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)

اقتصاد مالی

دوره 17، شماره 62، فروردین 1402، صفحه 104-71   

نوع مقاله: علمی پژوهشی

شناسه دیجیتال (DOI): 10.30495/fed.2023.1962198.2734

نویسندگان

فریدون مرادی؛ احمد یعقوب نژاد^* ؛ آزیتا جهانشاد

گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

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.

کلیدواژه‌ها

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

اصل مقاله

کاربرد الگوریتم­های فراابتکاری در پیش­بینی درماندگی مالی

 با استفاده از متغیرهای مالی و غیرمالی درون شرکتی و اقتصادی

 (الگوریتم­های بهینه­سازی مـلخ و کلونی مورچگان)

 

تاریخ دریافت: 12/10/1401                  تاریخ پذیرش: 17/12/1401

فریدون مرادی[1] احمد یعقوب نژاد*[2] آزیتا جهانشاد[3]

 

چکیده

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، الگوریتم­های 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.

واژه‌های کلیدی: درماندگی مالی، متغیرهای مالی و اقتصادی، الگوریتم بهینه­سازی ملخ (GOA)، الگوریتم کلونی مورچگان (ACO) و شبکه عصبی مصنوعی پرسپترون چند لایه (MLP).

طبقه بندی JEL : G1, G17, G33, M41, P44, C61

 

 

1- مقدمه

پیش­بینی درماندگی مالی و ارزیابی ریسک اعتباری از مهمترین مسائل در امور مالی بوده و تحقیقات بسیاری در این حوزه را به خود اختصاص داده است. ایجاد سیستم­های هشدار دهنده بحران­های مالی و اقتصادی، به منظور کمک به شرکت­ها و محافظت موثر و به موقع در مقابل تهدیدات مالی، اهمیت زیادی در مدیریت ریسک شرکت­ها دارند (الحسینی و همکاران، 2022). درماندگی مالی یکی از موضوعات مورد علاقه پژوهشگران ایرانی است و مقالات بسیاری در حوزه­های مختلف حسابداری، مدیریت مالی، حسابرسی و اقتصاد را به خود اختصاص داده است که دلالت بر اهمیت این موضوع برای سرمایه­گذاران دارد (وقفی و همکاران، 1401). با توجه به رشد فعالان بازار سرمایه در چند سال اخیر و ورود بسیاری از مردم به این بازار، ضرورت توجه به سلامت مالی شرکت­های فعال در بازار سرمایه افزایش یافته است. سازوکار کنترل داخلی توسعه­یافته یک شرکت، برای پشتیبانی مدیریت علمی ریسک، می­باید یک سیستم پیش­بینی درماندگی مالی (FDPS)[4] داشته باشد تا بتواند وخامت مالی شرکت را قبل از وقوع درماندگی مالی اعلام نماید. چرا که اگر درماندگی مالی به موقع بهبود نیابد، به ورشکستگی منجر خواهد شد (های گینز[5]، 2007) و در برخی موارد نیز، شرکت­ها به دلایل خاص، درماندگی مالی خود را پنهان نموده و زمانی رسماً اعلام درماندگی مالی می­کنند که دیگر تلاش برای بهبود وضعیت آنها بیهوده و بسیار دیر است (راوی کومار و راوی[6]، 2007). همچنین یکی از تحقیقات سودمند در زمینه بررسی وضعیت مالی شرکت­ها، تشخیص درماندگی مالی قبل از وقوع آن و اعلام رسمی ورشکستگی است. هدف اصلی تحقیقات این حوزه نیز کشف و ابداع الگوهای علمی و دقیق در این زمینه است (جی و همکاران[7]، 2019). تیمرمان و گرانجر[8] (2004) معتقدند، استفاده­کنندگان اطلاعات مالی دائماً در جستجوی الگوهای پیش­بینی جدید برای ارزیابی عملکرد و بررسی وضعیت مالی شرکت­ها هستند. کارایی این الگوها در طی زمان به دلیل بکارگیری آن توسط طیف وسیعی از استفاده­کنندگان کاهش یافته و لذا ضرورت دارد تا تحقیقات دیگری برای معرفی مدل­ها و الگوهای جدید انجام شود.

امروزه با پیشرفت علوم کامپیوتر و فناوری اطلاعات، تکنیک­های حل مسئله توسعه یافته و به مرور الگوریتم­های دقیق­تری معرفی ­شده­اند. صارمی و میرجلیلی دو محقق ایرانی ساکن استرالیا در سال 2017 الگوریتم فراابتکاری بهینه­سازی ملخ[9] (GOA) را معرفی و قابلیت­های آن در حل مسایل مختلف آزمایش و توانمندی آن را در حل توابع آزمـایشی استاندارد و کاربردی به اثبات رساندند. همچنین تحقیقات متعددی که متعاقباً به آن­ها اشاره خواهد شد، توانایی الگوریتم­های فراابتکاری را در بهبود عملکرد شبکه­های عصبی مصنوعی (از طریق انتخاب نمونه و بهبود پارامترهای مدل)، تایید نموده­اند. هدف اصلی این پژوهش ارزیابی توانمندی الگوریتم GOA در بهبود عملکرد شبکه عصبی مصنوعی پرسپترون چندلایه[10] (ANN-MLP) در پیش­بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی (درون شرکتی) و کلان اقتصادی (برون شرکتی) و مقایسه با عملکرد الگوریتم کلونی مورچگان[11] (ACO) بعنوان یکی از الگوریتم فراابتکاری رایج در تحقیقات مختلف می­باشد (صفوی و همکاران، 1393).

 

2- مبانی نظری پژوهش

2-1- درماندگی مالی و ضرورت تشخیص آن

در ادبیات و متون تخصصی مالی تعاریف مختلفی از درماندگی مالی و ورشکستگی ارایه شده است. از نقطه نظر اقتصادی، درماندگی مالی را می­توان به زیان­ده بودن شرکت تعبیر کرد که در این حالت، شرکت دچار عدم موفقیت شده و نرخ بازدهی کمتر از نرخ هزینه سرمایه می­باشد (وستون و کوپلند[12]،1992 ). علاوه بر این گوردون (1971) ورشکستگی را کاهش قدرت سودآوری دانسته که احتمال عدم توانایی بازپرداخت اصل بدهی و بهره آن را افزایش می­دهد. درماندگی مالی زمانی رخ می­دهد که تناسب بین دارایی­ها و بدهی­ها از بین برود و شرکت نتواند دیون خود را تسویه کند (مهرآذین و همکاران 1392). در تعریف دیگری درماندگی مالی وضعیتی از مشکلات مالی است که در آن شرکت از تهدیدات محیط بیرونی اقتصاد و یا عدم تصمیم­گیری مالی (مناسب و بموقع) داخلی رنج می­برد و به دلیل جریان ناکافی پول نقد، دچار مشکل شده و یا حتی بدتر از آن ممکن است دچار کاهش سودآوری و در مرحله آخر با ورشکستگی مواجه شود (اسدزاده و مرادی 1393).

با توجه به اینکه معمولاً ورشکستگی موضوعی نیست که در کوتاه­مدت اتفاق بیفتد و معمولاً از نقطه شروع تا ورشکستگی کامل، چندین سال زمان سپری می­شود، لذا تشخیص مشکلات مالی قبل از ورشکستگی مانند درماندگی مالی یا بحران مالی، اهمیت بسیار زیادی در جلوگیری از رسیدن شرکت به وضعیت ورشکستگی کامل دارد، و با بررسی وضعیت شرکت و همچنین علل رسیدن شرکت به این مرحله، می­توان از پیشروی بحران و درماندگی مالی جلوگیری نمود (وقفی و همکاران 1401). طبق مفاد استاندارد شماره 570 حسابرسی؛ فرض تداوم فعالیت یکی از مفروضات بنیادی حسابداری است. اگر به هر دلیلی، تردید اساسی نسبت به توانایی تداوم فعالیت واحد انتفاعی ایجاد شود، این فرض جایگاه خود را از دست می­دهد (کمیته تدوین استانداردهای سازمان حسابرسی، 1394). ضمن اینکه امروزه رقابت روزافزون دستیابی به منابع را محدود و احتمال بروز مشکلات مالی و یا درماندگی مالی (بعنوان یکی از عوامل تردید در تداوم فعالیت) را افزایش داده است (دایوبای و مسکنز[13]،  2002). سلامت یک بنگاه اقتصادی در یک محیط تجاری بسیار رقابتی، متاثر از عواملی از جمله؛ (1) میزان تأمین مالی در بدو تأسیس، (2) توانایی، انعطاف پذیری نسبی و کارآیی آن در ایجاد وجه نقد از محل تداوم عملیات تجاری، (3) دسترسی به بازارهای سرمایه، و (4) ظرفیت مالی و توان ادامه حیات در صورت مواجهه با کمبودهای غیرمترقبه و دور از انتظار پول­ می­باشد (جی لو و همکاران، 2018). هشدار زود هنگام احتمال وقوع درماندگی مالی، مدیران و سرمایه­گذاران را قادر به انجام اقدامات پیشگیرانه، همچون تغییر خط­مشی عملیاتی، تجدید ساختار سازمانی یا مالی و حتی تصفیه اختیاری می­کند، تا با کاهش تبعات آن، تخصیص منابع را بهبود دهند (ابراهیمی سرو علیا و همکاران، 1397 و رحیمی و همکاران، 1400).

