Forecasting Corporate Dissolution in Thailand from Financial Statement Data Using Data Mining Techniques

Abstract

This study aims to develop and compare the performance of machine learning models for predicting corporate dissolution in Thailand using financial statement data as the primary source. The sample consists of 13,218 legal entities, of which those that ceased operations in 2024 were classified as the event group. Financial statement data from 2022–2023 were used as independent variables for model construction. The machine learning algorithms employed in this study include Support Vector Machine (SVM), Light Gradient Boosting Machine (LightGBM), and Deep Neural Network (DNN). In addition, ensemble learning was applied using a majority voting approach. The data preparation process involved data cleaning, the construction of growth-related variables, and the transformation of categorical variables into suitable formats. Model performance was evaluated using K-fold cross-validation with Accuracy, Precision, Recall, and F1-score as evaluation metrics. The results indicate that the LightGBM model achieved the highest performance, with an accuracy of 94.10%, precision of 0.95, recall of 0.94, and F1-score of 0.94. Furthermore, when tested on an independent unseen dataset of 3,186 entities, the model maintained high efficiency and stability, achieving an accuracy of 92.90%, precision of 0.93, recall of 0.93, and F1-score of 0.93. The findings suggest that machine learning models, particularly LightGBM, have strong potential for application as an effective decision-support tool for assessing corporate dissolution risk in Thailand.

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองการเรียนรู้ของเครื่องในการพยากรณ์การเลิกกิจการของนิติบุคคลในประเทศไทย โดยใช้ข้อมูลงบการเงินเป็นข้อมูลหลัก กลุ่มตัวอย่างประกอบด้วยนิติบุคคลจำนวน 13,218 ราย ซึ่งกำหนดให้นิติบุคคลที่เลิกกิจการในปี พ.ศ. 2567 เป็นกลุ่มเหตุการณ์ และใช้ข้อมูลงบการเงินย้อนหลังในปี พ.ศ. 2565–2566 เป็นตัวแปรอิสระในการสร้างแบบจำลอง อัลกอริทึมที่ใช้ในการศึกษาได้แก่ อัลกอริทึมซัพพอร์ตเวกเตอร์แมชชีน อัลกอริทึมไลท์กราเดี้ยนบูทติ้งแมชชีน และอัลกอริทึมการเรียนรู้เชิงลึก จากนั้นใช้เทคนิคการเรียนรู้แบบกลุ่ม ทำงานร่วมกันโดยใช้วิธีลงเสียงข้างมาก โดยดำเนินการเตรียม และทำความสะอาดข้อมูล สร้างตัวแปรเชิงการเติบโต และจัดการตัวแปรเชิงหมวดหมู่ให้อยู่ในรูปแบบที่เหมาะสม จากนั้นประเมินประสิทธิภาพด้วยเทคนิค การประเมินความถูกต้องแบบไขว้ โดยใช้ตัวชี้วัด ค่าความถูกต้อง ค่าความแม่นยำ ค่าระลึก และค่าการถ่วงดุล ผลการศึกษาพบว่า อัลกอริทึมไลท์กราเดี้ยนบูทติ้งแมชชีนให้ประสิทธิภาพสูงที่สุด โดยมีค่าความถูกต้องร้อยละ 94.10 ค่าความแม่นยำ 0.95 ค่าระลึก 0.94 และค่าการถ่วงดุล 0.94 และเมื่อนำแบบจำลองดังกล่าวไปทดสอบกับชุดข้อมูลทดสอบอิสระ (Unseen Data) จำนวน 3,186 รายการ พบว่าแบบจำลองยังคงให้ผลการพยากรณ์ที่มีประสิทธิภาพและความเสถียรสูง โดยมีค่าความถูกต้องร้อยละ 92.90 ค่าความแม่นยำ 0.93 ค่าระลึก 0.93 และค่าการถ่วงดุล 0.93 ผลการวิจัยสะท้อนให้เห็นว่าแบบจำลองการเรียนรู้ของเครื่อง โดยเฉพาะอัลกอริทึมไลท์กราเดี้ยนบูทติ้งแมชชีน มีศักยภาพในการนำไปประยุกต์ใช้เป็นเครื่องมือสนับสนุนการประเมินความเสี่ยงการเลิกกิจการของนิติบุคคลในประเทศไทยได้อย่างมีประสิทธิภาพ