مدل‌بندی و تعیین توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها با استفاده از الگوریتم‌های هوش مصنوعی

محورهای موضوعی : دانش مالی تحلیل اوراق بهادار

صدیقه عزیزی ¹ ( استادیار حسابداری، دانشگاه آزاد اسلامی، واحد بافت، بافت، ایران (نویسنده مسئول) )

تاریخ دریافت : 1400/10/21 تاریخ پذیرش : 1400/10/21 تاریخ انتشار : 1400/09/01

کلید واژه: ورشکستگی مالی, مدیریت سرمایه در گردش, الگوریتم هوش مصنوعی,

چکیده مقاله :

هدف اصلی این پژوهش مدل‌بندی و تعیین توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها با استفاده از الگوریتم‌های هوش مصنوعی است. جامعه آماری پژوهش متشکل از ۱۲۰ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های ۱۳۸۷-۱۳۹۸ است. در راستای دستیابی به اهداف پژوهش، ابتدا با مطالعه پژوهش‌های پیشین در حوزه درماندگی مالی 12 نسبت مالی اثرگذار بر ورشکستگی مالی انتخاب شده است. پس از محاسبه نسبت‌ها از آزمون مقایسه میانگین استفاده شده است تا نسبت‌هایی که تفاوت معناداری میان دو گروه ورشکسته و غیرورشکسته مالی دارند، برای محاسبه در مدل‌های پیش‌بینی در نظر گرفته شوند که نتایج نشان داد هر 12 متغیر برای استفاده در مدل‌ها مناسب هستند. سپس، به منظور بررسی توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها، به مقایسه مدل‌های پژوهش با توجه و بدون توجه به متغیر مدیریت سرمایه در گردش بر مبنای پنج مدل شبکه عصبی پرسپترون چند لایه، ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و تحلیل ممیزی چندگانه پرداخته شده است. نتایج مقایسه مدل‌های پیش‌بینی ورشکستگی نشان داد مدل شبکه عصبی پرسپترون چند لایه، نسبت به سایر مدل‌ها دارای بیشترین قدرت در پیش‌بینی شرکت‌ها از لحاظ ورشکستگی مالی و سالم بودن است. همچنین، نتایج مقایسه مدل‌ها نشان داد با توسعه مدل پژوهش، از طریق وارد کردن متغیر مدیریت سرمایه در گردش، خطای آموزش مدل شبکه عصبی پرسپترون چند لایه بـه مقـدار 036/0 کـاهش و بر دقت مدل تا 75 درصد افزوده می‌شود.

چکیده انگلیسی:

The main purpose of this study is to model and determine the ability of working capital management in predicting financial bankruptcy of companies using artificial intelligence algorithms. The statistical population of the study consists of 120 companies listed on the Tehran Stock Exchange during the years 2008-2019. In order to achieve the objectives of the research, first by studying previous research in the field of financial distress, 12 financial ratios affecting financial bankruptcy have been selected. After calculating the ratios, the mean comparison test was used to consider the ratios that have a significant difference between the two bankrupt and non-bankrupt financial groups for calculation in the forecasting models, which showed that all 12 variables are suitable for use in the models. Then, in order to evaluate the ability of working capital management in predicting companies' financial bankruptcy, to compare research models with and without working capital management variable based on five models of multilayer perceptron neural network, support vector machine, decision tree, logistic regression and multiple audit analysis is performed. The results of comparing bankruptcy prediction models showed that the multilayer perceptron neural network model has the highest power in predicting companies in terms of financial bankruptcy and soundness compared to other models. The results of comparing the models showed that with the development of the research model, by entering the working capital management variable, the training error of the multilayer perceptron neural network model is reduced to 0.036 and the accuracy of the model is increased to 75%.

منابع و مأخذ:

• بحیرانی، علیرضا؛ اعتمادی، کیوان؛ گرامی اصل، امیر. (۱۳۹۵). مقایسه سیستم‌های هوش مصنوعی (ANN و ANFIS) و رگرسیون لجیت در پیش­بینی ورشکستگی مالی شر­کت­های پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه علمی- پژوهشی تحقیقات بازاریابی نوین، 6 (2)، 153-166.


• حاجی هاشم، مسعود؛ امیرحسینی، زهرا. (۱۳۹۸). پیش‌بینی ورشکستگی و راهبری شرکت‌ها: دیدگاه نسبت های مالی. دانش حسابداری و حسابرسی مدیریت، ۸(۳۰)، ۲۰۱-۲۲۰.


• خداکریمی، پری؛ پیری، پرویز. (1396). پیش‌بینی درماندگی مالی بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک. مطالعات تجربی حسابداری مالی، 14(55)، 145-168.


• خدری، نادر؛ دستگیر، محسن؛ سروش یار، افسانه. (1399). تأثیر نوسانات بازده سهام بر اقلام تعهدی سرمایه در گردش با در نظر گرفتن اثر تعدیل‌کنندۀ درماندگی مالی. مدیریت دارایی و تأمین مالی، 8(3)، 85-102.


• دیو سالار، مهدی. (۱۳۸۹). بررسی تطبیقی پیش‌بینی ورشکستگی شرکت‌های صنعتی پذیرفته شده در بورس اوراق بهادار تهران با استفاده از روش‌های آماری و روش‌های هوش محاسباتی. پایان‌نامه کارشناسی ارشد، دانشگاه علامه طباطبایی.


• فروغی، داریوش؛ امیری، هادی؛ الشریف، سید محمد. (۱۳۹۶). تأثیر درماندگی‎مالی بر اثرگذاری اقلام‎ تعهدی بر بازده‎های آتی. مطالعات تجربی حسابداری مالی، 14 (55)، 93-123.