انجام مطالعات در حوزه درماندگی مالی برای کشف الگوهای علمی و دقیق­تر نیز در راستای همین نیاز و ضرورت بوده است و بر همین اساس جی­لو و همکاران (2018)، در تحقیق خود، هدف اصلی از پیش­بینی درماندگی مالی را تعیین میزان ریسک ورشکستگی مالی در آینده­ای نزدیک عنوان نموده­اند. بررسی مطالعات داخلی حوزه درماندگی مالی نشان می­دهد که در 73 درصد آن­ها از روش­های کلاسیک عموماً مبتنی بر رگرسیون استفاده شده است (وقفی و همکاران، 1401). در مدل­های کلاسیک ورشکستگی از روش­های مدل­سازی استاندارد مانند مدل ممیزی خطی، مدل ممیزی چند متغیره و مدل ممیزی درجه دو، مدل رگرسـیون لوجستیک و مدل تحلیل عاملی استفاده می­شود. اگرچه روش­های سنتی مـذکور توانسته­اند احتمال درماندگی مالی و ورشکستگی را با دقت قابل قـبولی پیش­بینی نمایند، اما مفروضات محدودکننده برخی از این مـدل­ها، مانند خطی­بودن، نرمال­بودن و استقلال متغیرهای پیش­بین از هم، بر روی اثربخشی این روش­ها موثر بوده و استفاده از این نوع مدل­ها را با محدودیت مواجه نموده است (فلاحپور و ارم، 1395). به عنوان مثال آلتمن و همکاران (1977) معتقد بودند که فرض نرمال­بودن توزیع متغیرها و فرض وجود ماتریس توزیع یکنواخت از جمله فرض­های محدودکننده این گونه مدل­ها می­باشند (اسدزاده و مرادی، 1393). براین اساس به تدریج روش­های مبتنی بر هوش مصنوعی مانند شبکه­های عصبی مصنوعی، الگوریتم ژنتیک، ماشین بردار پشتیبان و الگوریتم­های فراابتکاری به منظور غلبه بر این محدودیت­ها معرفی شده­اند. این تکنیک­ها به دلیل کارایی بالا و عدم محدودیت­های ناشی از فرض­های آماری، کاربردهای گسترده­ای داشته و به تدریج از تنوع زیادی برخوردار شده­اند (راوی کومار و راوی، 2007).

بکارگیری تکنیک­های نوین داده­کاوی می­تواند به ما در ارزیابی دقیق­تر احتمال درماندگی مالی کمک نماید. شبکه­های عصبی مصنوعی به دلیل مزایای منحصر بفرد آن، بصورت جداگانه و همچنین بصورت ترکیبی با سایر تکنیک­ها و الگوریتم­های فراابتکاری، در سطح وسیعی از حوزه­های مختلف علوم از جمله علوم مهندسی، پزشکی، اقتصاد، مدیریت و ... بکار گرفته می­شود. در این دسته از الگوریتم­های ترکیبی یا پیوندی، از مزایای هر دو الگوریتم بهره­برداری شده و تا حدودی ایرادات جداگانه هریک از آنها نیز برطرف می­گردد (صفوی و همکاران، 1393).

بر این اساس سئوال اصلی پژوهش این است که آیا الگوریتم فراابتکاری بهینه­سازی ملخ (GOA)، می­تواند عملکرد مدل پایه شبکه عصبی پرسپترون چندلایه (ANN-MLP) را در پیش­بینی درماندگی مالی شرکت­های پذیرفته شده در بورس اوراق بهادار تهران،  بهبود دهد؟ البته در کنار این سئوال اصلی، سئوالات فرعی دیگری در زمینه اثر اضافه نمودن متغیرهای برون شرکتی (کلان اقتصادی) و مقایسه توانمندی این الگوریتم با الگوریتم کلونی مورچگان (ACO) بعنوان الگوریتم قدیمی­تر، قابل طرح می­باشد. باتوجه به سئوالات تحقیق و به منظور ارزیابی توانمندی الگوریتم فراابتکاری GOA در پیش­بینی دقیق­تر درماندگی مالی شرکت­های بورس اوراق بهادار تهران، فرضیه­های تحقیق بشرح زیر تبیین شده است:

• مدل ترکیبی MLP-GOA توانایی بهبود پیش­بینی درماندگی مالی را با استفاده از متغیرهای درون شرکتی دارد.
• توانایی مدل ترکیبی MLP-GOA در پیش­بینی درماندگی مالی با ورود متغیرهای کلان اقتصادی افزایش می­یابد.
• مدل ترکیبی MLP-ACO توانایی بهبود پیش­بینی درماندگی مالی را با استفاده از متغیرهای درون شرکتی دارد.
• توانایی مدل ترکیبی MLP-ACO در پیش­بینی درماندگی مالی با ورود متغیرهای کلان اقتصادی افزایش می­یابد.

فرضیه پنجم شامل دو فرضیه فرعی زیر:

5-1- توانمندی مدل ترکیبی MLP-GOA نسبت به مدل ترکیبی MLP-ACO، در پیش­بینی درماندگی مالی براساس متغیرهای درون شرکتی بیشتر است.

5-2- توانمندی مدل ترکیبی MLP-GOA نسبت به مدل ترکیبی MLP-ACO در پیش­بینی درماندگی مالی، با ورود متغیرهای کلان اقتصادی بیشتر می­شود.

 

2-2- معیارها و مبانی اندازه­گیری درماندگی مالی

در مدل­های کلاسیک از جمله آلتمن (1968)، اسپرینگیت (1978)، تافلر (1983)، فولـمر (1984)، زیمیسکی (1984)، زاوگین (1985)، شیراتا (1998)، گرایس (1998) و همچنین الگوهای نوین، معیارهایی برای سنجش وضعیت درماندگی مالی شرکت­ها بکار گرفته شده است. برای نمونه ویلیام بیور (1966) و آلتمن (1968) در مدل خود، درماندگی مالی را معادل ورشکستگی واقعی در نظر گرفته بودند. چاریتو و همکاران (2011) شرکت­هایی را که زیان مداوم و کاهش سود تقسیمی داشته­اند، بعنوان درمانده در نظر گرفتند. همچنین دنیس و دنیس (1995) شرکت­هایی را به عنوان درمانده مالی معرفی نمودند که بیش از سه سال متوالی زیان داشتند. محققانی دیگر نیز حالاتی مانند وقوع زیان برای چند سال متوالی، سود تقسیمی معوق، تجدید ساختار مالی را از علائم شرکت­های درمانده دانسته­اند (غیور، 1396). در اکثر مطالعات داخلی، اغلب مفاهیم درماندگی مالی، بحران مالی و ورشکستگی را باهم و معادل یکدیگر در نظر گرفته­اند و برای تفکیک شرکت­های درمانده و غیردرمانده از مفاد ماده 141 قانون تجارت استفاده شده است (وقفی و همکاران، 1401) و در برخی از تحقیقات نیز به صورت جداگانه یا ترکیبی از سایر معیارهای خاص دال بر بروز علایم مشکلات مالی مانند زیان متوالی و کاهش فروش و سود تقسیمی طی چند سال و ... استفاده شده است.

 

2-3- درماندگی مالی و ارتباط آن با اطلاعات حسابداری و اقتصادی

در تئوری حسابداری مبتنی بر پیش­بینی، مدیریت با استفاده از انواع شیوه­ها و روش­های آماری، رویدادهای آینده را پیش­بینی می­نماید. هدف این تئوری شناسایی و تدوین الگوها و معیارهای تصمیم­گیری برای حل مسئله است. طرفداران این تئوری، برای تبیین تئوری حسابداری از شاخص سودمندی در پیش­بینی استفاده می­کنند و تاکید بر مربوط­بودن بعنوان یکی از ویژگی­های کیفی اطلاعات حسابداری، منشاء پیدایش شاخص سودمندی در پیش­بینی شده است (غیور 1396). طی نیمه دوم قرن بیستم بسیاری از محققان با توجه به متغیرهای مبتنی بر صورت­های مالی، توانستند الگوهایی را برای پیش­بینی درماندگی مالی ارائه نمایند. همچنین در مطالعات مختلف، مبانی نظری برای توجیه انتخاب صرف نسبت­های مالی مورد انتقاد قرار گرفته است؛ زیرا این نسبت­ها، ماهیتاً تاریخی بوده و ممکن است در معرض دستکاری و ظاهر آرایی قرار گرفته باشند. بنابراین استفاده از سایر متغیرها در کنار نسبت­های مالی در الگوهای پیش­بینی، می­تواند دربرگیرنده اطلاعات بروزتری باشد (برگ بید و همکاران، 1400).

علاوه بر این بی­ثباتی اقتصادی موجب نااطمینانی فعالان اقتصادی نسبت به تحولات آینده شده و در نتیجه آن­ها نمی­توانند چشم­انداز روشن و شفافی از آینده ترسیم نمایند و این امر به ویژه بر سرمایه­گذاری تأثیر منفی خواهد گذاشت. ثبات اقتصادی از طـریق کاهش قابل توجه نااطـمینانی سرمایه­گذاران و پیشبرد برنامه­ریزی بلندمدت، کمک بسیاری به رشد واقعی اقتصاد (و در نتیجه بهیود شاخص­های اقتصاد کلان) می­نماید (برگ بید و همکاران، 1400). شرکت­ها در محیط اقتصادی بسیار متغیر و رقابتی فعالیت می­کنند که دستیابی به سود را برای آن­ها محدودتر نموده است. واکنش سریع و درست در مقابل شرایط متغیر بازار در موفقیت بنگاه­ها نقش بسزایی دارد. بحران­های مالی اخیر و متعاقباً افزایش نرخ ورشکستگی، این مسئله را روشن کرده است که پدیده ورشکستگی بدون مراجعه به متغیرهای اقتصادی قابل توضیح نیست (آکوستا و همکاران[14]، 2019). عده­ای از محققان از جمله آلیفیا، نورهنا و اسماعیل[15] (2013)، لی و آندریوا[16] (2015)، هرناندز و ویلسون[17] (2013)، فونتین و همکاران[18] (2017)، ابراهیمی سرو علیا و همکاران (1397) و برگ بید و همکاران (1400) معتقدند که صرف استفاده از متغیرهای مالی و در نظر نگرفتن شرایط اقتصادی حاکم بر جامعه و شرکت­ها در فرآیند پیش­بینی درماندگی مالی، منجر به نتایج نادرست شده و لذا در اینگونه تحلیل­ها باید متغیرهای اقتصادی نیز مدنظر قرار گیرند.

