کاربرد الگوریتم های فراابتکاری در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی (الگوریتم های بهینه سازی مـلخ و کلونی مورچگان)

محورهای موضوعی : اقتصاد مالی

فریدون مرادی ¹ , احمد یعقوب نژاد ² , آزیتا جهانشاد ³

1 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

تاریخ دریافت : 1401/04/09 تاریخ پذیرش : 1401/12/14 تاریخ انتشار : 1402/01/01

کلید واژه: درماندگی مالی, متغیرهای مالی و اقتصادی, الگوریتم بهینه‌سازی ملخ (GOA), الگوریتم کلونی مورچگان (ACO) و شبکه عصبی مصنوعی پرسپترون چند لایه (MLP),

چکیده مقاله :

هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه‌سازی ملخ (GOA) در پیش‌بینی دقیق‌تر درماندگی مالی با استفاده از متغیرهای درون‌شرکتی (مالی و غیرمالی) و اقتصادی می‌باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد مدل ترکیبی مبتنی بر الگوریتم ملخ (MLP-GOA) و مقایسه توانمندی آن با عملکرد مدل ترکیبی مبتنی بر الگوریتم کلونی مورچگان (MLP-ACO) می‌باشد. جامعه آماری پژوهش شرکت‌های فعال در بازار بورس اوراق بهادار تهران طی یک دوره 7 ساله (از 1391 تا 1397) شامل 476 شرکت بوده که در نهایت با حذف سیستماتیک، 289 شرکت حایز شرایط (شامل 2023 مشاهده سال- شرکت) مورد بررسی و غربالگری قرار گرفته است. آزمون فرضیه‌ها برمبنای معیارهای ارزیابی ماتریس اغتشاش و منحنی ROC انجام شد. یافته‌ها توانمندی مدل پایه ANN-MLP در پیش‌بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی را اثبات نمود و علاوه بر آن، الگوریتم-های فراابتکاری از طریق مدل‌های MLP-GOA و MLP-ACO عملکرد مدل پایه شبکه عصبی را بهبود دادند. دقت مــدل MLP-GOA برای سال وقوع درماندگی تا دو سال قبل از آن به ترتیب 3/97%، 5/94% و 3/91% بوده است که از دقت مدل پایه و مدل MLP-ACO نیز بیشتر بوده است. همچنین نتایج نشان داد که با ورود متغیرهای اقتصادی، اگر چه توانمندی کلیه مدل‌های پایه و ترکیبی به نحو معنی‌داری افزایش یافته است، لیکن درماندگی مالی بیشتر متاثر از متغیرهای درون‌شرکتی بوده و در واقع اثر متغیرهای اقتصادی بر این رخداد، قبلاً از طریق اثر بر رویدادهای مالی ثبت شده در سیستم حسابداری، لحاظ شده است.

چکیده انگلیسی:

. Abstract The purpose of this study is investigating the capability of Grasshopper Optimization Algorithm (GOA) in more accurately predicting the financial distress by-using intra-corporate (financial and non-financial) and economic variables. The method of this research is improving the performance of the basic model of Multilayer Perceptron Artificial Neural Network (ANN-MLP) by-using a hybrid model with GOA (MLP-GOA) and Ant Colony Optimization Algorithm (MLP-ACO). The statistical research population of companies active in Tehran Stock Exchange during a 7-year period (from 1391 to 1397) included 476 companies, and finally, after systematic elimination, there were 289 qualified companies (including 2023 observation year-company). Checked and screened. The results showed the ability of ANN-MLP model to predict financial distress by-using financial and non-financial variables, and in addition the hybrid models (MLP-GOA and MLP-ACO) had been improved this ability. The accuracy of the MLP-GOA model for the year t, year t-1and year t-2 (before financial distress occurs), respectively are 97.30%, 94.53% and 91.30% that higher than the accuracy of the basic model and the hybrid MLP-ACO model. Although, entering the economic variables has increased the capability of all models significantly but the results showed that the financial distress is more affected by intra-corporate variables and the effect of economic variables has already been considered through the effect on financial events recorded in the accounting system. The results of this study can be used by company managers, banks and rating and credit institutions, insurance companies, financial analysts, investors and investment companies in assessing the risk of financial distress to make appropriate decisions and actions.

منابع و مأخذ:

فهرست منابع

• ابراهیمی سرو علیا، محمد حسن، باباجانی، جعفر، آخوند، محمد رضا و فاخر، اسلام (1397)، ارائه الگویی برای پیش­بینی پویای درماندگی مالی با استفاده از تحلیل بقاء. فصلنامه اقتصاد مقداری (بررسی­های اقتصادی سابق)، 15(3)، 167-198.


