پیش‌بینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی

الموضوعات :

مهدی غضنفری ¹ (استاد دانشکده مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران)
اقبال رحیمی کیا ² (کارشناس ارشد مهندسی صنایع، دانشگاه علم و صنعت، تهران، ایران)
علی عسکری ³ (استادیار گروه اقتصاد ،دانشکده اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران)

تاريخ الإرسال : 22 الثلاثاء , ربيع الثاني, 1439 تاريخ التأكيد : 24 الإثنين , جمادى الثانية, 1439 تاريخ الإصدار : 05 السبت , شعبان, 1439

الکلمات المفتاحية: بحران مالی, هوش مصنوعی, داده کاوی, : پیش بینی ورشکستگی, سیستم هوشمند ترکیبی,

ملخص المقالة :

با توجه به شرایط رقابتی اقتصاد کشورها و بحران‌های اقتصادی ایجاد شده در سطح بین‌المللی و داخل کشور، نیاز به یک مدل مناسب برای پیش‌بینی ورشکستگی شرکت‌های کشور احساس می‌شود. تصمیم‌گیران کلان اقتصادی، سازمان‌های اقتصادی کشور و سیستم بانکی با استفاده از این مدل‌ها توانایی اتخاذ تصمیمات دقیق‌تر و با عوارض کمتری را دارا خواهند بود. همچنین مدل‌های فوق در سطح خرد نیز برای تصمیم‌گیری برای سرمایه‌گذاری‌های آتی قابل استفاده می‌باشد. در این تحقیق با پیاده‌سازی یک سیستم منسجم و هوشمند مبتنی بر شبکه عصبی، ماشین‌های بردار پشتیبان و یادگیری تشدید شده و در کنار آن استفاده از الگوریتم‌های بهینه‌سازی رقابت استعماری، الگوریتم فرهنگی و جستجوی هارمونی سعی شده است تا حد امکان نواقص مدل‌های پیشین در سطح بین‌الملل رفع شود. علاوه بر آن با همکاری سازمان امور مالیاتی کشور مقیاس بررسی سیستم به داده‌های کل کشور تعمیم یافته است که بررسی در ابعاد فوق در سطح بین‌الملل منحصر به فرد می‌باشد. تعداد نمونه‌های مورد بررسی در صنعت موادغذایی و نساجی به ترتیب برابر با ۵۸۲۵ و 4089 می‌باشد که با اعمال معیار قانونی ورشکستگی به ترتیب ۹۹۹ و ۸۴۸ نمونه شرایط ورشکستگی را در دو سال مورد بررسی دارا بوده‌اند. نتایج نشان دهنده برتری عملکرد ترکیب ماشین بردار پشتیبان با الگوریتم‌های بهینه‌سازی جستجوی هارمونی و رقابت استعماری در شرایط عدم حذف داده‌های پرت می‌باشد Abstract Due to the competitiveness of nations' economies and the recent financial crisis at both national and international levels, the need for an effective model to predict the bankruptcy of domestic companies is felt more than ever. Macroeconomic decision makers, economic agencies, and the banking system can benefit from this modeling to make more accurate decisions and reduce undesired outcomes. These models can also be used at the microeconomic level to help with decision-making for future investments.In this research, by implementing an intelligent and coherent system based on Artificial Neural Network (ANN), Support Vector Machine (SVM), Extreme Learning Machine (ELM), and utilizing Imperialist Competitive Algorithm (ICA), Cultural Algorithm (CA) and Harmony Search (HS), we have attempted to improve on the shortcomings of existing models used internationally. Furthermore, in a joint effort with the Iranian National Tax Administration (INTA), the evaluation scale has been extended to incorporate nationwide data which makes the scope of the work unprecedented in the world. The number of examined samples are 5825 and 4089 respectively in the food and textile sectors, and by applying bankruptcy criteria 999 and 848 samples were detected as bankrupt companies. We found the best performance in the combination of support vector machine with harmony search and imperialist competitive algorithm in terms of not using outlier detection.