 

2-4- نوآوری پژوهش

این تحقیق اولین نمونه داخل کشور است که به صورت تجربی شواهدی درخصوص آزمون توانمندی الگوریتم GOA در پیش­بینی درماندگی مالی شرکت­های بورس اوراق بهادار تهران را ارایه می­دهد. علاوه براین سایر نوآوری­های این تحقیق عبارتند از:

• درماندگی مالی مفهومی متمایز از ورشکستگی تلقی شده و از یک روش سه مرحله­ای جدید برای تعیین درماندگی مالی استفاده شده است.
• در تحقیقات مربوط به پیش­بینی و مدل­سازی، حجم نمونه مورد بررسی باید از کفایت و تناسب لازم برخوردار باشد (غیوری، 1396). در این تحقیق با توجه به بکارگیری معیار­های متفاوت در تعیین درماندگی علاوه بر ماده 141 قانون تجارت، محدودیت حجم نمونه وجود نداشته و بعلاوه با توجه به دسترسی کامل به اطلاعات، کل جامعه منتخب (289 شرکت) مورد غربالگری قرار گرفته شده است.
• متغیرهای این پژوهش، هم از نظر نوع و هم از نظر روش انتخاب، بسیاری از پژوهش­های مشابه قبلی تفاوت دارد. در این پژوهش، علاوه بر نسبت­های مالی از برخی متغیرهای مالی و غیرمالی درون شرکتی و همچنین تعدادی از متغیرهای کلان اقتصادی استفاده شده است.
• در این تحقیق مشابه مطالعه آکوستا و همکاران (2019) برای بررسی اثر متغیرهای اقتصادی، از روش متغیرهای متقابل[19] و حاصلضرب زوجی متغیرهای اقتصادی در متغیرهای اندازه و سن شرکت استفاده شده است.
• از آزمون مقایسه میانگین متغیرها در دو گروه درمانده مالی و غیردرمانده (سالم)، برای گزینش مناسب­ترین آن­ها استفاده شده است.
• برخی ویژگی­های شرکتی از جمله اندازه، سن، چرخه عمر، بازدهی و رقابت­پذیری با وضعیت درماندگی مالی از طریق طبقه­بندی آماری مشاهدات گروه­های درمانده و غیردرمانده مالی، مورد تجزیه و تحلیل قرار گرفته است.

 

3- پیشینه تجربی پژوهش

هرناندز و ویلسون (2013) در پژوهشی احتمال ورشکستگی و درماندگی مالی را برای بازه زمانی1980 - 2011  با استفاده از متغیرهای کلان اقتصادی، بازار و حسابداری و بکارگیری مدل شبکه عصبی مورد بررسی قرار دادند. نتایج نشان داد که استفاده همزمان این سه دسته از متغیرها، درماندگی مالی را بهتر تبیین می­کند. همچنین آکوستا و همکاران (2019) با تمرکز بر بخش صنعت ساختمان اسپانیا از 1995 تا 2011، مدل­های اقتصادی سنجی را برای پیش­بینی ورشکستگی و تجزیه و تحلیل آن با استفاده از متغیرهای کلان اقتصادی در کنار سایر نسبت­های مالی بکار بردند. با توجه به تعداد زیاد متغیرها و بکارگیری الگوریتم ژنتیک (GA)؛ نتایج تحقیق نشان داد که مدل­های مبتنی بر متغیرهای اقتصادی قادر به دستیابی به نرخ­های بالای موفقیت در پیش­بینی ورشکستگی بوده است. علاوه بر این دقت این مدل­ها برای بنگاه­های غیردرمانده و درمانده به ترتیب در سـال قبل از وقوع آن 5/98 و 5/82 درصد بوده است و این دقت پیش­بینی در 2 ، 3 و حتی 4 سال قـبل آن هم حفظ می­شود. جی و همکاران (2019)، در تحقیق خود بر چگونگی طراحی مدل­های پیش­بینی درماندگی مالی پویا در شرکت­های چینی براساس تکنیک جریان داده­های نامتوازن طبقه­ای[20] به کمک الگوریتم ماشین بردار پشتیبان (SVM) متمرکز شدند. نتایج آزمایش­های تجربی مدل براساس داده­های مالی 2628 شرکت نشان داد که استفاده از این اطلاعات، توانایی مدل را در تشخیص نمونه­های درمانده مالی تا حدود زیادی بهبود داده است.

صارمی و میرجلیلی (2017) الگوریتم GOA را بعنوان تکنیک فراابتکاری نوین معرفی نمودند که با تقلید از رفتار ملخ، جواب­های بهینه برای مسایل مختلف ارایه می­نماید. آنها با مدل­سازی و بررسی توانایی این الگوریتم در حل توابع مختلف، کارایی آن را نسبت به سایر الگوریتم­های فراابتکاری در حل مسایل حوزه­های مختلف علوم اثبات نمودند. همچنین جی­لو و همکاران (2018) در تحقیق دیگری کارایی الگوریتم بهینه­سازی ملخ را در پیش­بینی درماندگی مالی با استفاده از 10 نسبت مالی در شرکت­های ژاپنی اثبات نمودند. آنها توانایی الگوریتم بهبودیافته GOA بر مبنای مدل پایه ماشین یادگیری افراطی کرنل (KELM) را در مقایسه با الگوریتم پایه و نیز برخی از الگوریتم­های فراابتکاری دیگر مورد بررسی و آزمون قرار دادند. یافته­ها نشان داد که الگوریتم GOA نسبت با سایر مدل­های فراابتکاری از دقت بالاتری برخوردار بوده و توانایی بهبود عملکرد مدل پایه KELM (نوعی از مدل شبکه عصبی مصنوعی) را داشته است.

در مطالعه دیگری کلادرا و همکاران[21] (2021)، درماندگی مالی را از زمان همه­گیری ویروس کرونا (کووید 19) در شرکت­های صنعت هتل­داری اسپانیا براساس مدل لاجیت ورشکستگی مورد بررسی قرار دادند. نتایج نشان داد که با کاهش 60 درصدی درآمد، درماندگی مالی 25 درصد افزایش داشته است و در صورت کاهش 80 درصدی درآمد، این احتمال به 32 درصد افزایش یافته است و مشکلات مالی عمدتاً بر شرکت­های کوچک تأثیرگذارتر بوده است. اگور و همکاران (2022) در تحقیق خود، اثر رقابت­پذیری بازار محصول را بر ریسک درماندگی مالی، از منظر تئوری نمایندگی مورد بررسی قرار دادند. نتایج نشان داد که رقابت­پذیری، ریسک درماندگی مالی را کاهش می­دهد. ضمن اینکه ریسک درماندگی مالی در صنایع کمتر رقابتی بالاتر است. دیگر نتایج نشان داد که بدهی بلندمدت در مقایسه با بدهی کوتاه‌مدت، ریسک درماندگی مالی را کمتر افزایش می­دهد. همچنین مینهاس[22] و همکاران (2022) در تحقیق خود درماندگی مالی، چرخه عمر شرکتی و تصمیمات ساختار سرمایه (بدهی و سهام) را مورد بررسی قرار دادند. نتایج نشان داد که پریشانی مالی با تصمیمات تجدید ساختار بدهی شرکت­ها ارتباط معکوس دارد و به طور مثبت با تصمیمات تجدید ساختار سهام مرتبط است. تجزیه و تحلیل بیشتر نشان داد که شرکت های جدید، در حال رشد و بالغ ارتباط مثبتی با تصمیمات تجدید ساختار سهام دارند و با تصمیمات تجدید ساختار بدهی ارتباط منفی دارند. البته شرکت­های رو به زوال (مرحله پیری) تجدید ساختار بدهی را بیشتر ترجیح می­دهند. الحسینی و همکاران (2022) در تحقیق جدیدی، به پیش­بینی درماندگی مالی با استفاده از الگوریتم تعدیلی بهینه­سازی نهنگ[23] و بکارگیری تکنیک یادگیری عمیق پرداختند. آن­ها از این الگوریتم برای بهبود پارامترهای مدل شبکه عصبی پرسپترون چندلایه استفاده کردند و توانستند به کمک داده­های مالی، درماندگی مالی شرکت­ها را با دقت 8/95% پیش­بینی نمایند.  

در سه دهه اخیر، تحقیقات متعددی در داخل کشور در زمینه درماندگی مالی و ورشکستگی انجام شده است. میرزایی و همکاران (1391)، تاثیر معنی­دار و مستقیم نااطمینانی متغیرهای کلان اقتصادی (نرخ ارز و تورم) را بر روی ریسک اعتباری مشتریان حقوقی بانک تجارت (بعنوان معیاری از ارزیابی درماندگی مالی آن­ها) اثبات نمودند. همچنین تقی­زاده و همت­فر (1394) به بررسی کاربرد الگوریتم کلونی مورچگان (ACO) در پیش­بینی ورشکستگی شرکت­ها پرداختند. دقت مدل پیشنهادی مبتنی بر این الگوریتم معادل90  درصد بوده است. رضایی و نژاد تولمی (1393) در تحقیق خود به بررسی و مقایسه الگوریتم ACO با دو مدل پارامتریک تحلیل تمــایزی چندگانه و لـوجیت برای پیش­بینی درماندگی مالی با استفاده از نسبت­های مالی پرداختند. یافته­ها برتری الگوریتم ACO را نسبت به سایر مدل­ها نشان داد. همچنین کیقبادی و خدامی (1392) در تحقیق دیگری با استفاده از تکنیک­های داده­کاوی شامل شبکه عصبی مصنوعی، درخت تصمیم و ماشین بردار پشتیبان به اعتبارسنجی و ارزیابی ریسک مشتریان بانک ملی ایران (با استفاده از 31 متغیر از صورت­های مالی آنها) در دو گروه خوش حساب و بد حساب پرداختند. نتایج نشان داد که مدل شبکه عصبی عملکرد پیش­بینی بهتری نسبت به سایر الگوها دارد. در مطالعه دیگری مرادی رامز و سهرابی (1397) به بررسی رابطه سهامداران نهادی به عنوان مالک و مدیر بر درماندگی مالی شرکت‌ها پرداختند. جامعه آماری تحقیق شامل شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی زمانی1390 تا 1394 بوده است و با روش حذف سیستماتیک تعداد 107 شرکت به عنوان نمونه انتخاب گردید. نتایج تحقیق حاکی از این بود که بین تعداد سهامداران نهادی که در هیئت مدیره‌اند (مالکیت نهادی) و درماندگی مالی شرکت‌های مورد مطالعه و همچنین بین تعداد سهامداران نهادی که مالک شرکت‌اند (مالکیت مدیریتی) با درماندگی مالی شرکت‌ها رابطه معنادار وجود دارد.

