ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی

محورهای موضوعی : دانش سرمایه‌گذاری

غزاله علی بابایی ¹ , محمد حامد خان محمدی ²

1 - دانشجوی دکتری گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران
2 - استاد یار گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران

تاریخ دریافت : 1399/09/16 تاریخ پذیرش : 1399/10/24 تاریخ انتشار : 1402/10/01

کلید واژه: پیش بینی ورشکستگی, هوش مصنوعی, حاکمیت شرکتی, نسبت های مالی,

چکیده مقاله :

بهبود بستر اقتصادی و فضای کسب و کار، مهم ترین عامل جلوگیری از ورشکستگی است. از این رو، مدل های پیش بینی ورشکستگی با استفاده از روش های هوشمند اقدام به پیش بینی ورشکستگی شرکت ها در آینده می کنند. در این پژوهش شرکت های فعال در بورس اوراق بهادار تهران در بازه زمانی 10 ساله از لحاظ ورشکستگی براساس مدل بومی شده کردستانی-تاتلی بر پایه مدل آلتمن مورد بررسی قرار گرفتند و شرکت ها به تفکیک ورشکسته، سالم شناسایی شدند. داده های پژوهش با استفاده از داده های ثانویه مستخرج از صورت های مالی و از طریق پایگاه داده های سازمان بورس و بانک مرکزی جمع آوری، دسته بندی و پالایش شدند. مدل های مورد استفاده جهت ارزیابی داده ها و پیش بینی ورشکستگی شرکت ها، مدل های هوش مصنوعی بوده است شامل شبکه عصبی پرسپترون به عنوان روش اول، ترکیب شبکه عصبی و الگوریتم ژنتیک، روش دوم و روش سوم روش نزدیک ترین همسایه استفاده شده است و از نظر دقت پیش بینی نیز با هم مقایسه شدند. خروجی مدل ها حاکی از این است که افزودن شاخص های حاکمیت شرکتی به شاخص های نسبت های مالی باعث بهبود در نتایج نشده است. لذا نسبت های مالی در تعیین ورشکستگی به تنهایی قدرت پیش بینی خوبی دارند. مدل پیشنهادی این پژوهش از لحاظ دقت، مدل ترکیب شده شبکه عصبی و الگوریتم ژنتیک می باشد که بالاترین دقت را داشته است. الگوریتم ژنتیک نتایج بهینه ی شبکه عصبی را بهبود می بخشد و جواب بهینه تری ارایه می گردد.

چکیده انگلیسی:

Improving the economic and business environment is the most important factor in preventing bankruptcy, therefor, Artificial intelligence uses to predict the bankruptcy of companies in the future. In this study, companies in the Tehran Stock Exchange over a period of 10 years in terms of bankruptcy localized model of Kurdistani-Tatli based on the Altman model were examined and companies were identified as bankrupt and healthy. Research data were collected, categorized and refined using secondary data extracted from financial statements and through the database of the Exchange Organization and the Central Bank.The models used to evaluate the data and predict the bankruptcy of companies are artificial intelligence models . Artificial neural network, combination of neural network and genetic algorithm and the K-nearest neighbor method has been used. They were also compared in terms of prediction accuracy. The output of the models indicates that the addition of corporate governance indicators to the financial ratios indicators has not improved the results. Therefore, financial ratios alone are sufficient for predicting and determining bankruptcy. The proposed model of this research based on accuracy is a combined model of neural network and genetic algorithm that has the highest accuracy. Genetic algorithm improves the optimal results of the neural network and provides a more optimal answer.

منابع و مأخذ:

• بیات، احمدیز و محمدی،1397، پیش بینی ورشکستگی شرکت با استفاده از الگوریتم کرم شب تاب، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 37، ص 234-262.


• پیرایش ،آرانی و برزگر ،1396، ارائه مدل ریاضی پیش بینی ورشکستگی شرکت ها ی پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 31، ص 187-200.


• شورورزی و خلیلی، بهار 1394، ارﺗﺒﺎط ﺑﯿﻦ ﺣﺎﻛﻤﯿﺖﺷﺮﻛﺘﻲ و ﻋﻤﻠﻜﺮد ﺷﺮﻛﺖ ﺑﺮﻣﺒﻨﺎی رﮔﺮﺳﯿﻮنﻓﺎزی، فصلنامه پژوهش های حسابداری مالی و حسابرسی شماره 25، ص 127-145.


• غضنفری ورحیمی کیا، عسگری،1396، پیش بینی ورشکستگی شرکت ها مبتنی بر سیستم های هوشمند ترکیبی فصلنامه پژوهش های حسابداری مالی و حسابرسی شماره 37، ص 159-194.


• قاسمی و رمضانپور ،1396، پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، شماره 26، ص 277-296.


• کردستانی و تاتلی، بهار 1393، ارزیابی توان پیش بینی مدل های ورشکستگی، فصلنامه دانش سرمایه گذاری، شماره 9، ص 83-99.

 

• Jeong, C., Min, J. H., & Kim. M. S, 2012. A tuning method for the architecture of neural network models incorporating GAM and GA as applied to bankruptcy prediction. Expert Systems with Applications. 39(3): 3650-3658.


• Kim, Myoung-Jong & Dae-Ki Kang, 2012, Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems with Applications, pp. 1-7


• Liou, F. M, 2008, Fraudulent financial reporting detection and business failure prediction models: A comparison. Managerial Auditing Journal. 23(7): 650- 662.


• Olson, David L, Dursun Delen & Yanyan Meng, 2012, Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52: pp. 464˚ 473


• Wang,G., Ma, J., & Yang, S, 2014,“An Improved Boosting Based on Feature Selection for Corporate Bankruptcy Prediction”,Expert Systems with Applications, 41(5), PP.2353-2361


• Wu, C.H. Tzeng. G.H., Yeong-Jia G. and Fang W.C., 2007, A Real-Valued Genetic Algorithm, To Optimize the Parameters of Support Vector Machine for Prediction Bankruptcy, Journal of Expert Systems with Application, Vol. 32, pp. 397-408.


• Yildiz, B. and Akkoc, S, 2010, Bankruptcy Prediction Using Neuro Fuzzy: An Application in Turkish Banks, International Research Journal of Finance and Economics, 60,114-126.