Hagyományos és gépi tanuláson alapuló csődelőrejelző modellek összehasonlítása

Abstract

Korunk legmeghatározóbb technológiai vívmánya, a mesterséges intelligencia, forradalmasítja a vállalati kockázatkezelést, különösen a csődelőrejelzés területén. Jelen tanulmány egyedi betekintést nyújt a magyarországi vállalati fizetésképtelenség előrejelzésének lehetőségeibe, összehasonlítva egy hagyományos statisztikai módszer (Altman-modell) teljesítményét egy korszerű, gépi tanuláson alapuló eljárással (Random Forest). A kutatás egy speciálisan összeállított, hazai vállalatok kvalitatív és kvantitatív adatait tartalmazó adatbázison végzett mélyreható elemzést, melynek során a kapcsolati hálóban fellelhető negatív tényezők prediktív ereje is feltárásra került. Az eredmények megerősítik a felhasznált szakirodalom következtetéseit, miszerint a gépi tanulási módszerek pontosabban képesek előrejelezni a vállalatok fizetőképességét, mint a hagyományos eljárások. A kvalitatív változók, különösen a kockázatos cégeket és eltiltott személyeket tartalmazó kapcsolati háló, szignifikáns prediktív erővel bírnak csődelőrejelzés szempontjából. A modell kiértékelése során a kapcsolati hálóban szereplő eltiltott személyi kapcsolat kimagasló összefüggést mutatott a vizsgált vállalatok fizetésképtelenségével. Továbbá, a kutatás rávilágít arra, hogy a mesterséges intelligencia eszközei hatékonyan integrálhatók az adatelemzési és modellezési munkafolyamatokba. Összességében megállapítható, hogy a mesterséges intelligencián alapuló csődelőrejelző modellek, különösen a kvalitatív tényezők bevonásával, új dimenziót nyitnak a vállalati kockázatértékelésben, elősegítve egy adatvezérelt jövő felé való elmozdulást.