005) Explaining financial difficulties based on previous payment behavior, management background variables and financial ratios. European Accounting Review 14, 4, 839-868.
Balcaen, S. & Ooghe, H. (2006) 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems. The British Accounting Review 38, 1, 63-93.
Batchelor, T. (2018) Corporate Bankruptcy: Testing the Efficacy of the Altman Z-Score.
International Research Journal of Applied Finance 9, 9, 404-414.
Bates, T. & Nucci, A. (1989) An Analysis of Small Business Size and Rate of Discontinuance. Journal of Small Business Management 27, 4, 1.
Beaver, W. H. (1966) Financial Ratios As Predictors of Failure. Journal of Accounting Research 4, 71-111.
Begley, J., Ming, J. & Watts, S. (1996). Bankruptcy Classification Errors in the 1980s: An Empirical Analysis of Altman and Ohlson's Models. Review of Accounting Studies 1, 4, 267-284.
Bewick, V., Cheek, L. & Ball, J. (2005) Statistics review 14: Logistic regression. Critical Care (London, England) 9, 1, 112-118.
Boyle, R. & Desai, H. (1991) Turnaround Strategies for Small Firms. Journal of Small Business Management 29, 3, 33.
Brown, K. & Moles, P. (2014) Credit risk management. [Verkkodokumentti]. [Viitattu 11.9.2018]. Saatavilla https://www.ebsglobal.net/EBS/media/EBS/PDFs/Credit-Risk-Management-Course-Taster.pdf
Brüderl, J., Preisendörfer, P. & Ziegler, R. (1992) Survival Chances of Newly Founded Business Organizations. American Sociological Review 57, 2, 227-242.
Bruno, A.V., Leidecker, J. K. & Harder, J. W. (1987). Why firms fail. Business horizons 30, 2, 50-58.
Cao, L. (2015) The Altman Z-Score after 50 Years: Use and Misuse. [Verkkodokumentti].
[Viitattu 9.4.2019] Saatavilla https://blogs.cfainstitute.org/investor/2016/02/09/the-altman-z-score-after-50-years-use-and-misuse/
Chen, M. (2011) Bankruptcy prediction in firms with statistical and intelligent techniques and a comparison of evolutionary computation approaches. Computers and Mathematics with Applications 62, 12, 4514-4524.
Dimitras, A.I., Zanakis, S.H. & Zopunidis, C. (1996) A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research 90, 3, 487-513
Flamholtz, E. G. & Aksehirli, Z. (2000) Organizational success and failure: an empirical test of a holistic model. European Management Journal 18, 5, 488-498.
Fredland, J. E. & Morris, C. E. (1976) A Cross Section Analysis of Small Business Failure.
American Journal of Small Business 1, 1, 7-18.
Gaskill, L., Van Auken, H. & Manning, R. (1993) A factor analytic study of the perceived causes of small business failure. Journal of Small Business Management 31, 4, 18.
Grice, J. S. & Ingram, R. W. (2001) Tests of the generalizability of Altman's bankruptcy prediction model. Journal of Business Research 54, 1, 53-61.
Hall, S. (2002). Predicting financial distress. Journal of Financial Service Professionals, 56, 3, 12-15.
Hambrick, D. & D'aveni, R. (1992) Top Team Deterioration as Part of the Downward Spiral of Large Corporate Bankruptcies. Management Science 38, 10, 1445-1466.
Hambrick, D. C., Cho, T. S. & Chen, M. (1996) The Influence of Top Management Team Heterogeneity on Firms' Competitive Moves. Administrative Science Quarterly 41, 4, 659-684.
Harris, R. & Li, Q.C. (2010) Export-market Dynamics and the Probability of Firm Closure:
Evidence for the United Kingdom. Scottish Journal Of Political Economy 57, 2, 145-168.
Heitfield, E. & Sabarwal, T. (2004) What Drives Default and Prepayment on Subprime Auto Loans? The Journal of Real Estate Finance and Economics 29, 4, 457-477.
Hernandez Tinoco. M. & Wilson, N. (2013) Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables.
International Review of Financial Analysis, 30, 394-419.
