تبیین متغیرهای مالی موثر در پیش بینی احیای مالی با استفاده از رویکرد هوش مصنوعی

محورهای موضوعی : اقتصاد کار و جمعیت

کاظم هارونکلایی ¹ , قدرت الله برزگر ²

1 - استادیار، گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
2 - استادیار، گروه حسابداری، دانشگاه مازندران، بابلسر، ایران

تاریخ دریافت : 1401/12/24 تاریخ پذیرش : 1402/04/18 تاریخ انتشار : 1402/03/01

کلید واژه: بورس اوراق بهادار تهران, C58, متغیرهای مالی, D53, احیای مالی, رویکرد هوش مصنوعی, طبقه‌بندی JEL: B26, G34. واژگان کلیدی: درماندگی مالی,

چکیده مقاله :

هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش‌بینی احیای مالی شرکت های پذیرفته‌شده در بورس اوراق بهادار تهران و بهره‌مندی از رویکرد هوش مصنوعی در تحلیل داده‌های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم های انتخاب ویژگی‌های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی‌شده در پیش‌بینی احیای مالی از الگوریتم های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی‌ لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش‌بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش بینی زمان خروج از درماندگی، از قدرت پیش بینی بالاتری برخوردار است. براساس نتایج، به سرمایه‌گذاران بازار سرمایه در انتخاب پرتفوی سرمایه‌گذاری پیشنهاد می‌شود برمبنای متغیرهای مالی موثر در پیش‌بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت‌های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه‌گذاری نمایند.

چکیده انگلیسی:

The main aim of the research was to identify the financial variables that are effective in predicting turnaround of the listed companies in the Tehran Stock Exchange and to predict turnaround by using artificial intelligence method. For this purpose, the information of 173 Distress Companies that came out of distress and turnaround was extracted during 1383 to 1399. Artificial Intelligence approach was used to analyze the data. In this approach, by using Lars and Relief Feature Selection Algorithms, 10 out of 54 financial variables which were effective in turnaround of companies were identified and then, the Learning Algorithm of Support Vector Machine and Decision Tree were used to evaluate the accuracy of the results of the identified variables in predicting turnaround. The results showed that Lars Feature Selection Method and Vector Machine Algorithm Support have better performance in predicting the time to exit from distress as compared to the Relief Feature Selection Method and Decision Tree Algorithm. Also, regardless of feature selection methods, support vector learning machine has a higher predictive power as compared to decision tree.

منابع و مأخذ:

-‌ بحرایی، علیرضا، اعتمادی، کیوان و گرامی اصل، امیر (1395). مقایسه سیستم­های هوش مصنوعی و رگرسیون لجیت در پیش‌بینی ورشکستگی مالی. فصلنامه تحقیقات بازاریابی نوین، 20(21)، 153-166.

-‌ بهشتی‌سرشت، مصطفی، دهقان دهنوی، محمدعلی، مشایخی، علینقی و امیری، میثم (1400). واکاوی راهبرد کاهش هزینه و دارایی در احیای مالی بنگاه‌ها با استفاده از نظریه رانت اقتصادی و مدل‌سازی دینامیک سیستم‌ها. مجله مهندسی مالی و مدیریت اوراق بهادار،12(47)، 137-160.

-‌ 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.

-‌ راموز، نجمه و محمودی، مریم (1396). پیش­بینی ریسک ورشکستگی مالی با استفاده از مدل ترکیبی در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 5(16)، 51-75.

-‌ رحمان‌سرشت، حسین، حساس یگانه، یحیی، فلاح‌شمس، میرفیض و ایران‌دوست، منصور (1393). طراحی مدل راهبردی فرایند احیای شرکت‌های بحران‌زده، نشریه مدیریت بازرگانی، 6(3)، 497-516.

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

-‌ کردستانی، غلامرضا و تاتلی، رشید (1393). ارزیابی توان پیش‌بینی مدل‌های ورشکستگی، فصلنامه دانش حسابرسی، 14(55)، 51-70.

-‌ فلاح­‌پور، سعید، نوروزیان لکوان، عیسی و هندیجانی‌زاده، محمد (1396). مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله تحقیقـات مـالی، 19(1)، 156-139.

