DN Web

Det er normalt regnskabstallene, der granskes, når virksomhedernes sundhedstilstand skal vurderes. Men teksten i deres regnskabsrapporter kan også indeholde vigtig information, som kan være med til at forudse konkurser.

Machine learning-metoder gør modelleringen af data mere fleksibel og gør det muligt at benytte ustrukturerede data, som konventionelle statistiske metoder ikke tillader i samme grad. Benyttes sådanne metoder til at inddrage revisorpåtegninger og ledelsesberetninger fra virksomheders regnskaber til at beregne deres konkurssandsynlighed, øges nøjagtigheden af beregningen væsentligt. Særligt revisorpåtegninger bidrager med brugbar information.

Normally the numerical financial data of a firm is scrutinised when the soundness of the firm is assessed. But texts in the annual reports may also contain important information that can help to predict distress events.

Machine learning methods make data modelling more flexible and enable the use of unstructured data, which conventional statistical methods do not permit to the same extent. If such methods are used to include auditors' reports and managements' statements from firms' annual reports when calculating their probability of distress, the accuracy of the calculation is increased considerably. Especially the auditors' reports contribute useful information.

Analysen ser nærmere på, i hvilket omfang kronekursen påvirker betalingsbalancen. Kronekursen viser sig kun at have beskeden indflydelse på betalingsbalancen, og påvirkningen komme med en vis forsinkelse. Selv om globalisering har øget samhandlen med resten af verden og har medført, at produktionskæder er blevet splittet på tværs af lande, har gennemslaget fra kronekursen til betalingsbalancen været stabilt over tid. På langt sigt drives betalingsbalancen af andre faktorer end kronekursen.