چکیده:
هدف: در عصر حاضر، کسبوکارها به اندازهای توسعه یافتهاند که برای بقا در عرصه رقابت، به مدیریت صحیح منابع و مصارف خود نیازمندند؛ چراکه بازار رقابتی انعطافپذیری شرکتها را بهشدت کاهش داده است و این عامل باعث شده که آنها در وضعیتهای مختلف اقتصادی توانایی عکسالعمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشکستگی مواجه شوند. بنابراین در این پژوهش تلاش شده است که بهمنظور پیشگیری از احتمال بروز چنین مخاطراتی، به پیشبینی ورشکستگی شرکتهای تولیدی اقدام کنیم. روش: در این پژوهش از «یادگیری ماشین سریع مبتنی بر کرنل» استفاده شده که یکی از مدلهای هوش مصنوعی برای پیشبینی ورشکستگی است. با توجه به اینکه روشهای یادگیری ماشین به الگوریتمی بهینهساز نیاز دارند، در این پژوهش از یکی از بهروزترین آنها بهنام «الگوریتم گرگ خاکستری» بهره برده شده که در سال 2014 ابداع شده است. یافته ها: مدل یاد شده روی دادههای 136 نمونه از شرکتهای بورسی در بازه زمانی 1394 تا پایان خرداد 1397، پیادهسازی شد و در تمامی معیارهای ارزیابی، مدلهای طبقهبندی، دقت، خطاهای نوع اول و دوم و ناحیه تحت منحنی ROC، در مقایسه با الگوریتم ژنتیک، کارایی بهتری ارائه کرد و معناداری آن نیز از طریق آزمون t-test به تأیید رسید. نتیجه گیری: با توجه به دقت بسیار خوب الگوریتم گرگ خاکستری و همچنین عملکرد بهتر آن در مقایسه با الگوریتم ژنتیک، میبایست برای پیشبینی ورشکستگی شرکتهای تولیدی ایران، چه برای اهداف سرمایهگذاری و اعتباردهی و چه بهمنظور استفاده مدیریت داخلی شرکت، از الگوریتم گرگ خاکستری بهره برد.
Objective: In the present era, businesses have developed to a large extent which has, in turn, forced them to manage their resources and expenditures wisely for the sake of competition. This is mainly because the competitive market has severely reduced the flexibility of companies, which means that their ability respond to different economic situations has reduced and this puts most firms at the constant risk of bankruptcy and contraction. Therefore, in this study, we have tried to predict the bankruptcy of manufacturing companies through preventing the occurrence of such risks. Methods: In this study, the "Kernel Extreme Learning Machine" has been used as one of the artificial intelligence models for predicting bankruptcy. Given that machine learning methods require an optimization algorithm we have used one of the most up-to-date, "Gray Wolf Algorithm" which has been introduced in 2014. Results: The above model has been implemented on the 136 samples that were collected from the Tehran Stock Exchange between 2015 and 2018. All of the performance evaluation criteria including the classification, accuracy, type error, second-order error and area under the ROC curve showed better performance than the genetic algorithm which was presented and its significance was confirmed by t-test. Conclusion: Considering the gray wolf algorithm’s high accuracy and its performance compared to the genetic algorithm, it is necessary to use the gray wolf algorithm to predict the bankruptcy of Iranian manufacturing companies either for investment purposes and for validation purposes, or for using internal management of the company
خلاصه ماشینی:
روش : در اين پژوهش از «يادگيري ماشين سريع مبتني بر کرنل » استفاده شده که يکي از مدل هاي هوش مصنوعي براي پيش بيني ورشکستگي است .
يافته ها: مدل ياد شده روي داده هاي ١٣٦ نمونه از شرکت هاي بورسي در بازه زماني ١٣٩٤ تا پايان خرداد ١٣٩٧، پياده سـازي شـد و در تمامي معيارهاي ارزيابي ، مدل هاي طبقه بندي ، دقت ، خطاهاي نوع اول و دوم و ناحيه تحت منحني ROC، در مقايسه با الگـوريتم ژنتيک ، کارايي بهتري ارائه کرد و معناداري آن نيز از طريق آزمون t-test به تأييد رسيد.
در اين تحقيق با اشاره به نتايج پذيرفته شده روش هاي هوش مصنوعي در مقايسه با رويکردهاي آماري ، سـعي بـر آن است که با به کارگيري نسبت هاي مالي به دست آمده از صورت هاي مالي شرکت هـا، ورشکسـتگي را بـه کمـک مـدل GWO-EELM٤ پيش بيني کرده و خطاي پيش بيني را با مدل GA-KELM مقايسه کنيم .
زائو و همکارانش ٣ (٢٠١٧)، KELM را براي حل مسئله پيش بيني ورشکستگي معرفي کردند و در مقايسـه بـا پـنج روش ديگر در اين زمينه ، از جمله ماشين بردار پشتيبان ٤، مدل يادگيري ماشين سـريع ، جنگـل تصـادفي ٥، مـدل KNN فازي بهينه سازي شده با الگوريتم ازدحام ذرات ٦ و مدل لاجيت ٧، در همان مجموعه داده هاي واقعي به عملکردي بهتـري دست يافتند.
خورشيدي (١٣٩٥) با استفاده از مدل هشدار سريع مالي لاجيت ، ورشکستگي مالي شرکت هاي دو صـنعت خـودرو ـ قطعات و ماشين آلات ـ تجهيزات را در بورس اوراق بهادار تهران پيش بيني کرد و براي بررسي کارايي آن از شيوه تحليل پوششي داده ها بهره برد.