المصادر:

فهرست منابع

1)    اقدامی، اسماعیل، سهراب کرد رستمی، مجتبی ملکی و حبیبه آزماینده، (1394)، "ارزیابی ورشکستگی در بورس اوراق بهادارتهران با بکارگیری مدل پویایی شبکه: روشی بر پایه تحلیل پوششی داده‌ها"، مجله مهندسی مالی و مدیریت اوراق بهادار، 6(22)، صص 165-180.

2)    اکرمی، غلامرضا و سید مصطفی سید حسینی، (1391)، "سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش‌بینی ورشکستگی"، مجله دانش حسابداری، 3(10)، صص 93-116.

3)    راعی، رضا و سعید فلاح‌پور، (1383)، "پیش‌بینی درماندگیشرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی"، تحقیقات مالی،6(1)، صص 33-46.

4)    صالحی، نازنین و مجید عظیمی یانچشمه، (1395)، "بررسی تطبیقی مدل خطر و مدل‌های سنتی برای پیش‌بینی ورشکستگی"، حسابداری مالی، 8(30)، صص 94-121.

5)    قدرتی، حسن و امیرهادی معنوی مقدم، (1389)، "بررسی دقت مدل‌های پیش‌بینی ورشکستگی (مدل‌های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج‌زاده و ژنتیک مک‌کی) در بورس اوراق بهادار تهران"، تحقیقات حسابداری و حسابرسی، 2(7).

6)    قدیریمقدم، ابوالفضل، محمد مسعود غلامپور فرد و فرزانه نصیرزاده، (1388)، "بررسی تواناییمدل‌های پیش بینی ورشکستگی آلتمن و اهلسون در

7)    پیش‌بینی ورشکستگیشرکت‌های پذیرفته شده در بورس اوراق بهادار"، مجله دانش و توسعه، شماره 25، صص 193-220.

8)    مشایخی، بیتا و حمیدرضاگنجی، (1393)، "تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی"، پژوهش‌های حسابداری مالی و حسابرسی (پژوهشنامه حسابداری مالی و حسابرسی)، 6(22)، صص 147-173.

9)    مکیان، سیدنظام الدین و سلیم کریمی تکلو، (1388)، "پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی: شرکت‌های تولیدی استان کرمان)"، فصلنامه اقتصاد مقداری (فصلنامه بررسی‌های اقتصادی)، 6(1)، صص 129-144.

10) مکیان، سید نظام الدین، سید محمد تقی المدرسی و سلیم کریمی تکلو، (1389)، "مقایسه مدل شبکه‌های عصبی مصنوعی با روش‌های رگرسیون لجستیک و تحلیل ممیزی در پیش بینی ورشکستگی شرکت‌ها"، پژوهش‌های اقتصادی، 10(2)، صص 141-161.

11) مهرآذین، علیرضا، احمد زنده دل، محمد تقی‌پور و امید فروتن، (1392)، "شبکه‌های عصبی شعاعی آموزش یافته بر پایه متغیرهای مدل‌های آماری و مقایسه آن‌ها در پیش بینی ورشکستگی"، فصلنامه علمی پژوهشی دانش سرمایه‌گذاری، 2(7)، صص 149-166.

12) ناصرزاده، هوشنگ، (1374)، "قانون تجارت"، تهران، نشر دیدار.

13) وکیلی‌فرد، حمیدرضا، نازنین پیله وری و سیده سمانه زیدی، (1393)، "ارائه مدلی جهت پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق‌پذیر"، مجله مهندسی مالی و مدیریت اوراق بهادار، 5(18)، صص 17-30.

14)  Aghaie, A., & Saeedi, A, (2009),“Using Bayesian Networks for Bankruptcy Prediction: Empirical Evidence from Iranian Companies”,Information Management and Engineering, IEEE, PP. 450-455.

15)  Andries, E. P, (2007),“Computational Intelligence: An Introduction”,Wiley, Second ed.

