4

Metodit ja lähestymistavat konkurssinennustamis-tutkimuksessa

4.1. Human Information Processing eli HIP eli inhimillinen päätöksentekoprosessi

- tarkastelee laskentatoimen informaation roolia päätöksentekijöillä ja laskentatoimen monimutkaisia päätöksiä käytännössä (esim. tilintarkastus)

pyrkii parantamaan laskentatoimen päätöksentekoa ja lisäämään perustietämystä inhimillisistä päätöksentekoprosesseista

- lähestymistapa perustuu Brunswikin (1952) esittämälle linssi-mallille

LINSSI-MALLI

Voitto

Maksuvalmius

1 2 Osingot

Kassavirta

Velat/opo

Informaation

johtolangat 3

_______________________ ________________________

Ympäristön ennustettavuus Ihmisen kyky hyödyntää

4 5

= todellinen tapahtuma josta päätöksentekijä on kiinnostunut
= päätöksentekijän ennuste

= todellisen tapahtuman ja johtolankojen välinen suhde (esim. DA-testaus)

5 = päätöksentekijän arvion ja johtolankojen välinen suhde

SOVELLUKSIA

data : otos toimivia ja konkurssiyrityksiä (vastinparit?)

joukko ihmisiä : lainanantajia, lask.toimen opiskelijoita, kirjanpitäjiä, yritysanalyytikkoja, tilintarkastajia jne.

Vastaajille 1-5 mjaa joka yrityksestä. Voivat olla

Tunnuslukuja

Muita tal.mjia

Ei-taloudellisia mjia

Tase tai tuloslaskelma

vastaajat luokittelevat yritykset F ja NF- luokkiin

voidaan tehdä 1-3 vuotta ennen F

tulos esimerkiksi: kolmella tunnusluvulla analyytikot luokittelivat 80 % yrityksistä oikein

voidaan muunnella:

tarkkuus

konsensus

yhteispäätös

päätöksenteon mallintaminen

johtolankojen painotus

ANOVA, varianssianalyysi

päätöksentekosäännön muoto lineaarinen

MDS, multidimensional scaling

Exploratiivinen tutkimus

Testaus tässä ryhmässä

Erotteluanalyysi: DA ja MDA

ensimmäinen tilastollinen menetelmä konkurssin ennustamisessa

vertailee F ja NF yritysten taloudellisia ja ei-taloudellisia mjia

lama v. 1930 oli pääsyy kasvaneeseen tutkimusinnostukseen

pioneeritutkimus DA:ta hyväksikäyttäen: Beaver (1966):

79 F ja niiden vastinparit

30 tunnuslukua

profiilianalyysi 5 vuodelle

yksinkertainen malli, vain yksi muuttuja

MDA: Altman (1968)

Esimerkki metodeista Foster 1986

Ehdollisen todennäköisyyden mallit (Conditional probability models)

1970-luvun loppupuolella

lin. erotteluanalyysin ongelmat:

mjat noudattavat multinormaalista jakaumaa (multinormaalisuus)
mjat ovat toisistaan riippumattomia (multikollineaarisuus)

poikkeamat eivät aina ole vaarallisia, mutta heikentävät mallin suorituskykyä

3) DA:n tuloksena saadun Z-luvun sisällöllinen tulkinta?

ratkaisu: logistinen regressioanalyysi (logistic regression analysis l. logit analysis)

ei vaadi multinormaalisuutta

sallii multikollineaarisuuden

lopputuloksena tuottaa ehdollisen todennäköisyyden havainnon kuulumiselle tiettyyn luokkaan riippumattomien muuttujien arvojen perusteella

ehdollisen todennäköisyyden malli (Martin 1977, Ohlson 1980)

- ehdollinen konkurssitodennäköisyys P(Z):

DA: Z = a + b₁*x₁ + … + b_n*x_n, missä

x_i (i=1,…n) = selittävä mja

b_i (i=1,…n) = estimoitu kerroin

_{1
LOGIT: konkurssin todennäköisyys P(Z) = _________

1 + e ^–Z

1
= _________

1 + e ^{– (a + b1*x1 + … + bn*xn)}, missä

x_i ja b_i kuten DA:ssa

samantyyppisiä!

- exp(-Z) tarkoittaa luonnollisen logaritmin kantalukua, Neperin lukua e, joka on korotettu potenssiin –Z, joka taas on selittävien mjien painotettu summa
^{kun painotettu summa sijoitetaan eri jakaumiin:

logit-analyysi: logistinen kumulatiivinen funktio

probit-analyysi : normaali kumulatiivinen funktio

- malli estimoidaan suurimman uskottavuuden menetelmällä
^{Kumulatiivinen todennäköisyysjakauma: ks. kuvio
Funktioiden muotoja, ks. kuviot

Rekursiivinen osittaminen (recursive partitioning)RP

rekursiivisessa osittamisessa käytetään hyväksi yksinkertaista päättelysääntöä

olettamuksia riippuvien tai riippumattomien muuttujien jakaumista ei ole kutan DAssa ja logitissa

yhdistää yhden ja monen muuttujan hyvät puolet

Menetelmä:
1) määritellään etukäteistodennäköisyydet ja virheiden kustannukset metodi pyrkii minimoimaan väärinluokitusten kustannukset

valitaan yksittäinen riippumaton mja joka luokittelee yritykset alhaisimmilla odotetuilla väärinluokittelun kustannuksilla

