A Big Data Analytics Approach for Construction Firms Failure Prediction Models

Alaka, Hafiz; Oyedele, Lukumon O.; Owolabi, Hakeem A.; Akinadé, Olúgbénga O.; Bilal, Muhammad; Ajayi, Saheed O.

doi:10.1109/tem.2018.2856376

Cited by 34 publications

(12 citation statements)

References 36 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Compared to traditional data-processing techniques, BDA are capable of reducing both computational times (thanks to cloud computing, machine learning and AI) and researchers’ biases regarding which parameters have to be considered to improve models (Fosso Wamba et al 2015 ). Indeed, several finance and marketing researches have demonstrated that BDA can be effectively used to develop accurate predictive models that can represent excellent support for financial decision making (Bukovina 2016 ) and default prediction modelling (Alaka et al 2018 ).…”

Section: Sme Default Prediction: a Research Agendamentioning

confidence: 99%

“…As already demonstrated by one of the studies belonging to the blue cluster (Pan et al 2017 ), these methodologies could allow the effective treatment of unstructured datasets and the identification of hidden patterns concerning SME default signals. As an example, BDA techniques based on AI and machine learning, allowed to find out that unexpected and usually neglected parameters matter for default prediction (Alaka et al 2018 ; Pan et al 2017 ).…”

Section: Sme Default Prediction: a Research Agendamentioning

confidence: 99%

See 1 more Smart Citation

Rethinking SME default prediction: a systematic literature review and future perspectives

et al. 2021

View full text Add to dashboard Cite

Over the last dozen years, the topic of small and medium enterprise (SME) default prediction has developed into a relevant research domain that has grown for important reasons exponentially across multiple disciplines, including finance, management, accounting, and statistics. Motivated by the enormous toll on SMEs caused by the 2007–2009 global financial crisis as well as the recent COVID-19 crisis and the consequent need to develop new SME default predictors, this paper provides a systematic literature review, based on a statistical, bibliometric analysis, of over 100 peer-reviewed articles published on SME default prediction modelling over a 34-year period, 1986 to 2019. We identified, analysed and reviewed five streams of research and suggest a set of future research avenues to help scholars and practitioners address the new challenges and emerging issues in a changing economic environment. The research agenda proposes some new innovative approaches to capture and exploit new data sources using modern analytical techniques, like artificial intelligence, machine learning, and macro-data inputs, with the aim of providing enhanced predictive results.

show abstract

Section: Sme Default Prediction: a Research Agendamentioning

confidence: 99%

Section: Sme Default Prediction: a Research Agendamentioning

confidence: 99%

Rethinking SME default prediction: a systematic literature review and future perspectives

et al. 2021

View full text Add to dashboard Cite

show abstract

“…Daugelis autorių (Garškaitė-Milvydienė, 2011;Špicas 2017;Alaka, 2020), atsirinkę rodiklius ir tuo pačiu įmones, kurias naudos tyrimui, įmonių duomenis atsitiktine tvarka suskirsto į dvi grupes. Dažniausiai 70 proc.…”

Section: Lentelė Finansiniai Santykiniai Rodikliai Rodantys įMonės Finansinių Sunkumų Tikimybęunclassified

“…Autoriai (Grigaravičius, 2003;Olson ir kt. 2012;Alaka, 2020) prognozuodami finansinius sunkumus ir vertindami įmonės veiklos stabilumą bei tęstinumo galimybes, siūlė skaičiuoti skirtingus finansinius rodiklius. Vieni autoriai pirmenybę teikė mokumo ar likvidumo rodikliams, kiti pardavimo pelningumo, dar kiti apyvartinio kapitalo ir kapitalo struktūros rodikliams.…”

