Etablerade konkursprediktionsmodellers tillämpning i Sverige

Sammanfattning

Med bakgrund av rekordnivåer av konkurser i Sverige under 2024 blir behovet av tillförlitliga konkursprediktionsmodeller stort. Följande studie undersöker hur väl Altmans (1968) Z-värdes-modell och Hosakas (2019) konvolutionella neurala nätverk kan prediktera konkurser på den svenska noterade marknaden samt hur den svenska marknadskontexten påverkar modellernas prediktionsförmåga och överförbarhet.Studien baseras på finansiell data hämtad från databasen Retriever Business och analyseras med respektive modell. Resultaten visar att Altmans originalmodell med gränsvärdet Z < 1,81 kan indikera konkurser men har svårt att placera friska bolag korrekt. Ett justerat gränsvärde på Z < 1,00 ger bättre resultat, vilket förklaras av att svenska bolag generellt uppvisar lägre Z-värden till följd av annan kapitalstruktur. Hosakas (2019) modell presterar bättre än Altmans (1968) modell på svenska noterade bolag men får sämre resultat än Hosakas resultat på den japanska noterade marknaden och visar en genomsnittlig sensitivitet på 71,1% och specificitet på 67,1% på svenska noterade marknaden.Studien visar att etablerade konkursprediktionsmodeller inte är direkt överförbara till svensk kontext utan behöver anpassas. Begränsad datamängd och dess kvalitet men också många små bolag på den svenska marknaden försvårar särskilt träningen av det neurala nätverket.