Evaluating the credit risk of SMEs using artificial intelligence, financial and alternative data
| Autor: | Miliūnaitė, Laura |
|---|---|
| Přispěvatelé: | Žigienė, Gerda, Danėnas, Paulius |
| Jazyk: | angličtina |
| Rok vydání: | 2023 |
| Předmět: | |
| Popis: | Small and medium-sized enterprises (SMEs) are of major importance in world economies and job creation. Financing is one of the key issues for SME development since SMEs are often considered riskier than large companies. It is argued in the literature that artificial intelligence (AI) and alternative data could increase the financial inclusion of disadvantaged groups, such as SMEs. Thus, this study aimed to compare SMEs’ credit risk prediction models incorporating alternative data with models using only traditional financial data. The dataset used in the study involved Lithuanian SMEs’ observations from the 2015-2020 period and included traditional financial data as well as alternative data such as general characteristics of the company, macroeconomic indicators and payment behaviour data. Five different AI methods were employed in the model development process. The results showed that including alternative data in credit risk prediction models can increase the prediction performance of the models compared to models that use only financial data. Variable importance analysis revealed that payment behaviour data had the most significant impact of all alternative data-based variables. Mažos ir vidutinės įmonės atlieka svarbų vaidmenį pasaulio ekonomikoje ir kuriant darbo vietas. Finansavimas yra viena iš pagrindinių mažų ir vidutinių įmonių plėtros problemų, kadangi mažos ir vidutinės įmonės dažnai laikomos rizikingesnėmis nei didelės įmonės. Literatūroje teigiama, kad dirbtinis intelektas ir alternatyvūs duomenys galėtų padidinti nepalankioje padėtyje esančių grupių, tokių kaip mažos ir vidutinės įmonės, galimybes gauti finansavimą. Todėl šiame tyrime siekiama palyginti mažų ir vidutinių įmonių kredito rizikos prognozavimo modelius, kuriuose naudojami alternatyvūs duomenys, su modeliais, naudojančiais tik tradicinius finansinius duomenis. Tyrime naudojami duomenys apėmė Lietuvos mažų ir vidutinių įmonių stebėjimus per 2015–2020 m. laikotarpį ir tradicinius finansinius bei alternatyvius duomenis, tokius kaip bendros įmonės charakteristikos, makroekonominiai rodikliai ir mokėjimo elgsenos duomenys. Kuriant modelį buvo išbandyti penki skirtingi dirbtinio intelekto modeliai. Rezultatai parodė, kad alternatyvių duomenų įtraukimas į kredito rizikos prognozavimo modelius gali padidinti modelių prognozavimo tikslumą, lyginant su modeliais, kuriuose naudojami tik finansiniai duomenys. Kintamųjų svarbos analizė atskleidė, kad mokėjimo elgsenos duomenys turėjo didžiausią įtaką iš visų alternatyviais duomenimis pagrįstų kintamųjų. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|