همچنین سیف اللهی (1397)، تأثیر مدیریت هموارسازی سود بر هزینه بدهی با تأکید بر درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران را طی بازه زمانی 1388 تا 1395 با استفاده از تحلیل رگرسیون مورد بررسی و مطالعه قرار دادند. یافته­ها نشان می­دهد که رابطه مستقیم و معنادار بین هموارسازی سود و هزینه بدهی وجود دارد. به‌طوری‌که با افرایش هموارسازی سود هزینه بدهی شرکت­ها نیز افزایش می­یابد. همچنین درماندگی مالی شرکت‌ها نیز شدت رابطه بین هموارسازی سود و هزینه بدهی را افزایش می‌دهد و درماندگی مالی تأثیر منفی و معناداری بر هزینه بدهی شرکت‌ها دارد. در تحقیق دیگری حاجی شاه­وردی و همکاران (1398)، براساس برخی شاخص­ها یک مدل لاجیت باینری با کاربرد مدل چرخشی مارکوف در ارزیابی احتمال وقوع بحران بانکی در بخش مالی ایران طراحی نمودند. متغیرهای نسبت مطالبات غیرقابل برگشت، نرخ تورم، نرخ ارز و بدهی بانک­ها به بانک مرکزی ج.ا.ا. با توجه به قدرت توضیح دهندگی آن­ها به عنوان مناسب­ترین شاخص­های نشاندهنده بحران بانکی در یکسال قبل از وقوع آن شناسایی شدند. در مطالعه دیگری میرعلوی، پورزمانی و جهانشاد (1398) با بررسی رفتار مالی سرمایه­گذاران جهت پیش­بینی قیمت سهام با استفاده از مدل­های فراابتکاری مبتنی بر شبکه­های عصبی پرسپترون چندلایه (ANN-MLP)، دریافتند که استفاده از الگوریتم GOA خطای مدل را تقلیل داده است. همچنین صوفی و همکاران (1399)، در پژوهش خود از ترکیب تکنیک­های شبکه عصبی و الگوریتم ژنتیک برمبنای نسبت­های مدل زیمیسکی برای مدل­سازی پیش­بینی درماندگی مالی در 66 شرکت درمانده و 150 شرکت غیردرمانده طی بازه زمانی سال 1392 تا 1394 استفاده نمودند. نتایج نشان داد که شبکه عصبی و الگوریتم ژنتیک در پیش­بینی درماندگی مالی از قدرت برابر (95 درصد) برخوردارند، با این وجود، خطای پیش­بینی در شبکه عصبی در مقایسه با الگوریتم ژنتیک پایین­تر است.

علاوه بر این نمازی و ابراهیمی (1400)، توانایی پیش­بینی درماندگی مالی شرکت­های پذیرفته شده در فرابورس و بورس اوراق بهادار را با استفاده از تکنیک داده­کاوی ماشین بردار پشتیبان مبتنی برروش اعتبارسنجی متقابل 5 بخشی و استفاده از دامنه گسترده­ای از ویژگی­ها از جمله متغیرهای حسابداری و اقتصاد کلان اثبات نمودند. همچنین برگ بید و همکاران (1400)، در تحقیق خود، با استفاده از الگوهای ترکیبی سه بعدی (مالی، اقتصادی، پایداری(، دوبعدی (مالی و اقتصادی) و تک بعدی (مالی)، درماندگی مالی شرکت­ها را با استفاده از تحلیل رگرسیون پیش­بینی نمودند. نتایج نشان داد الگوی ترکیبی سه بعدی بهتر از سایر الگوها با دقت 86% وضعیت درماندگی مالی شرکت­ها را پیش­بینی نموده است. رحیمی و همکاران (1400)، در مطالعه دیگری با استفاده از تکنیک رگرسیون، نسبت­های مالی موثر در پیش­بینی درماندگی مالی را در بازه زمانی 1386 تا 1398 گزینش و با استفاده از مدل شبکه عصبی مصنوعی به پیش­بینی درماندگی مالی شرکت­ها پرداختند. آن­ها از 34 نسبت مالی اولیه تعداد 24 نسبت را انتخاب و وارد مدل نمودند و با میانگین دقت 97 درصد توانستند وضعیت درماندگی مالی شرکتهای مورد بررسی را پیش­بینی نمایند.

 

4- روش شناسی پژوهش

جامعه آماری پژوهش شامل کلیه شرکت­های پذیرفته­شده فعال در بورس اوراق بهادار تهران طی بازه زمانی 7 ساله از 1391 تا 1397 بوده که سال مالی آن­ها پایان اسفند ماه (بدون تغییر سال مالی) باشد. همچنین امکان دسترسی به اطلاعات آنها فراهم بوده و جزو شرکت­های مالی و سرمایه­گذاری یا واسطه­گری مالی نباشند. از تعداد 476 شرکت با روش حذف سیستماتیک در نهایت 289 شرکت انتخاب شده­ است. داده‌ها و اطلاعات درون شرکتی با استفاده از نرم افزارهای ره­آورد نوین و تدبیرپرداز از کتابخانه سازمان بورس، سایت کدال جمع­آوری شده است و حسب ضرورت برخی پردازش­ها و محاسبات در محیط نرم افزار اکسل روی داده­های اولیه انجام شده است. همچنین داده­های مربوط به متغیرهای کلان اقتصادی حسب مورد از منابع رسمی از جمله درگاه­های اینترنتی بانک مرکزی، مرکز آمار ایران و معاونت سیاست­گذاری وزارت امور اقتصادی و دارایی استخراج شده است. برای اجرای مدل پژوهش، تحلیل داده­ها و آزمون فرضیه­های تحقیق از نرم افزار MATLAB نسخه R2019b و نرم افزار آماری SPSS (نسخه 20) حسب ضرورت استفاده شده است. مشابه تحقـیق سورشـجانی و قدرتی (1394)، به جهت دسترسی به اطلاعات کلیه شرکت­ها، از نمونه­گیری تصادفی استفاده نشده و کل جامعه آماری منتخب ( شامل 289 شرکت) مورد غربالگری قرار گرفته است.

 

 

 

4-1- متغیر درماندگی مالی و نحوه اندازه­گیری آن

با توجه به مدل تحقیق، وضعیت درماندگی مالی (درماندگی مالی و غیردرماندگی مالی) متغیر وابسته و به نوعی متغیر دسته­بندی می­باشد. در بسیاری از تحقیقات مشابه، شرکت­ها براساس شمولیت ماده 141 قانون تجارت درمانده و سایرین بعنوان غیردرمانده طبقه­بندی می­شوند. در این تحقیق از روش سه مرحله­ای زیر برای شناسایی شرکت­های درمانده استفاده شده است. در مرحله اول؛ با الهام از مطالعات آکوستا و همکاران (2019) و الهادی و همکاران (2017)؛ برای تعیین درماندگی مالی از سه مدل کلاسیک خاص بازار سرمایه ایران طبق جدول شماره 1 که در تحقیقات داخلی مورد بررسی و تعدیل ضرایب قرار گرفته­اند، بطور همزمان استفاده شده است. در این مرحله با توجه به مجموع شاخص­های محاسبه­شده برای هریک از شرکت­ها (مشاهدات سال-شرکت)، یک­سوم مشاهداتی که کمترین عدد محاسباتی را دارا باشند و همزمان توسط هر سه مدل نیز به تفکیک درمانده مالی تعیین شده­اند، بعنوان درمانده مالی درنظر گرفته می­شوند. در مرحله دوم؛ همه مشاهدات، بدون توجه به نمره درماندگی مالی مرحله قبل، بصورت جداگانه با استفاده از برخی معیارهای اختصاصی همانند تحقیقات هرناندز و ویلسون (2013)، خواجوی و قدیریان (1396) و غیور (1396) برای تعیین شرکت­های درمانده علامت­دهی می­شوند. در اینجا شرکت­هایی بعنوان درمانده مالی شناسایی می­شوند که حداقل یکی از این معیارها، شامل؛ 1) زیانده بودن برای سه سال متوالی 2) کاهش بیش از 40 درصدی سود نقدی برای سه سال متوالی، 3) سود قبل از بهره و مالیات و استهلاک برای دو سال متوالی کمتر از 80% هزینه بهره باشد، 4) بازده سهام منفی (با کاهش بیش از 30%) به همراه رشد منفی فروش و 5) کوچکتر بودن ارزش دفتری هر سهم از ارزش اسمی آن؛ را داشته باشند. در مرحله سوم؛ علاوه بر معیارهای ذکرشده در دو مرحله قبل، مشابه برخی تحقیقات داخلی شمول ماده 141 قانون تجارت نیز بعنوان معیار درماندگی مالی برای تعیین درمانده مالی در نظر گرفته شده است.