• مهرانی، ساسان، کامیابی، یحیی و غیور، فرزاد (1398). بررسی توانایی شاخص‌های حسابداری و غیرحسابداری مؤثر بر پیش‌بینی درماندگی مالی و مقایسه روش‌های پارامتریک و ناپارامتریک، پژوهش‌های تجربی حسابداری، 9(34)، 49-71.

-‌ ناظمی اردکانی، مهدی، زارع مهرجردی، وحید، محمدی ندوشن، علیرضا (1397). طراحی و تبیین الگوی پیش‏بینی ورشکستگی شرکت‏ها برحسب صنایع منتخب با استفاده از الگوی درخت تصمیم. مجله مدیریت دارایی و تامین مالی، 6(2)، 121-138. 

-‌ Belcher, T. & Nail, L. (2000). Integration problems and turnaround strategies in a cross border-merger: A clinical examination of the Pharmacia-Upjohn merger. International Review of Financial Analysis, 9(2), 219-234.

-‌ Bibeault, D.B. (1999). Corporate turnaround: How managers turn losers into winners! Beard Books, Washington, DC.

-‌ Bibeault, D.B. (1982) Corporate Turnaround: How Managers Turn Losers into Winners, NewYork: McGraw-Hill.

-‌ Bruton, G. D. & Rubanik. Y. T. (1997). Turnaround of high technology firms in Russia: The case of Micron. Academy of Management Executive, 11(2), 68-79.

-‌ Chin, Ch. (2016). Predicting corporate turnaround of listed companies in South Africa. University of Cape Town., http://hdl.handle.net/11427/22915.

-‌ Filatotchev, I. & Toms, S. (2006). Corporate governance and financial constraints on strategic turnarounds. Journal of Management Studies, 43 (3), 407-433.

-‌ Eunice, K., & Maina, S. (2019). Turnaround strategies and performance of dairy companies. International Journal of BUSINNESS & Management, 7(6), 284-294.

-‌ Manimala, M. (1991). Turnaround management, lessons from successful cases, ASCI Journal of Management, 20(4), 234-254.

-‌ Ghazzawi, I. (2018). Organizational turnaround: A conceptual framework and research agenda. American Journal of Management, 17(7), 10-24.

-‌ Hambrick, D. C. & Schecter, S. M. (1983). Turnaround strategies for mature industrial-product business units. Academy of Management Journal, 26(2), 231-248.

-‌ Harker, M. (2001). Market manipulation: A necessary strategy in the company turnaround process? Qualitative Market ResearchJournal of Managerial Issues; summer 2007; 19, 2; ABI/INFORM Global pg. 253 4(4), 197-206.

-‌ Heui-Yeong Kima, M., & Ma., Sh. (2016). Survival prediction of distressed firms. Journal of the Asia Pacific Economy, 21, 418-443.

-‌ Megginson, W. Meles, A. Sampagnaro, G & Verdoliva, V. (2019). Financial distress risk in initial public offerings: How much do venture capitalists matter? Journal of Corporate Finance, 25(1), 10-30.

-‌ Nyatsumba, K., & Pooe, D. (2022). Turbulences associated with the implementation of turnaround strategies at Kenya Airways. Africa’s Public Service Delivery & Performance Review, 10(1), 11 pages.

-‌ Panicker, S. & Manimala, M.J. (2015). Successful turnarounds: The role of appropriate entrepreneurial strategies. Journal of Strategy and Management, 8(1), 21–40.

-‌ Pearce, J. A. & Robbins, K. (1993). Toward improved theory and research on business turnaround. Journal of Management, 19(3), 613-636.

-‌ Schendel, D., Patton, G. R., & Riggs, J. (1976). Corporate turnaround strategies: A study of profit decline and recovery. Journal of general Management, 3(3), 3-11.

-‌ Slatter, S. (1984). Corporate recovery: Successful turnaround strategies and their implementation. Singapore: Penguin Books.

-‌ Sudarsanam, S. & Lai, J. (2001). Corporate financial distress and turnaround strategies: An empirical analysis. British Journal of Management, 12(3), 183-199.