unclassified

Finansinių sunkumų nustatymas statybos sektoriaus įmonėse

Savickienė¹,

Baliūnė²

2021

Science and Studies of Accounting and Finance: Problems and Perspectives

View full text Add to dashboard Cite

Finansinių sunkumų nustatymas įmonėse kasmet sulaukia didelio mokslininkų ir praktikų dėmesio. Išanalizavus mokslinius tyrimus yra suponuojama mokslinė problema, kokie rodikliai ir metodai taikytini finansinių sunkumų modelio sudarymui, kurie kuo anksčiau nustatytų finansinius sunkumus statybos sektoriaus įmonės ir galėtų pasinaudoti prevencinėmis procedūromis. Remiantis ankstesnių mokslininkų tyrimų rezultatais sudaryta empirinio tyrimo loginė schema, kuri leidžia sukurti finansinių sunkumų nustatymo modelį. Atrinkti modelio kintamieji, atlikta nepriklausomo kintamojo ir priklausomų kintamųjų ryšių glaudumo analizė, patikrintas priklausomų kintamųjų tarpusavio koreliacijos ryšys ir išspręsta multikolinearumo problema. Atrinkus reikšmingus rodiklius (bendroji turto grąža, bendrasis mokumas ir modifikuotas įsiskolinimas) sudaroma logistinės regresijos funkcija įmonės finansinių sunkumų tikimybei apskaičiuoti. Modelis patikrinamas remiantis kitų įmonių duomenimis, kuriems yra nustatytas bankrotas trijų metų laikotarpyje iki bankroto paskelbimo. Finansinių sunkumų nustatymo modelio sudarymui pasirinktos kitos įmonės, turinčios ir neturinčios finansinių sunkumų. Tyrimo laikotarpis 2014-2018 m. Sudarytas logistinės regresijos modelis leidžia patikimai apskaičiuoti įmonių finansinių sunkumų tikimybę statybos sektoriaus įmonėse. Empiriškai patikrinus sukurto modelio tinkamumą statybų sektoriaus įmonėse, nustatyta, kad modelio teisingo klasifikavimo rodiklis Ar lygus 0,97, modelio jautrumas Se lygus 1, modelio specifiškumas Sp lygus 0,94. Modelio įvertinimo rezultatai leidžia motyvuotai teigti, kad sukurtas modelis patikimai nustato finansinius sunkumus statybos sektoriaus įmonėse. Sukurto modelio pagalba statybos sektoriaus įmonės gali kuo ankstyvesnėje stadijoje nustatyti, kad įmonė susiduria su finansiniais sunkumais ir privalo pasinaudoti prevencinėmis procedūromis.Reikšminiai žodžiai: finansiniai sunkumai, finansinių sunkumų nustatymo modelis, statybos sektoriaus įmonės. JEL kodai: G32, G33, L74. ĮvadasŠiuolaikinis verslas gyvuoja ypač dinamiškomis ir konkurencingomis sąlygomis. Vykdydamos veiklą nuolat kintančioje aplinkoje, vis daugiau įmonių susiduria su finansiniais sunkumais. Įmonių bankrotai tampa dažna pasaulinės ar regioninės finansinės krizės pasekmė, sukelianti neigiamas pasekmes valstybei, kitoms įmonėms ir gyventojams. Dažna bankroto pasekmė -likusios nepadengtos skolos kreditoriams, įmonės darbuotojai netenka darbo, valstybė praranda mokesčių mokėtoją.

show abstract

“…To improve credit risk management, there is a lot of interest in bankruptcy predictive models. Academic research has mainly used traditional statistical techniques, but interest in the capability of machine learning methods is growing [22] [23]. This Italian case study pursues the goal of developing a commercial firms insolvency prediction model, in compliance with the Basel II Accords.…”

Section: The Data-base: An Italian Case-studymentioning

confidence: 99%

Untitled

2019

IJDKP

View full text Add to dashboard Cite

To improve credit risk management, there is a lot of interest in bankruptcy predictive models. Academic research has mainly used traditional statistical techniques, but interest in the capability of machine learning methods is growing. This Italian case study pursues the goal of developing a commercial firms insolvency prediction model. In compliance with the Basel II Accords, the major objective of the model is an estimation of the probability of default over a given time horizon, typically one year. The collected dataset consists of absolute values as well as financial ratios collected from the balance sheets of 14.966 Italian micro-small firms, 13,846 ongoing and 1,120 bankrupted, with 82 observed variables. The volume of data processed places the research on a scale like that used by Moody's in the development of its rating model for public and private companies, Riskcalc TM. The study has been conducted using Gradient Boosting, Random Forests, Logistic Regression and some deep learning techniques: Convolutional Neural Networks and Recurrent Neural Networks. The results were compared with respect to the predictive performance on a test set, considering accuracy, sensitivity and AUC. The results obtained show that the choice of the variables was very effective, since all the models show good performances, better than those obtained in previous works. Gradient Boosting was the preferred model, although an increase in observation times would probably favour Recurrent Neural Networks.

show abstract

A Big Data Analytics Approach for Construction Firms Failure Prediction Models

Abstract: Using 693,000 datacells from 33,000 sample Since the real-life effect of a misclassification cost is greater than the tedious computation cost, it was concluded that BDA is the best compromise.

Cited by 34 publications

References 36 publications

Rethinking SME default prediction: a systematic literature review and future perspectives

Rethinking SME default prediction: a systematic literature review and future perspectives

Finansinių sunkumų nustatymas statybos sektoriaus įmonėse

Untitled

Contact Info

Product

Resources

About