• منصورفر، غلامرضا؛ غیور، فرزاد؛ لطفی، بهناز. (1392). ترکیب اجزای جریان نقد و پیش‌بینی درماندگی مالی در بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرسی، 5(18)، 74-87.


• منصورفر، غلامرضا؛ غیور، فرزاد؛ لطفی، بهناز (۱۳۹۴). توانایی ماشین بردار در پیش­بینی درماندگی مالی، پژوهش­های تجربی حسابداری، 5(3)، 177-.195.


• مهرانی، ساسان؛ مهرانی، کامران؛ کرمی، غلامرضا؛ یاشار، مجتبی. (۱۳۸۴). بررسی کاربرد الگوهای پیش بینی ورشکستگی زیمسکی و شیراتا در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، بررسی های حسابداری و حسابرسی، ۱۲(۳)، 131-15.


• رهنمای رودپشتی، فریدون؛ نیکومرام، هاشم؛ شاهوردیانی، شادی. (1390)، مدیریت مـالی راهبـردی ارزش آفرینی، انتشارات حکیم باشی.


• Altman, E. (1968). Financial ratio Discriminant Analysis and the Prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589-609.


• Acosta-González, E., Fernández-Rodríguez, F., & Ganga, H. (2019), Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data. Computational Economics, 53(1), 227-257.


• Ahmed, A. S., McMartin, A. S., & Safdar, I. (2019). Earnings volatility, ambiguity and crisis‐period stock returns. University of Miami Business School Research Paper No. 3357232. Available at SSRN: http://dx.Doi.org/10.2139/ssrn.3357232.


• Bhattacharya, S., & Nicodano, G. (2001). Insider trading, investment and liquidity: Awelfare analysis. Journal of Financ, 56(3), 1141–1156.


• Chiaramontea L., & Casu B, (2017), Capital and liquidity ratios and financial distress. Evidence from the European banking industry, The British Accounting Review, 9(2), 138-161


• Enqvist, J., Graham, M., & Nikkinen, J. (2014). The impact of working capital management on firm profitability in fifferent business cycles: Evidence from Finland. Research in International Business and Finance, 36: 39-49.


• Geng, R., Bose, I., & chen, X. (2015). Prediction of Financial distress: An empirical study of listed Chinese companies using data mining. European Journal of operational Research, 241(1),236-247.


• Horne, J. C., & Wachowicz, J. (2000). Fundamentals of financial management. New York, Prentice Hall Publishers.


• Jang, Y., Jeong, I., & Cho, Y. K. (2021). Identifying impact of variables in deep learning models on bankruptcy prediction of construction contractors. Engineering, Construction and Architectural Management, Vol. ahead-of-print No. ahead-of-print. https://doi.org/10.1108/ECAM-06-2020-0386


• Jose, M. L., Lancaster, C., & Stevens, J. L., (1996). Corporate returns and cash conversion cycles. Journal of Economics and Finance, 20(1), 33–46.


• Kargar, J., & Blumenthal, R. A. (1994). Leverage impact of working capital in small businesses. TMA Journal, 14(6), 46-53.


• Liang, D., Lu. SH., Tsai. CH. & Shih. G. (2016). Financial rations and corporate govermance indicators in bankruptcy predicthon. European journal of operational reaserch.252(2), 561-572


• Inam, F., Inam, A., Mian, M. A., Sheikh, A. A. & Awan, H. M. (2019), Forecasting Bankruptcy for organizational sustainability in Pakistan: Using artificial neural networks, logit regression, and discriminant analysis. Journal of Economic and Administrative Sciences, 35 (3), 183-201.


• Mun, S. G., & Jang, S. (2015). Working capital, cash holding and profitability of restaurant firms. International Journal of Hospitality Management, 48, 1–11.


• Opler, T., Pinkowitz, L., Stulz, R., & Williamson, R. (1999). The determinants and impli-cations of corporate cash holdings. Journal of Financ Economics, 52(1), 3–46.


• Purvinis, O., Virbickaite, R., & Sukys, P. (2008). Interpretable Nonlinear Model for Enterprise Bankruptcy Prediction. Nonlinear Analysis: Modeling and Control, 13(1),61-70.


• Raheman, A. & Nasr, M. (2007). Working Capital Management and Profitability – Case of Pakistani Firms. International Review of Business Research Papers, 3 (2), 275-296.


• Sarkar, S., Sriram, R. S. (2001). Bayesian Models for Early Warning of Bank Failures. Management Science, 47(11), 1457-1475.


• Sayari, N., & Mugan, C. S. (2016). Industry specific financial distress modeling. BRQ Business Research Quarterly, 20 (1), 45-62.


• Scarlat, E., & Delcea, C. (2011). Complete analysis of bankruptcy syndrome using grey systems theory. Grey systems: Theory and application, 1(1), 19-32.


• Smith, K. V. (1980). Profitability and liquidity trade off in working capital management. In Reading on the Management of Working capital. St. Paul: West Publishing Co, 549-562.


• Tinoco, M. H., & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting market and macroeconomic variables. International Review of Financial analysis, 30, 394-419


• Tseng, F. M. & Hu, Y. C. (2010). Comparing four Bankruptcy Prediction Models: Logit, Quadratic Interval Logit, Neural and Fuzzy Neural Networks. Expert Syst, pp. 1846-1853.


• Wallace, A. (2004). Risk assessment by internal auditors using past research on bankruptcy applying bankruptcy models. European Journal of Operational Research, 90(3), 487-513.