 

جدول 1- استفاده از مدل­های چند متغیره کلاسیک در تحقیقات داخلی و مدل تعدیل شده خاص بازار سرمایه ایران

نام مدل	محققین	مدل تعدیل شده ایرانی و رابطه مربوط	متغیرها در مدل اصلی و مدل تعدیل شده
مدل آلتمن (1983)	کردستانی، تاتلی و رشیدی (1393)	(1)    Z =0.291X1 + 2.458X2 - 0.301X3 - 0.079X4 - 0.05X5 -0.60 شرط ورشکستگی:Z < 0	= x1 نسبت سرمایه در گردش به کل دارایی­ها =x2 نسبت سود انباشته به کل دارایی­ها = x3 نسبت سود  قبل از بهره و مالیات به کل دارایی­ها = x4 نسبت قیمت دفتری حقوق صاحبان سهام به ارزش دفتری بدهی = x5 نسبت فروش خالص به کل دارایی­ها X6= نسبت کل بدهی­ها به کل دارایی­ها X7=نسبت دارایی­های جاری به بدهی­های جاری X8=نسبت سود خالص بعد از مالیات به کل بدهی­ها X9=نسبت درصد رشد حقوق صاحبان سهام به درصد رشد دارایی­ها = X10 نسبت سود خالص به کل دارایی­ها
مدل آلتمن و لوالی (1980)	نیکبخت، محمدرضا و بهادری محمدمراد (1391)	(2)    Z= 0.660 + 0.871X5 - 2.831X6 - 0.008X7 + 5.303X8 +0.075X9 شرط ورشکستگی:Z < 0
مدل زیمسکی (1984)	محمدزاده، پرویز و جلیلی مرند، علیرضا (1391)	(3)     Z = 10.397 + 19.153X10 - 13.197X6 شرط ورشکستگی:Z < 0

منبع: یافته‌های پژوهشگر

براساس نتایج مراحل سه گانه مذکور، تمامی مشاهداتی که طی بازه زمانی تحقیق شمولیت ماده 141 قانون تجارت را داشته­اند، بعنوان گروه درمانده مالی طبقه­بندی شده­اند و علاوه بر آن، مشاهداتی که در مراحل اول و دوم نیز توامان بعنوان درمانده مالی شناخته شده­اند، نیز به دامنه شرکت­های درمانده مالی اضافه و مابقی مشاهدات نیز بعنوان غیردرمانده مالی (سالم) طبقه­بندی شدند.

 

4-2- متغیرهای مستقل (پیش­بین) و نحوه اندازه­گیری آن­ها

متغیرهای موثر بر درماندگی مالی در دو گروه متغیرهای درون شرکتی و کلان اقتصادی مطابق جدول شماره 2 ارایه شده­اند. متغیرهای درون شرکتی (سطح شرکت)؛ نسبت­های مالی متنوعی از گروه­های نقدینگی، اهرم (بدهی)، سودآوری و بازار بوده است. علاوه بر این، برخی متغیرهای دیگر مانند اندازه، سن، چرخه­عمر، بازده و رقابت­پذیری به عنوان ویژگی­های شرکتی نیز مورد استفاده قرار گرفته است. در این تحقیق 26 نسبت مالی مالی متداول که در اغلب مطالعات از آن­ها استفاده شده است؛ بعنوان متغیر اولیه انتخاب شده­اند. مشابه برخی تحقیقات از جمله مطالعات رحیمی و همکاران (1400)، خواجوی و قدیریان (1396)، فلاحپور و ارم (1395) و تسای (2009) مناسب­ترین نسبت­های مالی گزینش شده­اند. تکنیک مورد استفاده در اینجا آزمون مقایسه میانگین متغیرها در دو گروه درمانده و غیردرمانده مالی بوده است. اگر نتایج این آزمون نشان دهد که مقدار میانگین­های یک متغیر در دو جامعه بر حسب متغیر گروه­بندی متفاوت باشد، می­توان نتیجه گرفت که متغیر مذکور بر گروه­بندی تاثیرگذار بوده است (مومنی و فعال قیومی، 1394). اندازه و سن شرکت به ترتیب لگاریتم طبیعی ارزش بازار سهام شرکت و سابقه فعالیت شرکت از سال تاسیس آن بوده و بازده نیز معادل بازده تجمعی سالانه هر سهم در نظر گرفته شده است. همچنین برای اندازه­گیری شاخص رقابت­پذیری در بازار، مشابه تحقیق فوسو[24] (2013)، از شاخص رفیندال- هیرشمن[25] (HHI) و نسبت کیوتوبین استفاده شده است. رقابت­پذیری ریسک درماندگی مالی را کاهش داده و بعلاوه ریسک درماندگی مالی در صنایع کمتر رقابتی بالاتر است (اگور[26] و همکاران ، 2022) شاخص HHI (رابطه 4) در دهه 1980 توسط کمیسیون تجارت آمریکا مورد استفاده قرار گرفت. بازاری که شاخص HHI آن کمتر از 10% باشد، رقابتی محسوب می­شود. در اینجا k تعداد بنگاه­های فعال در بازار صنعت خاص و S_i سهم فروش شرکت i ام در همان صنعت است.

 

 

شرکتی که نسبت کیوتوبین بالاتری دارد، تمایل بیشتری به تأمین مالی در بازار سرمایه دارد. بزرگتربودن این شاخص منجر به پایین بودن اهرم و کاهش ریسک درماندگی مالی می­شود (کارزبر و شاهوردیانی، 1396). علاوه بر این بزرگتر بودن این نسبت، دلالت بر افزایش توان رقابتی شرکت داشته و عملکرد مثبت شرکت در گذشته و ارزش آفرینی شرکت در مقایسه با سایر رقبا را نشان می­دهد.

 

 

جدول 2- متغیرهای مستقل تحقیق (متغیرهای پیش بین)

عنوان متغیر	متغیر	عنوان متغیر	متغیر
الف- متغیرهای سطح شرکت (FLV)
1- نسبت های مالی  (FLVA)
نسبت سود انباشته به کل دارایی­ها	X1	نسبت فروش خالص به کل دارایی­ها	X14
نسبت سود انباشته به حقوق صاحبان سهام	X2	نسبت سودخالص به کل بدهی­ها	X15
نسبت ارزش بازار شرکت به کل بدهی­ها	X3	نسبت سود خالص به فروش خالص	X16
نسبت جریان نقد عملیاتی به کل بدهی­ها	X4	نسبت سود خالص قبل از بهره و مالیات به فروش خالص	X17
نسبت سرمایه درگردش به کل دارایی­ها	X5	نسبت جریان نقد عملیاتی به کل دارایی­ها	X18
نسبت دارایی های جاری به بدهی­های جاری	X6	نسبت هزینه­های مالی به فروش خالص	X19
نسبت دارایی­های جاری به کل دارایی­ها	X7	نسبت بدهی­های جاری به کل دارایی­ها	X20
نسبت سود خالص قبل از بهره و مالیات به کل دارایی­ها	X8	نسبت سرمایه در گردش به بدهی­های بلند مدت	X21
نسبت سودخالص به کل دارایی­ها	X9	نسبت نقدینگی به کل دارایی­ها	X22
نسبت سرمایه درگردش به فروش خالص	X10	نسبت ارزش بازار به ارزش دفتری هر سهم	X23
نسبت کل بدهی ها به کل دارایی­ها	X11	نسبت قیمت به سود هر سهم (قیمت در پایان سال t)	X24
نسبت ارزش دفتری حقوق صاحبان سهام به کل بدهی­ها	X12	نسبت اندوخته مخارج تحقیق و توسعه به کل دارایی­ها	X25
نسبت سود خالص قبل از بهره و مالیات به هزینه­های مالی	X13	نسبت دارایی های ثابت به کل دارایی­ها	X26
2- سایر متغیرهای مالی و غیر مالی (FLVB)
اندازه شرکت (لگاریتم طبیعی ارزش بازار سهام شرکت)	X27	چرخه عمر شرکت	X30
بازده سالانه هر سهم (بازده تجمعی 12 ماهه)	X28	نسبت کیوتوبین (ارزش بازار شرکت  بعلاوه کل بدهی­ها به کل دارایی­ها)	X31
سن شرکت (به سال)	X29	شاخص هیرفیندال-هریشمن	X32
ب- متغیرهای اقتصادی  (ELV)
تغییرات تولید ناخالص داخلی (رشد اقتصادی)	X33	نرخ تورم	X36
درآمد سرانه (لگاریتم طبیعی سرانه تولید ناخالص داخلی)	X34	تغییرات نرخ ارز	X37
نرخ بهره	X35

منبع: یافته‌های پژوهشگر

 

در اینجا برای اندازه­گیری متغیر چرخه عمر، مشابه مطالعه الهادی و همکاران (2017) و طبق مدل دی­آنجلو  و همکاران[27](2006) از معیار نسبت سودانباشته به مجموع دارایی­ها و حقوق صاحبان سهام برای طبقه­بندی مراحل چرخه عمر استفاده شده است. شرکت­های جدید، در حال رشد و بالغ ارتباط مثبتی با تصمیمات تجدید ساختار سهام دارند و با تصمیمات تجدید ساختار بدهی ارتباط منفی دارند (ریسک گریزند). همچنین شرکت­های رو به زوال (پیرتر) تجدید ساختار بدهی را بیشتر ترجیح می­دهند و بعبارتی ریسکی­تر هستند (مینهاس و همکاران، 2022). همچنین دیکنسون[28](2011) و حسن و حبیب (2015)، معتقدند که شرکت­ها در مرحله ظهور و افول سودآوری کمتر و در عین حال ریسک بالایی دارند، در حالی که در مرحله رشد و بلوغ، سودآورتر اما ریسک پایین­تری دارند. منطقی است این تفاوت­ها، در هر مرحله از چرخه عمر، با شدت متفاوتی بر درماندگی مالی تأثیر بگذارد. شرکت­ها با نسبت بالای سود انباشته به مجموع دارایی­ها (RE/TA) یا سودانباشته به کل سرمایه (RE/TE) معمولاً بالغ­تر و یا پیر هستند، در حالی که آنهایی که جوان و رو به رشد هستند، نسبت RE/TA یا RE/TE کمتری دارند. برای سنجش چرخه عمر ابتدا مشابه تحقیق ایزدی­نیا و همکاران (1392)، براساس رابطه 5 بصورت جداگانه مقادیر استاندارد نسبت­ها محاسبه و مجموع آن بعنوان شاخص چرخه عمر لحاظ شده است.