• اسدزاده، پوریا و مرادی، مهدی(1393)، پیش­بینی درماندگی مبتنی بر الگوریتم کاوش باکتری. پایان­نامه کارشناسی ارشد، دانشگاه بین المللی امام رضا (ع).


• ایزدی نیا، ناصر؛ کیانی، غلامحسین و میرزایی، مهدی (1394)، تاثیر ترکیبی ویژگی­های مراحل چرخه عمر شرکت بر عدم تقارن زمانی جریان نقدی عملیاتی. دانش حسابرسی. 15(59)، 57-76.


• برگ بید، احمد، جعفری، علی و صالح نژاد، سید حسن (1400)، ارائه الگوی ترکیبی سه بعدی (مالی، اقتصادی، پایداری( در پیش بینی درماندگی مالی شرکت­ها، پژوهش­های حسابداری مالی و حسابرسی، 13 (51)، 105-131.


• پورزمانی، زهرا و کلانتری، حسن (1392)، مقایسه قدرت پیش­بینی بحران مالی توسط تکنیک­های مختلف هوش مصنوعی، پژوهش­های حسابداری مالی و حسابرسی، 5(17)، 33-64.


• تقی­زاده، حسن و همت­فر، محمود (1394)، بررسی کاربرد الگوریتم بهینه­سازی کلونی مورچگان پیوسته در پیش­بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، دانش حسابرسی، 15(59)، 64-50.


• حاجی شاه­وردی، دنیا، زمردیان، غلامرضا، فلاح شمس لیالستانی، میرفیض و حنیفی، فرهاد، (1398)، طراحی سیستم پیش هشداردهنده بحران بانکی نظام­مند در بازار مالی ایران (با کاربرد زنجیره­های مارکوفی(، فصلنامه اقتصاد مالی، 13 (47)، 135-153.


• حیدری سورشجانی، بهمن و قدرتی، حسن (1394)، مقایسه دقت روش­های رگرسیون گام­به­گام، رگرسیون لجستیک و شبکه عصبی در پیش­بینی بحران مالی شرکت­های پذیرفته شده در بورس تهران، پایان­نامه کارشناسی ارشد، دانشگاه آزاد واحد کاشان.


• خواجوی، شکراله و قدیریان آرانی، محمدحسین (1396)، نقش توانایی مدیریت در پیش­بینی بحران مالی. پژوهش­های حسابداری مالی، 9(4)، 83-101.


• رحیمی، حمید، مینویی، مهرزاد و فتحی، محمدرضا (1400)، تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی، نشریه صنعت لاستیک ایران، 25 (101)، 65-84.


• رضایی، فرزین و نژاد تولمی، بابک (1393)، مقایسه الگوریتم مورچگان با روش­های تحلیل تمایزی چندگانه و لوجیت در پیش­بینی درماندگی مالی. تحقیقات حسابداری و حسابرسی، 23(1)، 120-143.


• سیف اللهی، ناصر (1397)، شناسایی مکانیزیم اثرگذاری مدیریت هموارسازی سود بر هزینه بدهی مالی در شرکت‌های بورس اوراق بهادار تهران، فصلنامه اقتصاد مالی، 12 (42)، 181-199.


• صفوی، سیدعلی اکبر؛ پور جعفریان، نرگس و صفوی، سیدعلی (1393)، بهینه­سازی بر پایه الگوریتم­های فراابتکاری، تهران، انتشارات پژوهشگران نشر دانشگاهی، نوبت چاپ اول.


• صوفی، منصور، همایون فر، مهدی و فدایی، مهدی، (1399)، تعیین روش بهینه پیش­بینیدرماندگی مالی شرکتها (مطالعه موردی: شرکتهای بورس اوراق بهادار تهران)، فصلنامه دانش سرمایه گذاری، 9(35)، ۸۵ -۱۰۰.


• طالب­نیا، قدرت الله؛ جهانشاد، آزیتا و پورزمانی، زهرا (1388)، ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیش­بینی بحران مالی شرکتها (موردمطالعه: شرکتهای پذیرفته در بورس اوراق بهادار تهران)، بررسی­های حسابداری و حسابرسی، 16(55)، 67-84.


• غیور، فرزاد و مهرانی، ساسان (1396)، تبیین عوامل مالی و غیرمالی موثر بر پیش­بینی درماندگی مالی و مقایسه توانایی مدل­های پارامتریک و ناپارامتریک، رساله دکتری حسابداری دانشگاه مازندران.


