چکیده:
مسئله ورشکستگی و موفق نبودن شرکت ها و موسسات مالی همواره مشکلی درخور تأمل بوده است. در اکثر مدلهایی که برای پیش بینی ورشکستگی از اطلاعات حسابداری استفاده شده است، این اطلاعات اغلب به شکل نسبت های مالی بیان شده اند. به دلیل اینکه روش های آماری و منطقی از فرض های محدود کننده ای چون فرض خطی و نرمال بودن متغیرهای پیش بینی کننده رنج می برند در این تحقیق به ارائه روشی هوشمند مبتنی بر الگوریتم زنبور عسل جهت پیش بینی ورشکستگی پرداختیم. به منظور ساخت یک فرضیه پیش بینی کننده ورشکستگی، مجموعه داده ها مربوط به سال 2014 در دانشکده
مهندسی وینایاگار و دانشگاه پوندیچری در کشور هند که به عنوان داده های استاندارد در مقالات دیگر نیز می باشد استفاده گردید. نوآوری این تحقیق در بهبود خاصیت اکتشافی الگوریتم زنبور عسل استاندارد با ارائه تکنیک زنبورهای راهنمای عمومی برای رسیدن به بهترین مقدار جواب عمومی می باشد. این تکنیک موجب کاهش خطای کل کلونی شده و دقت را تا حد مطلوبی بالا برده است. الگوریتم پیشنهادی در نرم افزار متلب شبیه سازی شده و نتایج از لحاظ مقادیر برازندگی بر اساس گذشت نسل ها، زمان اجرا، نسل همگرایی به سمت جواب، دقت و مقدار بهینه ویژگی های مربوط به مجموعه داده ها بررسی
شده است. به منظور مقایسه دقیق سعی شده است شرایط شبیه سازی تا حد ممکن مانند مقالات دیگر باشد و مجموعه داده های یکسانی استفاده گردد. نتایج نشان می دهد دقت روش پیشنهادی در این تحقیق بالاتر از دیگر الگوریتم های تکاملی و روش های یادگیری ماشین بوده است.
خلاصه ماشینی:
الگوریتم پیشنهادی در نرم افزار متلب شبیه سازی شده و نتایج از لحاظ مقادیر برازندگی بر اساس گذشت نسل ها، زمان اجرا، نسل همگرایی به سمت جواب ، دقت و مقدار بهینه ویژگی های مربوط به مجموعه داده ها بررسی شده است .
/ نمودار نسل همگرایی الگوریتم به سمت جواب بهینه همانطور که در بخش زمان اجرا اشاره شده است ، با توجه به نوع داده ها، تعداد نسل های مطلوب در این شبیه سازی برابر ٣٠٠٠ می باشد.
معادله لازم جهت محاسبه دقت روش پیشنهادی به صورت ذیل می باشد: / مثبت درست TP ١: تعداد نمونه هایی از مجموعه داده های آزمایشی که با برچسب ورشکسته بودند و الگوریتم زنبور عسل بدرستی آنها را ورشکسته تشخیص داده است .
با توجه به نتایج ارائه شده ، الگوریتم زنبور عسل مصنوعی در حل مسئله تخمین ورشکستگی موسسات مالی با توجه به مجموعه داده های معرفی شده دارای مزایای ذیل می باشد: ١- تکامل یافتن و بهتر شدن مقادیر ویژگی های مجموعه داده ها و همچنین مقادیر برازندگی طی گذشت نسل ها و مقایسه با نتایج مقالات دیگر نشان دهنده مطلوبیت روش پیشنهادی می باشد.
٤- مرحله پیش پردازش ٢٥٠ رکورد با ٧ ویژگی از داده ها که برابر با ١٧٥٠ مقدار می باشد و تبدیل مقادیر این ویژگی ها به نوع عددی موجب اضافه شدن یک مرحله به مراحل اجرا شده است اما فرایند پردازش بوسیله الگوریتم زنبور عسل را آسان تر و سریعتر نموده است همچنین از این مجموعه داده های عددی می توان در بررسی های آتی نیز بهره برد.