Esimerkki: V: 3 F
39 NF
Y: 10 F TDTA
44 NF

50 F
50 NF CR U: 7 F
5 NF

X: 40 F
6 NF päätössolut
(terminal nodes)
Luokittelumatriisi: todellinen status
F NF

Luokittelu: F
NF

4.5 HERMOVERKOT (NEURAL NETWORKS, NN)

juuret 1940-luvulla: hermosolu

-yksinkertaisista laskenta-alkioista koostuvia suuria signaaliverkkoja ja näistä muodostuvia hierarkisia järjestelmiä

matemaattisia systeemejä, joita alunperin kehiteltiin jäljittelemään biologisia hermojärjestelmiä

keinoälyä on sovellettu mm. jäjittelemään ihmisen käyttäytymistä kuten puheen tuottamista ja kuvien tunnistamista

NNssä yhdistyy tilastollisten menetelmien kyky hyödyntää suurta aineistoa ja ihmisen kyky käyttää hyväkseen äärihavaintoja

- idea: tuottaa esimerkkitapausten avulla ilmiöstä mahdollisimman yleinen kuvaus vähän alkuoletta-muksia!

Peruselementit: solut (artificial neurons), jotka jaetaan eri kerroksiin (layers)

rakenne (architecture):

neuroni Vaste

Syöte

Piilokerros (hidden layer)

jotta verkko voi suorittaa tehtävän, se on ensin opetettava (train tai teach)

kaksi menetelmää:

ohjattu opetus: verkolla annetaan syöte-vaste-pareja ja se opettelee assosioimaan pareihin liittyviä ominaisuuksia (supervised)

ohjaamaton opetus: annetaan vain syötteet ja verkko etsii aineistosta tyypillisiä piirteitä (unsupervised)

itseorganisoituvat kartat: luodaan kartta, jossa huomattavimmat syöttötietojen piirteet ovat edustettuina (ks. esimerkit kartoista)

hermoverkon kehittäminen ja toiminta systeeminä:

kehittäminen:

verkon rakenne ei

ratkaistava opetus testaus validi
tehtävä
mjien valinta
kyllä

toiminta: syöte hermoverkko

vaste

- verkko voidaan opettaa melko suureen tarkkuuteen, mutta monimutkaiset riippuvuudet johtavat siihen, ettei se toimi ehkä hyvin testiaineistossa

Eloonjäämisanalyysi (survival analysis)

ensimmäiset metodit biolääketieteessä ja insinööri-tieteissä

edelliset menetelmät tarkastelevat havaintojoukkoa tiettynä hetkenä, esim. 1 vuosi ennen konkurssia

tilinpäätös- ja konkurssihetkestä riippuen "1 vuosi" saattaa olla esim. 6 tai 20 kk

aikaisempien vuosien havaintoja on vaikea käyttää hyödyksi samanaikaisesti

eloonjäämisanalyysi on menetelmä, joka pyrkii hyödyntämään tiedon tp-tietojen syntyhetken ja konkurssihetken välillä (survival time)

konkurssinennustamiseen sovellettiin 1980-luvun puolivälissä

Lane, Looney ja Wansley (1986)
Luoma & Laitinen (1991)

- dynaaminen malli luonteva konkurssiprosessia ajatellen

keskeisiä käsitteitä:
riskijoukko (risk set): ne havainnot, jotka ovat vaarassa joutua konkurssiin tiettynä hetkenä

riskiluku (konkurssiriski tai välitön kuolinvaara): alttius, jolla konkurssi tapahtuu tietyllä hetkellä

mallin eli riskiluvun kaavan kertoimien estimointi vaatii tiedon siitä, kuinka paljon aikaa kullakin konkurssiyrityksellä on konkurssiin

toimivat yritykset (ei konkurssihetkeä) = sensuroidut havainnot, joille määritellään riittävän pitkä elinaika

olettaa perusmuodossaan kaikille F-yrityksille samanlaisen konkurssiprosessin

käytetyin versio Coxin suhteellisen riskin malli:

h(t,Z) = h₀(t) * exp (Z) ja

Z = A₁ * x₁ + A₂ * x₂ + … A_n * x_n ,

Missä h(t,Z) = hazard rate eli taipumus tehdä konkurssi

H₀(t) = baseline hazard eli perusriski hetkellä t, kun Z = 0

lähellä logit-mallia, mutta hyödyntää myös eloonjäämisajan

estimoidaan suurimman uskottavuuden menetelmällä kuten logit-mallissa

- ks. kuviot

Erikoissovelluksia

Chernoff: yritystä koskeva informaatio esitetään kasvoina

mitä korkeampi konkurssiriski, sitä surkeampi naama

Korhonen (1989): taloanalyysi: yritystä koskeva info esitetään taloina

mitä suurempi riski, sitä ränsistyneempi talo}}}