• فلاحپور، سعید و ارم، اصغر (1395)، پیش بینی درماندگی مالی شرکت­ها با استفاده از الگوریتم کلونی مورچگان، تحقیقات مالی دانشکده مدیریت دانشگاه تهران، 18(2)،347-368 .


• کردستانی، غلامرضا، تاتلی، رضا و رشیدی، حمید (1393). ارزیابی توان پیش­بینی مدل تعدیل­شده آلتمن از مراحل درماندگی مالی نیوتن و ورشکستگی شرکت­ها، فصلنامه علمی پژوهشی دانش سرمایه­گذاری، 3(9)، 83-99.


• کرزبر، بهرام و شاهوردیانی، شادی (1396)، آزمون شاخص­های هرفیندال- هیرشمن و کیوتوبین بر تحلیل ساختار سرمایه، کارایی و رقابت بازار محصول. فصلنامه علمی پژوهشی دانش سرمایه گذاری (انجمن مهندسی مالی ایران)، 6(23)، 283-298.


• کمیته تدوین استانداردهای حسابداری و حسابرسی سازمان حسابرسی(1394). استانداردهای حسابرسی، تهران، انتشارات سازمان حسابرسی.


• کیقبادی، امیررضا و خدامی، وحید، (1392)، داده­کاوی صورتهای مالی جهت اعطای تسهیلات مالی، پژوهش­های حسابداری مالی و حسابرسی، 5(17): 179-211.


• محمدزاده، پرویز و جلیلی­مرند، علیرضا (1391)، پیش­بینی ورشکستگی بااستفاده از مدل لوجیت. تحقیقات مدلسازی اقتصادی، 3(8)، 1-21.


• مرادی رامز، زهرا و سهرابی، شهلا (1397)، بررسی رابطه سهامداران نهادی به عنوان مالک و مدیر بردرماندگی مالی شرکت‌های پذیرفته شده دربورس اوراق بهادارتهران، فصلنامه اقتصاد مالی، 12(44)، 87-102.


• مهرآذین، علیرضا، زنده دل، احمد، تقی پور، محمد و فروتن، امید (1392)، شبکه‌های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آنها در پیش‌بینی ورشکستگی. فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 2(7)، 149-166.


• مهرانی، ساسان و زارع زادگان، امید (1392)، کیفیت سود، ریسک ورشکستگی و جریان های نقد آتی. مجله بررسی های حسابداری و حسابرسی دانشکده مدیریت دانشگاه تهران، 20(1)، 93-112.


• مومنی، منصور و فعال قیومی، علی (1394). تحلیل­های آماری با استفاده از SPSS. تهران، نشر مولف، چاپ هشتم.


• میرزایی، حسین، فلیحی، نعمت و مشهدی، محمدرضا، (1391)، تاثیر نااطمینانی متغیرهای کلان اقتصادی (نرخ ارز و تورم) بر روی ریسک اعتباری مشتریان حقوقی بانک تجارت، فصلنامه اقتصاد مالی، 6(18)، 113-137.


• میرعلوی، سید حسین و پورزمانی، زهرا و جهانشاد، آزیتا (1398)، ارائه مدلی مبتنی بر رفتار مالی سرمایه­گذاران جهت پیش­بینی قیمت سهام با استفاده از روش­های فراابتکاری شبکه­های عصبی. فصلنامه بورس اوراق بهادار، 47(3)(12)،76-109.


• نمازی، محمد و ابراهیمی، شهلا (1400)، پیش­بینیدرماندگی مالی شرکتهای پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان، مجله راهبرد مدیریت مالی، 1(32)، ۱۱۵ -۱۳۲.


• نیکبخت، محمدرضا و بهادری، محمد مراد (1391)، کاربرد مدل آلتمن و لوالی با مدل لگالت و ورنانیو برای پیش­بینی تداوم فعالیت و ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه علمی پژوهشی دانش سرمایه گذاری، 1(4)، 19-46.


• وقفی، سید حسام، جوانشیری، حسین، اسکندری، آتنا و نوربخش حسینی، زینب (1401)، تحلیل محتوای درماندگی مالی، مطالعات حسابداری و حسابرسی ، 41 (1)، 65-84.

• Acosta, E., Fernando, G., Fernandez, R. and Hicham, G. (2019). Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data. Computational Economics, 53(1), 227-257. (First Online: 6th Sep. 2016).


• Al-Hadi, A., Chatterjee, B., Yaftian, A., Taylor, G. and Monzur Hasan, M. (2017). Corporate social responsibility performance, financial distress and firm life cycle: evidence from Australia. Accounting and Finance, Wiley Online Library, pp, 1-29. (https://doi.org/10.1111/acfi.12277).