16)  Ashoori, S., & Mohammadi, S, (2011),“Compare Failure Prediction Models based on Feature Selection Technique: Empirical Case from Iran. Rocedia Computer Science, No.3, PP.568-573.

17)  Atashpaz gargari, E., & Lucas, C, (2007),“Imperialist Competitive Algorithm: An Algorithm for Optimization Inspired by Imperialistic Competition”, Evolutionary Computation,Singapore, IEEE Congress on, PP. 4661-4667.

18)  Barboza, F., Kimura, H., & Altman, E. (2017), “Machine learning models and bankruptcy prediction”, Expert Systems with Applications, No. 83, PP. 405-417.

19)  Etemadi, H., Anvary Rostamy, A., & Farajzadeh Dehkordi, H, (2009),“A Genetic Programming Model for Bankruptcy Prediction: Empirical Evidence from Iran”,Expert Systems with Applications, 36(2), PP.3199-3207.

20)  Fisher, R. A, (1922),“On the Interpretation of χ2 from Contingency Tables, and the Calculation of P”,Journal of the Royal Statistical Society”, PP.87-94.

21)  Geem, Z., Kim, J.-H., & Loganathan, G, (2001),“A New Heuristic Optimization Algorithm: Harmony Search. SIMULATION: Transactions of The Society for Modeling and Simulation International”, PP.60-68. doi:10.1177/003754970107600201

22)  Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K, (2004),“Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks”, Neural Networks,Proceedings, IEEE International Joint Conference No.2, PP. 985-990.

23)  Jain, A. K., Mao, J., & Mohiuddin, K. M, (1996),“Artificial Neural Networks: A Tutorial”,Computer - Special issue: Neural Computing, 29(3), PP.31-44.

24)  Liang, D., Tsai, C.-F., & Wu, H.-T, (2015),“The Effect of Feature Selection on Financial Distress Prediction”, Knowledge-Based Systems, No.73, PP.289–297.

25)  McNemar, Q, (1947),“Note on the Sampling Error of the Difference between Correlated Proportions or Percentages”,Psychometrika, 12(2), PP.153-157.

26)  Min, S.-H., Lee, J., & Han, I, (2006),“Hybrid Genetic Algorithms and Support Vector Machines for Bankruptcy Prediction”,Expert Systems with Applications, 31(3), PP.652-660.

27)  Mokhatab Rafei, F., Montazeri, S., & Boostanian, S, (2011),“Financial Health Prediction Models Using Artificial Neural Networks, Genetic Algorithm and Multivariate Discriminant Analysis: Iranian Evidence”,Expert Systems with Applications, 38(8), PP.10210-10217.

28)  Moradi, M., Shafiee Sardasht, M., & Ebrahimpour, M, (2012),“An Application of Support Vector Machines in Bankruptcy Prediction; Evidence from Iran”,World Applied Sciences Journal, PP.710-717.

29)  Reynolds, R. G, (1994),“An Introduction to Cultural Algorithms”,Proceedings of the Third Annual Conference on Evolutionary Programming”, Singapore, PP.131–139.

30)  Shetty, U., Pakkala, T. P. M., & Mallikarjunappa, T, (2012),“A Modified Directional Distance Formulation of DEA to Assess Bankruptcy: An Application to IT/ITES Companies in India”, Expert Systems with Applications,39(2), PP.1988-1997.

31)  Tsai, C.-F, (2009),“Feature Selection in Bankruptcy Prediction”,Knowledge-Based Systems, 22(2), PP.120–127.

32)  Tsai, C.-F., & Cheng, K.-C, (2012),“Simple Instance Selection for Bankruptcy Prediction”,Knowledge-Based Systems, No.27, PP.333–342.

33)  Vapnik, V, (1995),“Support-Vector Networks”,Machine learning, 20(3), PP.273-297.

34)  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.

35)  Yates, F, (1934), “Contingency Tables Involving Small Numbers and the χ2 Test”, Supplement to the Journal of the Royal Statistical Society, 1(2), PP.217-235.

 

 

یادداشت‌ها