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)

الموضوعات :

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

تاريخ الإرسال : 01 الخميس , ذو الحجة, 1443 تاريخ التأكيد : 13 الأحد , شعبان, 1444 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

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

ملخص المقالة :

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.

المصادر:

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).