A Multi-Input Approach for SME Default Using Explainable Deep Learning

In de complexe machinerie van een moderne economie fungeren kleine en middelgrote ondernemingen als de essentiële tandwielen die alles draaiende houden. Ze bieden werk aan miljoenen mensen, stimuleren innovatie en vormen de ruggengraat van de nationale rijkdom. Toch worden deze bedrijven geconfronteerd met een constante, risicovolle gok: het risico op wanbetaling, oftewel het onvermogen om hun schulden terug te betalen. Voor banken en kredietverstrekkers is het voorspellen welke onderneming zou kunnen falen voordat dit daadwerkelijk gebeurt, een kwestie van financiële stabiliteit. Decennialang hebben experts geprobeerd dit puzzelstukje op te lossen met behulp van wiskundige modellen die kijken naar de financiële overzichten van een bedrijf — de activa, schulden en winsten — om de toekomst te raden. Deze traditionele methoden werken redelijk goed, maar ze behandelen de geschiedenis van een bedrijf vaak als een enkele momentopname, waarbij ze negeren hoe dat bedrijf door de jaren heen is veranderd. Ze negeren ook vaak andere cruciale details, zoals wie het bedrijf leidt of waar het gevestigd is, door zich bijna uitsluitend te concentreren op de cijfers in het grootboek.

Een team onderzoekers van de Universiteit van Napels "Parthenope" in Italië heeft een nieuwe manier ontwikkeld om naar dit probleem te kijken, een manier die een bedrijf meer behandelt als een levend verhaal dan als een statische foto. In plaats van te vertrouwen op een enkele, rigide formule, bouwden zij een geavanceerd computersysteem dat in staat is om meerdere soorten informatie tegelijkertijd te verwerken. Dit systeem, dat zij een multi-input neuraal netwerk noemen, is ontworpen om drie verschillende stromen gegevens te verwerken: de financiële geschiedenis van het bedrijf over meerdere jaren, de kenmerken van het leiderschap en de managementstructuur, en de economische omstandigheden van de specifieke regio waar het opereert. Door deze verschillende draden met elkaar te verweven, creëerden de onderzoekers een model dat patronen en verbanden kan zien die oudere methoden missen. Hun werk suggereert dat men, om het risico op het falen van een bedrijf echt te begrijpen, niet alleen naar de balans moet kijken, maar ook naar het afgelopen traject, het huidige leiderschap en de omgeving.

De onderzoekers testten hun nieuwe aanpak met behulp van een enorme dataset van Italiaanse kleine en middelgrote ondernemingen, die de periode van 2013 tot 2022 beslaat. Ze richtten zich op gevestigde bedrijven die minstens drie jaar in bedrijf waren, waarbij zeer kleine micro-ondernemingen werden uitgesloten omdat hun financiële verslagen vaak te kort zijn of hun managementstructuren te eenvoudig zijn om de gedetailleerde geschiedenis te bieden die nodig is voor dit type analyse. Het team verzamelde informatie over duizenden bedrijven, inclusief hun jaarlijkse winsten, schulden en activa, evenals details over de bestuursleden, zoals hun leeftijd, geslacht en ervaring. Ze noteerden ook de specifieke regio waar elk bedrijf gevestigd was, in het besef dat lokale economische omstandigheden het succes van een bedrijf kunnen beïnvloeden.

Om deze diverse informatie te verwerken, construeerden de onderzoekers een digitale architectuur met drie gespecialiseerde paden, of "sub-netwerken", die naar een centrale besluitvormingsunit voeden. De eerste route was ontworpen om de financiële gegevens te verwerken, die elk jaar veranderen. In plaats van alleen naar de cijfers van het meest recente jaar te kijken, gebruikt dit deel van het systeem een type kunstmatige intelligentie dat bekend staat als een Long Short-Term Memory netwerk. Deze technologie is bijzonder goed in het onthouden van sequenties; het kijkt naar de financiële geschiedenis van een bedrijf over meerdere jaren om de trend te begrijpen, vergelijkbaar met hoe een arts naar de medische dossiers van een patiënt over een decennium kan kijken in plaats van alleen naar de temperatuur op één dag. Het tweede pad verwerkt de governance-gegevens, die beschrijven wie de leiding heeft. Omdat leidinggevende teams niet zo frequent van samenstelling veranderen als financiële cijfers, behandelt dit deel van het systeem die informatie als een stabiele set feiten over de structuur van het bedrijf. Het derde pad handelt de regionale gegevens af, door de naam van een regio om te zetten in een numerieke code, zodat het systeem kan leren hoe verschillende geografische gebieden het bedrijfsrisico beïnvloeden.

