Bankroto prognozavimas Lietuvos maitinimo paslaugų sektoriuje: tradicinių, mašininio mokymosi ir hibridinių modelių taikymas bei makroekonominių veiksnių įtaka

LTStraipsnyje analizuojamas bankroto prognozavimo modelių taikymas Lietuvos maitinimo paslaugų sektoriui, kuriam būdingas didelis ekonominis jautrumas ir aukšta bankroto rizika. Sprendžiama problema – tradicinių bankroto prognozavimo modelių nepakankamas tikslumas šio sektoriaus įmonių bankroto prognozavimui riboja jų efektyvų taikymą priimant verslo valdymo ir investicinius sprendimus. Tyrimo tikslas – įvertinti skirtingų bankroto prognozavimo modelių tipų tinkamumą Lietuvos maitinimo paslaugų sektoriaus įmonėms ir sukurti pažangiomis technologijomis pagrįstą hibridinį bankroto prognozavimo modelį, pritaikytą sektoriaus specifikai. Tyrimui taikyti Altman Z, Ohlson O, atraminių vektorių klasifikatoriaus (SVM) ir gradiento didinimo mašinų (GBM) modeliai, į pažangiuosius modelius integruojant ir makroekonominius rodiklius. Duomenų analizė atlikta su 96 Lietuvos maitinimo paslaugų įmonėmis, modelių veikimas vertintas naudojant AUC (ROC), F1, Brier ir kitus rodiklius. Tyrimo rezultatai parodė, kad sukurtas hibridinis modelis su makroekonominių veiksnių integracija pasiekė aukščiausią tikslumą (93,06 %) ir geriausią pusiausvyrą tarp jautrumo, preciziškumo bei kalibracijos, todėl gali būti laikomas efektyviu įrankiu praktiniam bankroto rizikos vertinimui maitinimo paslaugų sektoriuje. Raktiniai žodžiai: hibridiniai bankroto prognozavimo modeliai, mašininis mokymasis, maitinimo paslaugų sektorius, vertinimas.

ENThis study examines bankruptcy prediction models specifically for Lithuania's food service sector, which is known for its high economic sensitivity and significant bankruptcy risk. The primary issue addressed is the limited accuracy of traditional bankruptcy prediction models when applied to this industry—an important concern for business management and investors. The aim of the study is to evaluate the effectiveness of different types of bankruptcy prediction models for companies in Lithuania’s food service sector and to develop a hybrid model based on advanced technologies, tailored to the specific characteristics of the sector. The models investigated include the Altman Z-score, Ohlson O-score, Support Vector Machine (SVM), and Gradient Boosting Machine (GBM), with macroeconomic indicators incorporated into the advanced models. The empirical analysis was conducted using a dataset comprising 96 Lithuanian food service companies. Model performance was assessed through metrics such as AUC (ROC), F1 score, Brier score, and other key indicators. The findings reveal that the developed hybrid model with integrated macroeconomic factors achieved the highest prediction accuracy at 93.06%, along with the best overall balance of sensitivity, precision, and calibration, highlighting its potential as an effective tool for practical bankruptcy risk assessment in this sector. Keywords: hybrid bankruptcy prediction models, machine learning, food service sector, evaluation.