Hertsi, A. (2017) Stockmann jatkaa uhkaavaa kutistumistaan. [Verkkodokumentti]. [Viitattu 10.9.2018]. Saatavilla https://www.kauppalehti.fi/uutiset/stockmann-jatkaa-uhkaavaa-kutistumistaan/79e6f41b-3d85-3db4-85d0-c01d8460a91c
Hudson, J. (1987) The Age, Regional, and Industrial Structure of Company Liquidations.
Journal of Business Finance & Accounting 14, 2, 199-213.
Jennings, P. L. & Beaver, G. (1995) The managerial dimension of small business failure.
Strategic Change 4, 4, 185-200.
Jones, S. (2017) Corporate bankruptcy prediction: a high dimensional analysis. Review of Accounting Studies 22, 3, 1366-1422.
Karkkola, M. (2017) Karu raportti julki: Valtio menetti Talvivaaraan 320 milj. € – Suomi kurjaan tilastokärkeen. [Verkkodokumentti]. [Viitattu 10.9.2018]. Saatavilla
https://www.uusisuomi.fi/kotimaa/220366-karu-raportti-julki-valtio-hukkasi-talvivaaraan-320-milj-eu-suomi-kurjaan
Kaye, J. L. & Garter, L. N. (1979) The Early Warning Signs of Business Failure. Credit and Financial Management 81, 36-37.
Konkurssilaki (2018) 124/2004 [Viitattu 8.12.2018] Saatavilla https://www.finlex.fi/fi/laki/alkup/2004/20040120
Laitinen, E. K. & Lukason, O. (2014). Do firm failure processes differ across countries:
evidence from Finland and Estonia. Journal of Business Economics and Management 15, 5, 810-832.
Laitinen, E. K. & Laitinen, T. (1998) Cash Management Behavior and Failure Prediction.
Journal of Business Finance & Accounting 25, 7‐8, 893-919.
Laitinen, E. K. (1990) Konkurssin ennustaminen. Sundom, Vaasan yritysinformaatio.
Laitinen, E.K. & Laitinen, T. (2004). Yrityksen rahoituskriisin ennustaminen. Helsinki, Talentum.
Laitinen, T. & Laitinen, E. K. (2014) Yrityksen maksukyky: arviointi ja ennakointi. Helsinki, KHT-Media.
Levratto, N. (2013) From failure to corporate bankruptcy: a review. Journal of Innovation and Entrepreneurship 2, 1, 20.
Maricica, M. & Georgeta, V. (2012) Business Failure Risk Analysis using Financial Ratios.
Procedia - Social and Behavioral Sciences 62, 728-732.
McGahan, A. M. & Porter, M. E. (1997) How much does industry matter, really? Strategic Management Journal 18, 15-30.
McGurr, P. & Devaney, S. (1998) Predicting Business Failure of Retail Firms: An Analysis Using Mixed Industry Models. Journal of Business Research 43, 3, 169-176.
Mellahi, K. & Wilkinson, A. (2004) Organizational failure: a critique of recent research and a proposed integrative framework. International Journal of Management Reviews 5‐6, 1, 21-41.
Miller, D. and Toulouse, J. (1986) Strategy, Structure, CEO Personality and Performance in Small Firms. American Journal of Small Business 10, 3, 47.
Mone, M. A., McKinley, W. & Barker, V. L. (1998) Organizational Decline and Innovation:
A Contingency Framework. The Academy of Management Review 23, 1, 115-132.
Morris, R.C. (1997) Early Warning Indicators of Corporate Failure: A critical review of previous research and further empirical evidence. Ashgate, Farnham.
Narayanan, L. (2010) How to Calculate Altman Z Score of Customers and Suppliers. IOMA's Report on Managing Credit, Receivables & Collections 10, 3, 12-14.
Naresh Kumar, E. & Sree Hari Rao, V. (2015) A New Methodology for Estimating Internal Credit Risk and Bankruptcy Prediction under Basel II Regime. Computational Economics 46, 1, 83-102.
Nissim, D. (2010) Analysis and Valuation of Insurance Companies. Columbia Business School, New York.