Zodra deze drie informatiestromen zijn verwerkt, worden ze gecombineerd tot één enkel, verenigd beeld van het bedrijf. Dit gecombineerde beeld wordt vervolgens doorgegeven aan een laatste laag die de waarschijnlijkheid berekent dat het bedrijf in het komende jaar in gebreke zal blijven. De onderzoekers vergeleken dit nieuwe multi-input systeem met drie andere methoden die veel in de sector worden gebruikt: een traditioneel statistisch model bekend als logistische regressie, een krachtig machine learning instrument genaamd XGBoost, en een standaard deep learning model dat geen rekening houdt met tijdssequenties. Ze testten deze modellen door te vragen welke bedrijven in 2021 en 2022 zouden falen, op basis van de gegevens die het jaar daarvoor beschikbaar waren.

De resultaten toonden aan dat de nieuwe multi-input benadering de meest nauwkeurige voorspeller was. In tests die bepaalden hoe goed de modellen het onderscheid konden maken tussen bedrijven die zouden overleven en bedrijven die zouden falen, presteerde het nieuwe systeem consequent beter dan de andere. Het behaalde de hoogste scores in het correct identificeren van zowel de bedrijven die zouden overleven als de bedrijven die zouden falen, waarbij het een betere balans vond dan de andere modellen. Terwijl het traditionele statistische model en de standaard machine learning tools meer fouten maakten, demonstreerde het nieuwe systeem een superieur vermogen om zich aan te passen aan nieuwe gegevens en de veelvoorkomende valkuil van overfitting te vermijden, waarbij een model het verleden zo perfect onthoudt dat het niet meer in staat is de toekomst te voorspellen.

Buiten het simpelweg voorspellen van wie er zou falen, wilden de onderzoekers begrijpen waarom hun model de beslissingen nam die het nam. Deep learning systemen worden vaak bekritiseerd als "black boxes", wat betekent dat hun interne logica zo complex is dat mensen niet gemakkelijk kunnen uitleggen hoe ze tot een conclusie zijn gekomen. Om dit aan te pakken, gebruikten het team een techniek genaamd Shapley-waarden, die fungeert als een rechtvaardigheidscalculator om te meten hoeveel elk stuk informatie heeft bijgedragen aan de uiteindelijke voorspelling. Ze ontdekten dat de financiële en economische indicatoren, zoals verwacht, de sterkste drijfveren van de voorspelling waren. De analyse onthulde echter iets belangrijks: de kenmerken van de governance van het bedrijf en de geografische locatie speelden ook een significante, niet verwaarloosbare rol. Hoewel de financiële gegevens het meeste gewicht droegen, toonde het model aan dat het negeren van de mensen in de leiding of de lokale economische context zou leiden tot minder nauwkeurige voorspellingen. De regionale gegevens droegen bijvoorbeeld minder dan 20 procent bij aan de uiteindelijke beslissing, maar die kleine hoeveelheid was nog steeds betekenisvol genoeg om de algehele nauwkeurigheid te verbeteren.

Deze studie bevestigt dat het kijken naar een bedrijf door een enkele lens niet langer voldoende is voor een nauwkeurige risicobeoordeling. Door de financiële geschiedenis, details over het leiderschap en de regionale context te integreren in één enkel, flexibel systeem, hebben de onderzoekers een hulpmiddel gecreëerd dat een completer en betrouwbaarder beeld van de gezondheid van een onderneming biedt. Hun werk suggereert dat de toekomst van het voorspellen van bedrijfsfalen ligt in modellen die verschillende soorten gegevens tegelijkertijd kunnen verwerken, waarbij rekening wordt gehouden met de unieke manier waarop elk stuk informatie in de loop van de tijd evolueert. Hoewel het model specifiek op Italiaanse bedrijven is getest, biedt de aanpak een blauwdruk voor hoe kredietverstrekkers en analisten elders de complexe realiteiten van de bedrijven die zij ondersteunen beter kunnen begrijpen. De bevindingen elimineren het risico op falen niet, maar ze bieden een duidelijkere, meer genuanceerde kaart om doorheen te navigeren.