(5)                                                                                                        Z_1,2=(X-µ)/σ

 

توضیح اینکه مرتب­سازی مقادیر محاسبه­شده فوق، برای یک سوم اول مشاهدات، بیانگر دوره رشد، یک سوم دوم (وسط) بیانگر دوره بلوغ و یک سوم آخر نشانگر دوره افول (پیری) است. همچنین اطلاعات متغیرهای کلان اقتصادی طبق جدول شماره 2 شامل رشد اقتصادی، درآمد سرانه، نرخ تورم، نرخ بهره و تغییرات نرخ ارز طی بازه زمانی تحقیق از مراجع رسمی مربوط استخراج و در مدل استفاده شده است. در این تحقیق مشابه آکوستا و همکاران (2019) علاوه بر ورود متغیرهای اقتصادی بصورت جداگانه، از حاصلضرب زوجی اندازه و سن شرکت در هر یک از متغیرهای اقتصادی بعنوان متغیر متقابل استفاده شده است. به اعتقاد آن­ها شرکت­ها به یک اندازه از متغیرهای کلان تاثیر نمی­پذیرند و یک مدل کلی شامل حاصلضرب زوجی متغیرهای شرکتی با متغیرهای سطح صنعت و یا اقتصاد کلان می­تواند این تاثیر را نشان دهد.

 

4-3- آمار توصیفی نسبت­های مالی

در جدول شماره 3 شاخص­های آمار توصیفی متغیرهای درون شرکتی شامل بخش الف؛ نسبت­های مالی و بخش ب؛ برخی متغیرهای دیگر درون شرکتی ارایه شده است.

 

جدول 3- الف- شاخص­های آمار توصیفی متغیرهای سطح شرکت شامل نسبت­های مالی

تعداد		میانگین		انحراف معیار		خطای معیار میانگین		تعداد		میانگین		انحراف معیار	خطای معیار میانگین
X1	0	1642		0.1781		0.1714		0.0042		X14		0	1642		0.8948		0.7649		0.0189
	1	381		-0.5968		0.9197		0.0471				1	381		0.6814		0.5986		0.0307
X2	0	1642		0.3553		0.3541		0.0087		X15		0	1642		0.5126		1.6106		0.0397
	1	381		1.7481		26.9438		1.3804				1	381		-0.0977		0.1272		0.0065
X3	0	1642		4.2853		9.7112		0.2397		X16		0	1642		0.3412		1.9505		0.0481
	1	381		0.6866		1.5541		0.0796				1	381		-48.4862		757.0191		38.7833
X4	0	1642		0.2753		1.3802		0.0341		X17		0	1642		0.4237		2.1464		0.0530
	1	381		0.0490		0.1342		0.0069				1	381		-8.6668		106.3328		5.4476
X5	0	1642		0.1604		0.2300		0.0057		X18		0	1642		0.1176		0.1410		0.0035
	1	381		-0.4559		0.8194		0.0420				1	381		0.0409		0.1678		0.0086
X6	0	1642		2.0599		3.9524		0.0975		X19		0	1642		0.0570		0.3940		0.0097
	1	381		0.7431		0.4470		0.0229				1	381		39.8193		658.5124		33.7366
X7	0	1642		0.6167		0.2185		0.0054		X20		0	1642		0.4561		0.2006		0.0050
	1	381		0.6504		0.2531		0.0130				1	381		1.1061		0.8210		0.0421
X8	0	1642		0.1808		0.1448		0.0036		X21		0	1642		52.4300		367.6371		9.0726
	1	381		-0.0451		0.1908		0.0098				1	381		-17.0551		76.7350		3.9313
X9	0	1642		0.1333		0.1374		0.0034		X22		0	1642		0.0703		0.0922		0.0023
	1	381		-0.1462		0.2190		0.0112				1	381		0.0343		0.0475		0.0024
X10	0	1642		0.5547		6.5873		0.1626		X23		0	1642		2.8381		2.5402		0.0627
	1	381		-403.6427		4370.059		223.8849				1	381		0.4816		29.4524		1.5089
X11	0	1642		0.5260		0.2107		0.0052		X24		0	1642		92.68243		2228.93046		55.005985
	1	381		1.2928		0.8364		0.0428				1	381		19.04785		160.009146		8.197517
X12	0	1642		2.1261		6.1861		0.1527		X25		0	1642		.00616		.022810		.000563
	1	381		-0.0419		0.3835		0.0196				1	381		.00433		.040307		.002065
X13	0	1642		451.9501		5481.299		135.2686		X26		0	1642		.25869		.199444		.004922
	1	381		-27.0877		284.1900		14.5595				1	381		.26417		.232314		.011902
گروه یک (1): درمانده مالی و  گروه صفر (0): غیردرمانده (سالم)

منبع:  یافته­های پژوهشگر

 

جدول 3- ب- شاخص­های آمار توصیفی متغیرهای سطح شرکت شامل برخی متغیرهای درون  شرکتی

تعداد		میانگین		انحراف معیار		خطای معیار میانگین	تعداد		میانگین		انحراف معیار		خطای معیار میانگین
X27	0	1642		28.02322		1.805176		.044548		X30	0	1642		.26890		.474479		.011709
	1	381		26.44919		1.908511		.097776			1	381		-1.15850		2.738962		.140321
X28	0	1642		.47846		1.081543		.026691		X31	0	1642		1.76638		.975425		.024072
	1	381		.54440		1.115270		.057137			1	381		1.98323		1.490002		.076335
X29	0	1642		34.75579		15.836133		.390807		X32	0	1642		.88855		.314784		.007768
	1	381		39.26772		13.539095		.693629			1	381		.93438		.247937		.012702
گروه یک (1): درمانده مالی و  گروه صفر (0): غیردرمانده (سالم)

منبع:  یافته­های پژوهشگر

همچنین در جدول شماره 4 مقادیر متغیرهای کلان اقتصادی تحقیق ارایه شده است.

 

جدول 4- داده­های مربوط به متغیرهای کلان اقتصادی تحقیق طی سال­های 1391 لغایت 1397

سال	رشد اقتصادی (X33)	لگاریتم درآمد سرانه (X34)	نرخ بهره (X35)	نرخ تورم (X36)	تغییرات نرخ دلار (X37)
1391	-7.7%	18.19	17.0%	30.5%	92.7%
1392	-0.3%	18.46	19.3%	34.7%	21.1%
1393	3.2%	18.58	23.0%	15.6%	3.1%
1394	-1.6%	18.55	19.0%	11.9%	5.0%
1395	12.5%	18.68	15.3%	9.0%	5.9%
1396	3.7%	18.84	15.0%	9.6%	10.8%
1397	-5.4%	19.01	15.0%	21.2%	153.6%

منبع:  یافته­های پژوهشگر

4-4- روند اجرای الگوریتم پژوهش

پیش­بینی درماندگی مالی یک مسئله "دسته­بندی" است که در آن یک مدل یادگیری ترکیبی مبتنی بر الگوریتم فراابتـکاری باید با استفاده از داده­­های شرکت­های درمانده و غیردرمانده مالی و از طریق یک تابع علامت (با خروجی 0 و 1)، بتواند بهترین تفکیک بین این دو دسته را به نحوی انجام دهد؛ که با کمترین خطا دسته واقعی هر شرکت را تعیین یا پیش­بینی نماید. مدل ترکیبی تحقیق در برگیرنده روند اجرایی الگوریتم مطابق شکل شماره 1 از طراحی، انتخاب داده­ها، تقسیم داده­ها­، یادگیری و ارزیابی مدل می­باشد.

 

پیاده سازی الگوریتم GOA/ACO در شبکه عصبی مصنوعی (ANN)

انتخاب

داده­ها

تقسیم داده ها به دو دسته یادگیری و ارزیابی

یادگیری مدل

ارزیابی مدل

شکل 1. روند اجرای الگوریتم پژوهش

منبع: یافته‌های پژوهشگر

 

الگوریتم­های فراابتکاری GOA و ACO با استفاده از برازندگی­ای که از مدل شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) بدست می­آورد، مطابق شکل شماره 2 به انتخاب نمونه­ها می­پردازد و این نمونه­های انتخاب شده برای آموزش به شبکه عصبی منتقل و شبکه عصبی، خروجی خود را تولید می­کند و اختلاف خروجی شبکه و خروجی واقعی تحت تابع برازش، میزان برازندگی نمونه­های انتخابی را مشخص می­کند. در این تحقیق از روش اعتبارسنجی متقابل 10 بخشی[29] بعنوان یک روش معمول در اجرای تکنیک­های هوش مصنوعی و ارزیابی خطای آن استفاده شده است. در این روش، نمونه اصلی به 10 نمونه فرعی تقسیم می‌شود. ابتدا 9 نمونه فرعی به‌عنوان نمونه‌های آموزشی و سایر نمونه­های فرعی باقی‌مانده به‌عنوان نمونه آزمایشی، مورد آزمون قرار می‌گیرد. این شیوه تا جایی تکرار می‌شود که هر 10 نمونه فرعی به‌عنوان نمونه آزمایشی مورد آزمون قرار گیرند. افزون براین، استفاده از این روش، از بروز مشکل بیش‌برازش[30] و مشکلات مربوط به نتایج برون‌نمونه‌ای جلوگیری می‌کند (خواجوی و قدیریان آرانی، 1396). برای تعمیم­پذیری نتایج و آزمون فرضیه­ها از حیث قابلیت مقایسه مدل­های ترکیبی اجرای هر مدل به تعداد 10 بار و به‌طور مستقل از هم انجام شده است. بنابراین 10 بار تکرار و اجرای هر مدل طبق روش اعتبارسنجی متقابل 10 بخشی، منجر به تولید 100 رکورد برای هر معیار ارزیابی می‌شود که می‌توان آن را برای ارزیابی الگوهای مختلف و آزمون فرضیه‌­ها از طریق آزمون مقایسه میانگین­ها بر اساس روش من ویتنی یا آزمون t-test حسب مورد، استفاده نمود.

