Den här studien har två syften – att fördjupa förståelsen för fenomenet snabb företagstillväxt samt att utforska och diskutera hur nya analytiska verktyg, såsom maskininlärning (ML) och tidsserieklustring, kan användas för att analysera företagspopulationer. Rapporten, som är en metodrapport, ingår i ramprojektet ”Är Sverige och EU en gynnsam miljö för snabbväxande företag”,

Kunskap som bidrar till att kunna identifiera potentiellt snabbväxande företag är viktig för utveckling av näringspolitiken.

Rapporten analyserar relationen mellan produktivitet och tillväxtepisoder, med hänsyn till faktorer som investeringar, företagets egenskaper, internationalisering, samt strategiska val kring fusioner och förvärv. Studien belyser de olika formerna av tillväxt som förekommer i den svenska företagssektorn genom att tillämpa ML-metoder på data från svenska företag mellan åren 2010 och 2020.

Ur sammanfattningen

Forskare, privata aktörer, beslutsfattare och internationella organisationer i många länder har stort intresse av snabbväxande företag. I praktiken har de flesta länder någon form av policy för att stödja snabbväxande, och potentiellt snabbväxande, företag. Trots att man har ägnat stor uppmärksamhet till att förstå drivkrafterna bakom snabb tillväxt är resultaten ofta motsägelsefulla. Dessutom finns det ett behov av att ytterligare undersöka hur företag växer, särskilt då empiriska verktyg ger oss djupare insikter om tillväxtbanor. Vi kan nu utforska inte bara de faktorer som driver tillväxt, utan också potentiella mönster, stadier och dynamik som kännetecknar sådan tillväxt.

I studien använder vi maskininlärningstekniken dynamisk tidsseriesklustring, specifikt algoritmen Dynamic Time Warping (DTW), för att identifiera tillväxtmönster bland 37 861 svenska företag under perioden 2010–2020. Genom DTW-tekniken, som är relativt outnyttjad inom ekonomisk forskning, går det att göra en mer flexibel jämförelse av tillväxtbanor som skiljer sig i startpunkter, hastigheter eller tillväxtstadier. Metodiken erbjuder en ny insikt i tillväxtprocesser genom att identifiera olika tillväxtbanor, trender och faser, vilket effektivt illustrerar de varierade tillväxtmönster som svenska företag upplever.

Den här rapporten gör ett första utforskande försök att analysera sambandet mellan företags tillväxtbanor och snabbväxande företag, eller episoder av snabbtillväxt, baserat på svenska data. Såvitt vi vet är det den första studien i sitt slag i svenska sammanhang.

Två tydliga tillväxtmönster framträder bland företagen

1. Skalare, som uppvisar en tendens till frekventa snabbväxtepisoder över tid
2. Blandare, som kännetecknas av en blandning av snabb tillväxt och stabilare perioder. Skalare visar sig särskilt benägna till att upprepa snabb tillväxt episoder, vilket kan indikera en potential för långsiktig expansion.

Resultaten indikerar att snabb tillväxt har en stark och positiv korrelation med förändringar i arbetsproduktivitet. Företag som tidigare haft minst en snabbväxande episod har dock större sannolikhet att uppleva en negativ förändring i sina produktivitetsnivåer. Vi ser också att företag i det första klustret (skalare) har en högre sannolikhet för snabba tillväxtepisoder jämfört med blandarna. Äldre och större företag tenderar att ha en lägre sannolikhet för sådana episoder, medan en mer högutbildad personal och större kapitalinvesteringar ökar sannolikheten för snabb tillväxt. Det är av stor vikt för en effektiv näringspolitik att myndigheter förstår snabb företagstillväxt och att de kan ta till sig nya metoder kring detta.

Metoden behöver utvärderas

I nuläget har vi en högst begränsad kunskap om metodernas praktiska tillämpbarhet för att förutse tillväxtbanor och underlätta urvalsprocessen för företagsstöd. Exakt vilka metoder och vilken roll som maskininlärning bör spela i framtida ekonomiska strategier bör man bestämma efter att deras förmågor har utvärderats och jämförets med mer traditionella metoder.

Rapporten ger en djupare förståelse för de komplexa mekanismerna bakom snabb tillväxt och utforskar hur dessa processer kan skilja sig åt mellan kluster genom att kombinera dynamisk tidsserieklustering med traditionell regressionsanalys. Resultaten tyder på att även om klustertillhörighet är en avgörande faktor för att identifiera potentiellt högtillväxt-episoder, är påverkan av kvarstående faktorer (såsom förändringar i arbetsproduktivitet, kapital- och humankapitalinvesteringar, företagskarakteristika och företags strategiska beslut) på tillväxten konsekvent jämförbart över båda klustren. Det indikerar att samma underliggande processer för snabb tillväxt förekommer oavsett klustertillhörighet. Klustertillhörighet fångar med andra ord något som vi inte kan identifiera med andra variabler ur litteraturen och är därmed intressanta att utveckla vidare.