Tekoäly tukena laivanrakennusverkoston taloudellisessa riskienhallinnassa

Laivanrakennus ei ole yksittäisen yrityksen toimintaa, vaan laaja ja kansainvälinen verkosto, jossa telakat, kokonaistoimittajat ja jopa tuhannet alihankkijat toimivat tiukasti aikataulutetuissa hankkeissa. Monivuotisissa projekteissa yksittäisen alihankkijan taloudelliset vaikeudet voivat nopeasti heijastua koko verkostoon: toimitukset viivästyvät, kustannukset kasvavat ja projektiriskit realisoituvat. Siksi taloudellisen tilanteen ennakointi on keskeinen osa operatiivista riskienhallintaa.

Viimeaikaisessa S4M‑hankkeeseen kytkeytyvässä opinnäytetyössä vertailtiin useita tekoälymalleja pienten ja keskisuurten yritysten konkurssi‑ ja talousahdinko‑riskin ennustamiseen taloudellisten tunnuslukujen perusteella. Aineistona käytettiin avoimen lähdekoodin puolalaista yrityskonkurssidataa. Tulokset osoittivat, että modernit koneoppimismallit – erityisesti XGBoost – tarjoavat perinteisiä menetelmiä herkemmin reagoivaa ennustetukea (kuva 1).

Kuva 1. Neljän tekoälymallin vertailun tuloksia.

Tärkeämpää kuin yksittäinen algoritmi on kuitenkin se, miten näitä malleja voidaan hyödyntää käytännön päätöksenteossa laivanrakennusverkostossa. Telakan tai suuren KT-toimittajan näkökulmasta tekoälypohjainen taloudellinen seuranta voi toimia varhaisvaroitusjärjestelmänä. Julkisesti saatavien tilinpäätöstietojen ja pitkäaikaisten toimittajasuhteiden aikana kertyneen datan avulla voidaan jatkuvasti arvioida alihankkijoiden taloudellista kestävyyttä. Ennustemalli ei korvaa perinteistä toimittaja-arviointia, mutta se tuo siihen ajallisen ulottuvuuden: mihin suuntaan yrityksen taloudellinen tila on kehittymässä esimerkiksi seuraavan 12–36 kuukauden aikana. Tämä on erityisen arvokasta projekteissa, joissa yhden kriittisen toimittajan kaatuminen voi vaarantaa koko toimitusketjun.

Tutkimuksessa havaittiin, että taloudellista riskiä ei selitä yksi yksittäinen tunnusluku. Sen sijaan kannattavuus, maksuvalmius ja kustannustehokkuus muodostavat yhdessä signaalikokonaisuuden, jonka perusteella riskin kasvu voidaan tunnistaa ajoissa. Esimerkiksi kyky kattaa rahoituskulut operatiivisella tuloksella nousi kaikkein keskeisimmäksi ennustavaksi tekijäksi (aineistossa muuttuja A27 liiketoiminnan tulos per rahoituskulut). Tämä on laivanrakennusverkostossa relevanttia, sillä monilla alihankkijoilla voi olla pääomavaltaisia investointeja ja herkkyys korkokustannuksille. Seuraavaksi tärkeimpiä olivat tunnusluvut A46 (Quick Ratio) ja A5 (kassa–kulut‑suhde; cash-to-expenses ratio), jotka korostavat maksuvalmiuden ja kassanhallinnan keskeistä roolia taloudellisen ahdingon riskin määrittelyssä. Tunnusluku A58 (kokonaiskustannukset / liikevaihto; total costs / total sales) on yhteydessä korkeampaan ennustettuun taloudellisen ahdingon riskiin. Tämä havainto vahvistaa, että tehoton kustannusrakenne heikentää merkittävästi yrityksen taloudellista suorituskykyä ja vakautta.

Selitettävien Explainable AI ‑menetelmien (XAI), kuten SHAP ja LIME, arvo korostuu tekoälyn käytännön soveltamisessa. Nämä ovat menetelmiä, joilla tekoälyn päätöksentekoa voidaan selittää, kuten edellä kuvattiin erilaisten muuttujien painoarvoa ja merkitystä koko mallissa. Yritysten näkökulmasta esimerkiksi toimittajan taloudellisen tilanteen riskipistemäärä ei pelkästään riitä asiakkaan hankintaorganisaatiolle tai alihankkijalle itselleen. Selitettävä tekoäly muuttaa monimutkaisen ennustemallin läpinäkyväksi työkaluksi, joka osoittaa esimerkiksi, onko ongelma kassanhallinnassa, kustannusrakenteessa vai velkaantumisessa, ja siten vastaa kysymykseen miksi taloudellinen riski on nousussa.

Sama lähestymistapa hyödyttää myös pk‑yritystä itseään. Pienyrityksen johdolla ei usein ole käytössään kehittynyttä analytiikkaa, mutta tekoälypohjainen tunnuslukujen seuranta voi toimia digitaalisena talouspeilinä. Yritys näkee ajoissa, mitkä taloudelliset tekijät heikentävät sen asemaa asiakkaiden ja rahoittajien silmissä – ja mihin toimiin kannattaa ryhtyä ennen kuin ongelmat kärjistyvät.

S4M‑hankkeen näkökulmasta tekoälyyn perustuva taloudellinen ennakointi ei saisi olla irrallinen analytiikkakokeilu, vaan osa kestävää toimittajaverkoston hallintaa. Kun taloudelliset riskit tunnistetaan ajoissa ja niitä voidaan perustella läpinäkyvästi, koko laivanrakennusverkoston resilienssi paranee. Tämä hyödyttää sekä suuria toimijoita että pk‑yrityksiä – ja lopulta koko teollista ekosysteemiä.

Kirjoittaja: Kimmo Tarkkanen

Terveysteknologia-tutkimusryhmä

 

Lähteet:

Ranatunga Arachchilage Inoka Jeevani. 2026. Predicting SMEs’ Financial Condition Using Explainable AI. Bachelor’s Thesis. Turku University of Applied Sciences. https://www.theseus.fi/handle/10024/914577