Identifying Economic Drivers of Credit Default: An Analysis of Austrian SMEs in the Construction Sector
| Thesis title: | Identifying Economic Drivers of Credit Default: An Analysis of Austrian SMEs in the Construction Sector |
|---|---|
| Author: | Moore, Anne Carrington |
| Thesis type: | Diploma thesis |
| Supervisor: | Sadílek, Tomáš |
| Opponents: | - |
| Thesis language: | English |
| Abstract: | This thesis examines credit default prediction amongst Austrian small and medium enterprises (SMEs) in the construction industry, aiming to enhance understanding of financial distress determinants. Using firm-level balance sheet data from the Austrian credit agency, KSV, for 2019-2022, combined with macroeconomic indicators from the Eurostat database, this study evaluates the predictive power of these two types of variables across one- and two-year horizons. Logistic regression and Random Forest models are applied to compare predictive performance and assess whether the inclusion of macroeconomic variables improves accuracy. The results show that financial ratios remain the most influential predictors, while macroeconomic factors- particularly GDP growth and EUR/USD exchange rate – gain significance over longer horizons. Random Forest models outperform logistic regression in the short term, whereas logistic regression achieves stronger stability over two years. Prediction accuracy declines with longer horizons, reflecting the challenges of extended forecasting. The findings provide novel empirical evidence for Austrian SMEs and practical insights for improving credit risk assessment and early-warning systems. |
| Keywords: | SME default; credit risk; logistic regression; Random Forest |
| Thesis title: | Identifying Economic Drivers of Credit Default: An Analysis of Austrian SMEs in the Construction Sector |
|---|---|
| Author: | Moore, Anne Carrington |
| Thesis type: | Diplomová práce |
| Supervisor: | Sadílek, Tomáš |
| Opponents: | - |
| Thesis language: | English |
| Abstract: | Tato diplomová práce se zabývá predikcí úvěrového selhání malých a středních podniků (MSP) v rakouském stavebním průmyslu s cílem prohloubit porozumění determinantům finanční tísně. Na základě podnikových účetních dat z rozvah poskytnutých rakouskou úvěrovou agenturou KSV za období 2019–2022 a makroekonomických ukazatelů z databáze Eurostat tato studie hodnotí prediktivní schopnost těchto dvou typů proměnných v jednoletém a dvouletém horizontu. Pro porovnání prediktivní výkonnosti a posouzení, zda zahrnutí makroekonomických proměnných zvyšuje přesnost modelu, jsou aplikovány metody logistické regrese a náhodného lesa (Random Forest). Výsledky ukazují, že finanční ukazatele zůstávají nejvýznamnějšími prediktory, zatímco makroekonomické faktory – zejména růst HDP a měnový kurz EUR/USD – nabývají na významu v delších časových horizontech. Modely Random Forest dosahují lepších výsledků v krátkodobém horizontu, zatímco logistická regrese vykazuje vyšší stabilitu ve dvouletém období. Přesnost predikce se s prodlužujícím horizontem snižuje, což odráží obtížnost dlouhodobého prognózování. Zjištění přinášejí nové empirické poznatky o rakouských MSP a praktické implikace pro zlepšení hodnocení úvěrového rizika a systémů včasného varování |
| Keywords: | logistická regrese; úvěrové riziko; Random Forest; selhání MSP |
Information about study
| Study programme: | International Business - Central European Business Realities |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of International Relations |
| Department: | Department of International Business |
Information on submission and defense
| Date of assignment: | 28. 1. 2026 |
|---|---|
| Date of submission: | 3. 3. 2026 |
| Date of defense: | 17. 4. 2026 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/95345/podrobnosti |