Pal, J., Medway, D. & Byrom, J. (2011) Deconstructing the notion of blame in corporate failure. Journal of Business and Research 64, 10, 1043-1051.
Pehkonen, H. (2015) Kolmen muuttujan Z-luku. [Verkkodokumentti]. [Viitattu 6.12.2018]
Saatavilla https://www.kauppalehti.fi/uutiset/kolmen-muuttujan-z-luku/0c954cd8-7f99-3001-8e4a-f48bfc8bdd67
Ropega, J. (2011) The Reasons and Symptoms of Failure in SME. International Advances in Economic Research 17, 4, 476-483.
Rumelt, R. P. (1991) How much does industry matter? Strategic Management Journal 12, 3, 167-185.
Salimi, A. (2014) Validity of Altman's Z-score Model for Predicting Bankruptcy in Recent Years. Allied Academies International Conference.Academy of Accounting and Financial Studies.Proceedings 19, 2, 2.
Sharma, S. & Mahajan, V. (1980) Early Warning Indicators of Business Failure. Journal of Marketing (pre-1986) 44, 4, 80.
Sherbo, A. & Smith, A. (2013) The Altman Z-Score Bankruptcy Model at Age 45: Standing the Test of Time? American Bankruptcy Institute Journal 32, 11, 40-41.
Sun, J., Li, H., Huang, Q. & He, K. (2014) Predicting financial distress and corporate failure:
A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches.
Knowledge-Based Systems 57, 41-56.
Szilagyi, A. D. & Schweiger, D. M. (1984) Matching Managers to Strategies: A Review and Suggested Framework. The Academy of Management Review 9, 4, 626-637.
Tobin, J. (1982) The Commercial Banking Firm: A Simple Model. The Scandinavian Journal of Economics 84, 4, 495-530.
Vojtek, M. & Kočenda, E. (2009) Default Predictors and Credit Scoring Models for Retail Banking. Federal Reserve Bank of St Louis, St. Louis.
Watson, J. & Everett, J. E. (1996) Do small businesses have high failure rates? Evidence from Australian retailers. Journal of Small Business Management 34, 4, 45-62.
Westgaard, S. & Van der Wijst, N. (2001) Default probabilities in a corporate bank portfolio:
A logistic model appraoch. European Journal of Operational Research 135, 2, 338-349.
Liitteet
Liite 1. Altmanin Z-luvun luokittelutulokset ja -virheet.
Vuosia ennen konkurssia Ennustustarkkuus (%) Mallin
luokitteluvirhe (%)
Tyypin I virhe = konkurssiyritys luokiteltu toimivaksi Tyypin II virhe = toimiva luokiteltu konkurssiyritykseksi n = kappalemäärä
( ) = testiaineiston tulokset
Liite 2. Prihtin Z-luvun luokittelutulokset ja -virheet.
Vuosia ennen konkurssia Ennustustarkkuus (%) Mallin
luokitteluvirhe (%)
Tyypin I virhe = konkurssiyritys luokiteltu toimivaksi Tyypin II virhe = toimiva luokiteltu konkurssiyritykseksi ( ) = testiaineiston tulokset
Liite 3. Altmanin Z-luvun luokittelutarkkuudet alkuperäisillä Z:n raja-arvoilla.
Liite 4. Pirihtin Z-luvun luokittelutarkkuudet alkuperäisillä Z:n raja-arvoilla.
Vuosi
Liite 5. Laitisen Z-luvun luokittelutarkkuudet alkuperäisillä Z:n raja-arvoilla.
Vuosi
Ennusteet 2017 2016 2015
Terveet oikein 106 112 110
Terveet väärin 37 31 33
Konkurssit oikein 99 89 83
Konkurssit väärin 35 45 51
Oikein ennustettu 74,0072 % 72,5632 % 69,6751 % Väärin ennustettu 25,9928 % 27,4368 % 30,3249 % Kokonaisprosentti 100,0000 % 100,0000 % 100,0000 %
Tyyppi I virhe 26,119 % 33,582 % 38,060 %
Tyyppi II virhe 25,874 % 21,678 % 23,077 %