• Alifiah, M. Norfian, Norhana S. and Ismail Ahmad, (2013). Prediction of financial distress companies in the consumer products sector in Malaysia. Journal Sains Humanika, 64(1), 90-98.


• Cladera, R., Oliver, A.M. and Fuster, B.P., (2021), Financial distress in the hospitality industry during the Covid-19 disaster, Tourism Management, 85(1),1-18.


• Conner, M.C., (1974). On the Usefulness of Financial Ratios to Investors. Journal of Accounting Review, 49(3), 551-556.


• Daubie, M and Meskens, N, (2002). Business failure prediction: a review and analysis of the literature. Working Paper, Department of Productions and Operations Management, Catholic University of Mons, Belgium, 1(1), 71-86.


• DeAngelo, H., L. DeAngelo, and R. M. Stulz, (2006). Dividend policy and the earned/contributed capital mix: a test of the life-cycle theory. Journal of Financial Economics, 81(1), 227–254.


• Dickinson, V., (2011). Cash flow patterns as a proxy for firm life cycle. The Accounting Review, 86(1), 1969–1994.


• Fontaine, Felipe; Rezende, Roberto Marcos da Silva Montezano; Fernando Nascimento de Oliveira, Valdir de Jesus Lameira, (2017). Predicting financial distress in publicly-traded companies. Revista Contabilidade & Finanças, 28(75), 390-406.


• Fosu, S., (2013). Capital structure, product market competition and firm performance: Evidence from South Africa. The Quarterly Review of Economics and Finance, 53(1), 140-151.


• Hasan, M. M., Hossain, M. and Habib, A., (2015). Corporate life cycle and cost of equity capital. Journal of Contemporary Accounting & Economics, 11(1), 46–60.


• Hernandez, M.T, Wilson, N. (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, (InPress; Available online 26 Februar), pp. 1-26.


• Elhoseny, M., Metawa, N., Sztano, G., and El-hasnony, I., (2022), Deep Learning-Based Model for Financial Distress Prediction, Annals of Operations Research, pp.1-23. (published online at https://doi.org/10.1007/s10479-022-04766-5)


• Higgins, Robert C., (2007). Analysis for Financial Management. New York, McGraw-Hill Irwin.


• Jie Luo, Huiling Chen , Qian zhang , Yueting Xu , Hui Huang , Xuehua Zhao, (2018). An Improved Grasshopper Optimization Algorithm with Application to Financial Stress Prediction. Applied Mathematical Modelling, 64(1), 654-668, (https://doi. org/10.1016/ j.apm.2018.07.044).


• Jie Sun, Hui, Li, Hamido Fujita, Binbin Fu, Wenguo Ai, (2019). Class-imbalanced dynamic financial distress prediction based on Adaboost-SVM ensemble combined with SMOTE and time weighting. Information Fusion, 54(1), 128-144.


• Li, Z. Crook, J. & Andreeva, G. (2015). Corporate Governance and Financial Distress: a Discrete Time Hazard Prediction Model, 1-24. (Retrieved from http://ssrn.com/abstract=2635763)


• Liu, J., Wu, C., Li, Y. (2019). Improving Financial Distress Prediction Using Financial Network-Based Information and GA-Based Gradient Boosting Method. Computational Economics, 53(2), 851–872. (First Online: November 2017).


• Minhas A., Ammar H., Marcela S., & Tanazza S. (2022), Financial Distress, Firm Life Cycle, and Corporate Restructuring Decisions: Evidence from Pakistan’s Economy, Economies, 10( 175), 1-14.


• Penman, Stephen H. (2013). Financial Statement Analysis and Security Valuation (Chapter 20; the Analysis of Credit Risk and Return), Columbia University, Fifth Edition.


• Ravi Kumar, P and Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques. European Journal of Operational Research, 180(1), 1-28.


• Saremi, Sh., Mirjalili, S., Lewis, A., (2017). Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software, 105(1), 30–47


• Timmermann, A. & Granger, C.W.J., (2004), “Efficient Market Hypothesis and Forcasting”, International journal of forecasting, vol. 20, pp.15-27.


• Tsai, C. (2009). Feature Selection in Bankruptcy Prediction. Knowledge-based Systems, 22 (1), 120–127.


• Ugur M., Solomon, E. & zeynalov, A., (2022), Leverage, competition and financial distress hazard: Implications for capital structure in the presence of agency costs, Economic Modelling, 108 (1), 1-55.


• Weston J. F. & E.T. Copeland. (1992). Managerial Finance. Dryden Press, 9th Edition, (Full text book Available on:https://books.google.com/books/about/Managerial_finance.html).