 

 

شکل 2. فرآیند انتخاب نمونه در مدل پیشنهادی تحقیق

منبع: یافته‌های پژوهشگر

 

4-5- ارزیابی کارایی الگوریتم­ها و مدل تحقیق

ارزیابی الگوریتم‌های دسته­بندی، از طریق تجزیه و تحلیل معیارهای ارزیابی مطابق ماتریس درهـم ریختگی (اغتشاش) و نمــودار ROC انجام می­شود. عناصر ماتریس درهم ریختگی شامل TP (مثبت درست)؛ TN (منفی درست(؛ FP (مثبت اشتباه( و FN (منفی اشتباه) می­باشد. مهمترین و متداول­ترین معیار برای سنجش دقت و کارایی الگوریتم­ها تحلیل نرخ دقت دسته­بندی (CA) است که نشان می‌دهد چند درصد از کل رکوردها به درستی دسته­بندی شده­اند. نرخ دقت دسته­بندی با استفاده از رابطه شماره 6 بدست می‌آید. معیار خطای دسته­بندی (ER) عکس و متمم معیار دقت آن است. معیارهای دیگری نظیرFPR  و FNR )روابط شماره 7 و 8) نیز اهمیت ویژه­ای دارند. معیارFPR  (خطای نوع اول یا خطای رد مثبت) میزان خطا در تشخیص ویژگی مثبت و معیار FNR (خطای نوع دوم یا خطای پذیرش منفی) میزان خطا در تشخیص ویژگی منفی را بیان می‌کند.

 

 

 

در اینجا خطای نوع دوم (β) مهمتر از خطای نوع اول (α) است، زیرا خطای نوع دوم بیانگر مقدار خطایی است که یک شرکت درمانده بعنوان یک شرکت سالم پیش­بینی می­شود و خطای نوع اول برعکس و لذا تبعات آن کمتر خواهد بود. یکی از کارکردهای این مفاهیم بکارگیری آن در قالب شاخص AUC (مساحت زیر منحنی نمودار مشخصه عملکرد[31] یا ROC) است که میزان دقت الگوریتم دسته­بندی (عددی بین صفر و یک) را که نشان می­دهد. مقدار نزدیک به یک نشان می­دهد که میزان نرخ مثبت درست الگوریتم بالا است. اعداد AUC نزدیک به 5/0 برابری نرخ مثبت درست و نرخ مثبت نادرست را نشان می‌دهد.

 

5- یافته­های پژوهش

5-1- گزینش متغیرهای مستقل

در این تحقیق مشابه برخی تحقیقات از جمله مطالعات فلاحپور و ارم (1395)، نمازی و همکاران (1395)، خواجوی و قدیریان آرانی (1396) و تسای (2009) از آزمون مقایسه میانگین برای گزینش مناسبترین نسبت­های مالی در دو گروه درمانده و غیردرمانده استفاده شده است. در جدول شماره 3، خروجی آماره t برای آزمون تساوی میانگین در دو حالت A و B به ترتیب تساوی و عدم تساوی واریانس­ها درج شده است. آزمون تساوی میانگین دو جامعه، در مرحله اول، با بررسی تساوی واریانس­ها با استفاده از آزمون لوین[32] و آمارهF  انجام می­شود. اگر مقادیر معنی­داری (sig) آزمون لوین کمتر از 5% یا 0.05 باشد، فرض برابری واریانس­ها رد می­شود. در این حالت به نتیجه آزمون t در حالت B مراجعه نموده و با توجه به سطح معنی­داری ارایه شده، نتیجه تایید و عـدم تایید فرض برابری میانگین­ها مشخص می­شود. همچنین اگر سطح معنی­داری آزمون لوین برای متغیری بیشتر از 5% باشد فرض برابری واریانس­ها تایید می­شود و در این حالت باید به نتیجه آزمون t در حالت A  مراجعه نمود. براساس نتایج آزمون مقایسه میانگین­های دو گروه درمانده و غیردرمانده درنهایت، متغیرهای X₂، X₁₀،X₁₆ ، X₁₇، X₁₉، X₂₃،X₂₄ ،X₂₅  و X₂₆ که با علامت * مشخص شده­اند؛ از فهرست نسبت­های مالی تحقیق حذف شده است.

 

جدول 3- آزمون مقایسه میانگین نسبت­های مالی در دو گروه درمانده مالی و غیر درمانده (سالم)

متغیرها		سطح معنی­داری (Sig.)		متغیرها		سطح معنی­داری (Sig.)		متغیرها		سطح معنی­داری (Sig.)
		Levene's Test	t-test			Levene's Test	t-test			Levene's Test	t-test
X1	A	0.000	0.000	*X10	A	0.000	0.000	*X19	A	0.000	0.014
	B		0.000		B		0.072		B		0.239
*X2	A	0.000	0.036	X11	A	0.000	0.000	X20	A	0.000	0.000
	B		0.314		B		0.000		B		0.000
X3	A	0.000	0.000	X12	A	0.000	0.000	X21	A	0.001	0.000
	B		0.000		B		0.000		B		0.000
X4	A	0.000	0.001	X13	A	0.018	0.088	X22	A	0.000	0.000
	B		0.000		B		0.000		B		0.000
X5	A	0.000	0.000	X14	A	0.096	0.000	*X23	A	0.000	0.001
	B		0.000		B		0.000		B		0.119
X6	A	0.000	0.000	X15	A	0.000	0.000	*X24	A	0.318	0.519
	B		0.000		B		0.000		B		0.186
X7	A	0.000	0.009	*X16	A	0.000	0.009	*X25	A	0.109	0.232
	B		0.017		B		0.209		B		0.392
X8	A	0.002	0.000	*X17	A	0.000	0.001	*X26	A	0.000	0.640
	B		0.000		B		0.096		B		0.671
X9	A	0.000	0.000	X18	A	0.456	0.000
	B		0.000		B		0.000
:A فرض برابری واریانس،  :B  فرض عدم برابری واریانس  *: تایید فرض برابری میانگین­ها در دو گروه و حذف متغیر از ورود به مدل تحقیق

منبع: یافته­های پژوهشگر

 

5-2- نتایج آزمون فرضیه­های تحقیق

در این بخش نتایج آزمایش مدل­ها برای پیش­بینی درماندگی مالی در قالب جداولی شامل خلاصه میانگین 10 بار اجرای هر مدل برای سال وقوع درماندگی تا دو سال قبل از آن برحسب نرخ دقت، خطای نوع اول (α)، خطای نوع دوم (β) و معیار AUC ارایه شده است. از داده­های مربوط به متغیرهای مستقل سال t، سال t-1 و سال t-2 بصورت جداگانه بعنوان عوامل موثر بر پیش­بینی درماندگی مالی در سال t استفاده شده است. در اینجا ابتدا نتایج معماری مدل پایه ANN-MLP براساس تعداد نرون­های مختلف لایه پنهان بررسی و بهترین مدل پایه بعنوان بهترین معماری شبکه انتخاب شده است (بهترین معماری با تعداد 10، 12 و 15 نرون به ترتیب برای سال t، t-1 و t-2). ضمن ارایه نتایج آن، مجدداً همان مدل از طریق انتخاب بهترین نمونه­ها توسط الگوریتم GOA و الگوریتم ACO و اجرای مدل­های ترکیبی MLP-ACO و MLP-GOA آزمایش و نتایج آن ارایه شده است. در استفاده از الگوریتم GOA و الگوریتم ACO تعداد جمعیت اولیه 30 و تعداد تکرار نهایی 500 بار و مجموعه داده­ها به ترتیب معادل 70، 15 و 15 درصد برای آموزش، اعتبارسنجی و تست تنظیم شده است. همچنین در شبیه­سازی­های مدل ANN-MLP بیشترین تکرار جهت آموزش 1000 بار تنظیم و در یادگیری­ها از آموزش بیش از اندازه جلوگیری شده است، بدین صورت که در حین آموزش، نمــودار کارایی داده­های تست و اعتبارسنجی مقایسه می­شوند و در صورتیکه خطا به ازاء داده­های تست و اعتبارسنجی روبه افزایش باشد، آموزش شبکه عصبی مصنوعی متوقف می­شود.

آزمون فرضیه اول: مدل ترکیبی MLP-GOA توانایی بهبود پیش­بینی درماندگی مالی را با استفاده از متغیرهای درون شرکتی دارد.

میانگین دقت پیش­بینی براساس مدل پایه ANN-MLP طی بازه زمانی تحقیق برای سال وقوع درماندگی، یک سال و دو سـال قبل از آن، براساس داده­های سطح شرکت طبق جدول شماره 4 به ترتیب مـعادل 90.04، 88.05 و 86.49 درصد است و این دقت برای مدل ترکیبی MLP-GOA به ترتیب معادل 97.30 ، 94.53و 91.30 درصد می­باشد که نشاندهنده برتری مدل MLP-GOA نسبت به مدل پایه شبکه عصبی است. از طرفی مقایسه خطاهای نوع اول و دوم مدل MLP-GOA با مدل پایه ANN-MLP نشان از کاهش معنی­دار خطاها و بهبود نتایج دارد. ضمناً مقایسه مقدار AUC نیز دال بر کارایی و دقت مدل ترکیبی مبتنی بر الگوریتم GOA بوده است.

 

جدول 4- خلاصه نتایج آزمایش برای ارزیابی توانمندی مدل ترکیبی MLP-GOA- آزمون فرضیه اول

سطح داده­ها	نوع مدل	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی				دو سال قبل از وقوع درماندگی
		دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
FVL	ANN-MLP	90.04	10.03	10.16	0.900	88.05	11.74	12.22	0.881	86.49	13.38	13.87	0.863
	MLP-GOA	97.30	2.77	2.27	0.974	94.53	5.16	5.19	0.947	91.30	8.63	8.42	0.913

منبع:  یافته­های پژوهشگر

 

علاوه بر این، نتایج حاصل از آزمون فرضیه اول طبق روش مقایسه میانگین 100 رکورد برای هر معیار عملکرد براساس آزمون "من ویتنی" و آزمون "t-test" طبق جدول شماره 5 دلالت بر معنی­دار بودن اختلاف بین میانگین معیارها برای هریک از مدل­های فوق داشته و شواهدی مبنی بر عدم پذیرش (رد) فرضیه اول در سال t، t-1 و t-2 در سطح خطای 5 درصد یافت نشده است.

