Latvijas uzņēmumu ekonomiskās aktivitātes un maksātnespējas prognozēšana, izmantojot mašīnmācīšanos

Abstract

Darba mērķis ir izstrādāt Latvijas uzņēmumiem atbilstošu maksātnespējas prognozēšanas modeli, izmantojot mākslīgos neironu tīklus, ņemot vērā klašu nesabalansētību un pielāgot ekonomiskās aktivitātes prognozēšanai, lai uzlabotu un pilnveidotu oficiālās uzņēmējdarbības statistikas nodrošināšanas procesu. Mākslīgais neironu tīkls maksātnespējas prognozēšanai sasniedz 95% kopējo precizitāti, 93% AUC vērtību un 68% svērto precizitāti, un spēj precīzāk nošķirt maksātnespēju no maksātspējas, salīdzinot ar statistiskajiem mašīnmācīšanās modeļiem Latvijas ražošanas nozarē strādājošiem uzņēmumiem, uzrādot par 28 procentpunktiem augstāku kopējo precizitāti. Pielāgotais modelis ekonomiskās neaktivitātes prognozēšanai sasniedz 41% kopējo precizitāti, 76% AUC vērtību un 90% svērto precizitāti testa kopā.

The aim of the thesis is to produce a model that is designed to predict insolvency for enterprises operating in Latvia using artificial neural networks while taking into account class imbalances and predict the economic activity of enterprises by adapting the model in order to improve the production process of official business statistics. The artificial neural network for insolvency prediction achieves 95% overall accuracy, 93% AUC value and 68% precision, and is able to more accurately distinguish insolvency from solvency for the manufacturing companies operating in Latvia compared to statistical machine learning models, showing an overall accuracy of 28 percentage points higher. The adapted model for predicting economic inactivity achieves 41% overall accuracy, 76% AUC value, and 90% precision for the test set.