 

جدول 5- خلاصه نتایج آزمون فرضیه اول مقایسه عملکرد مدل ترکیبی MLP-GOA  و مدل پایه MLP

سال	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی				دو سال قبل از وقوع درماندگی
معیار عملکرد الگو	دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
آماره Z آزمون K-S	4.572 (0.000)	3.396 (0.000)	3.812 (0.000)	3.554 (0.000)	4.548 (0.000)	3.26 (0.000)	3.223 (0.000)	3.394 (0.000)	4.564 (0.000)	3.413 (0.000)	3.344 (0.000)	3.115 (0.000)
آماره U آزمون من ویتنی	-12.220 (0.000)	-12.218 (0.000)	-12.218 (0.000)	-12.222 (0.000)	-12.219 (0.000)	-12.217 (0.000)	-12.217 (0.000)	-12.223 (0.000)	-12.221 (0.000)	-12.217 (0.000)	-12.217 (0.000)	-12.226 (0.000)
آماره T آزمون t-test	-418.5 (0.000)	61.884 (0.000)	75.913 (0.000)	-84.01 (0.000)	-315.2 (0.000)	52.793 (0.000)	65.901 (0.000)	-76.6 (0.000)	-340.6 (0.000)	52.479 (0.000)	61.612 (0.000)	-66.19 (0.000)

منبع:  یافته­های پژوهشگر

 

آزمون فرضیه دوم: توانایی مدل ترکیبی MLP-GOA در پیش­بینی درماندگی مالی با ورود متغیرهای اقتصادی افزایش می­یابد.

دقت پیش­بینی درماندگی براساس مدل MLP-GOA برای سال وقوع درماندگی، یک سال و دو سال قبل از آن با ورود و اضافه نمودن متغیرهای اقتصادی (EVL) به مدل طبق جدول شماره 6 ، به ترتیب معادل 97.53، 94.78 و 91.98 درصد است که نشان­دهنده بهبود عملکرد مدل MLP-GOA است. مقایسه خطای نوع اول و دوم مدل MLP-GOA با ورود متغیرهای اقتصادی با نتایج همین مدل براساس داده­های سطح شرکت نشان از کاهش معنی­دار خطاها و بهبود نتایج دارد. مقایسه مقدار AUC نیز دال بر بهبود عملکرد مدل MLP-GOA بوده است.

 

جدول 6- خلاصه نتایج برای ارزیابی توانمندی مدل ترکیبی MLP-GOA- آزمون فرضیه گروه دوم

سطح داده­ها	نوع مدل	سال وقوع درماندگی				یک سال قبل از وقوع درماندگی				دو سال قبل از وقوع درماندگی
		دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
FVL+EVL	MLP-GOA	97.53	2.62	2.74	0.976	94.78	5.08	4.92	0.947	91.98	8.11	8.18	0.918
FVL	MLP-GOA	97.30	2.77	2.27	0.974	94.53	5.16	5.19	0.947	91.30	8.63	8.42	0.913

منبع:  یافته­های پژوهشگر

 

علاوه بر این، نتایج حاصل از آزمون فرضیه دوم طبق روش مقایسه میانگین 100 رکورد برای هر شاخص عملکرد بر اساس آزمون "من ویتنی" و آزمون "t-test" طبق جدول شماره 7؛ دلالت بر معنی­دار بودن اختلاف بین میانگین معیارها برای هریک از مدل­های فوق داشته و شواهدی مبنی بر عدم پذیرش (رد) فرضیه دوم برای سال t، t-1 و t-2 در سطح خطای 5 درصد یافت نشده است.

 

جدول 7- خلاصه نتایج آزمون فرضیه دوم مقایسه عملکرد مدل ترکیبیMLP-GOA  با ورود داده­های اقتصادی (ELV)

معیار عملکرد الگو	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی					دو سال قبل از وقوع درماندگی
	دقت	α	β	AUC		دقت	α	β	AUC		دقت	α	β	AUC
آماره Z آزمون K-S	4.548 (0.000)	3.348 (0.000)	3.446 (0.000)	3.532 (0.000)		4.435 (0.000)	4.054 (0.000)	3.308 (0.000)	3.432 (0.000)		4.38 (0.000)	3.071 (0.000)	3.142 (0.000)	3.464 (0.000)
آماره U آزمون من ویتنی	-12.219 (0.000)	-12.217 (0.000)	-12.218 (0.000)	-12.225 (0.000)		-12.219 (0.000)	-12.218 (0.000)	-12.217 (0.000)	-12.223 (0.000)		-12.223 (0.000)	-12.236 (0.000)	-12.223 (0.000)	-12.256 (0.000)
آماره T آزمون t-test	-352.194 (0.000)	58.413 (0.000)	67.47 (0.000)	-84.549 (0.000)		-204.164 (0.000)	69.251 (0.000)	49.39 (0.000)	-75.613 (0.000)		-108.344 (0.000)	43.248 (0.000)	33.75 (0.000)	-54.195 (0.000)

منبع:  یافته­های پژوهشگر

 

 

آزمون فرضیه­ سوم: مدل ترکیبی MLP-ACO توانایی بهبود پیش­بینی درماندگی مالی را با استفاده از متغیرهای درون شرکتی دارد.

دقت پیش­بینی درماندگی مالی براساس مدل ANN-MLP برای سال وقوع درماندگی، یک سال و دو سال قبل از آن به کمک داده­های سطح شرکت (FVL) طبق چدول شماره 8 به­ترتیب معادل 90.04، 88.05 و 86.49 درصد است و این دقت برای مدل MLP-ACO به­ترتیب معادل 95.41، 92.15 و 90.11 بوده که نشان­دهنده برتری مدل MLP-ACO نسبت به مدل پایه شبکه عصبی است. از طرفی مقایسه خطای نوع اول و دوم این مدل با مدل پایه MLP نشان از کاهش معنی­دار خطاها و بهبود نتایج دارد. ضمناً مقایسه مقدار AUC نیز دال بر بهبود عملکرد مدل ترکیبی مبتنی بر الگوریتم ACO است.

 

جدول 8- خلاصه نتایج آزمایش برای ارزیابی توانمندی مدل ترکیبی MLP-ACO- آزمون فرضیه گروه سوم

سطح داده­ها	نوع مدل	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی مالی				دو سال قبل از وقوع درماندگی مالی
		دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
FVL	ANN-MLP	90.04	10.03	10.16	0.900	88.05	11.74	12.22	0.881	86.49	13.38	13.87	0.863
	MLP-ACO	95.41	4.70	4.67	0.955	92.15	7.78	7.79	0.922	90.11	10.14	10.23	0.901

منبع:  یافته های پژوهشگر

 

علاوه بر این، نتایج حاصل از آزمون فرضیه سوم طبق روش مقایسه میانگین 100 رکورد برای هر شاخص عملکرد براساس آزمون "من­ویتنی" و آزمون "t-test" طبق جدول شماره 9؛ دلالت بر معنی­دار بودن اختلاف بین میانگین معیارها برای دو مدل فوق داشته و شواهدی مبنی بر عدم پذیرش (رد) فرضیه سوم برای سال t، t-1 و t-2 در سطح خطای 5 درصد یافت نشده است.

 

جدول 9- خلاصه نتایج آزمون گروه فرضیه سوم مقایسه عملکرد مدل ترکیبی MLP-ACO  و مدل پایه MLP

معیار عملکرد الگو	سال وقوع درماندگی مالی					یکسال قبل از وقوع درماندگی					دو سال قبل از وقوع درماندگی
	دقت	α	β	AUC	دقت		α	β	AUC	دقت		α	β	AUC
آماره Z آزمون K-S	4.523 (0.000)	2.478 (0.000)	3.069 (0.000)	3.108 (0.000)	4.513 (0.000)		2.770 (0.000)	2.577 (0.000)	2.832 (0.000)	4.361 (0.000)		2.500 (0.000)	2.513 (0.000)	2.613 (0.000)
آماره U آزمون من ویتنی	-12.219 (0.000)	-12.218 (0.000)	-12.217 (0.000)	-12.224 (0.000)	-12.221 (0.000)		-12.217 (0.000)	-12.217 (0.000)	-12.223 (0.000)	-12.219 (0.000)		-12.218 (0.000)	-12.217 (0.000)	-12.225 (0.000)
آماره T آزمون t-test	-328.395 (0.000)	40.554 (0.000)	50.632 (0.000)	-64.658 (0.000)	-217.497 (0.000)		39.127 (0.000)	40.214 (0.000)	-48.693 (0.000)	-97.505 (0.000)		26.685 (0.000)	35.968 (0.000)	-44.126 (0.000)

منبع:  یافته­های پژوهشگر

 

 

آزمون فرضیه چهارم: توانایی مدل ترکیبی MLP-ACO در پیش­بینی درماندگی مالی با ورود متغیرهای اقتصادی افزایش می­یابد.

دقت پیش­بینی درماندگی براساس مدل MLP-ACO برای سال وقوع درماندگی، یک سال و دو سال قبل از آن (با اضافه نمودن متغیرهای اقتصادی) طبق جدول شماره 10 به ترتیب معادل 95.52، 92.30و 90.71 درصد است که نشان­دهنده بهبود عملکرد مدل MLP-ACO با ورود متغیرهای اقتصادی بوده است. مقایسه خطای نوع اول و دوم مدل MLP-ACO با نتایج همین مدل بر اساس داده­های سطح شرکت، نشان از کاهش معنی­دار خطاها و بهبود نتایج دارد. همچنین مقایسه مقدار AUC نیز دال بر بهبود عملکرد این مدل با ورود متغیرهای اقتصادی می­باشد.

 

جدول 10- خلاصه نتایج برای ارزیابی توانمندی مدل ترکیبی MLP-ACO- آزمون فرضیه گروه چهارم

سطح داده­ها	نوع مدل	سال وقوع درماندگی				یکسال قبل از وقوع درماندگی					دو سال قبل از وقوع درماندگی
		دقت	α	β	AUC		دقت	α	β	AUC	دقت	α	β	AUC
FVL+EVL	MLP-ACO	95.52	4.23	4.36	0.954		92.30	7.54	7.64	0.922	90.71	9.17	9.05	0.903
FVL	MLP-ACO	95.41	4.70	4.67	0.955		92.15	7.78	7.79	0.922	90.11	10.14	10.23	0.901

منبع:  یافته های پژوهشگر

 

علاوه بر این نتایج حاصل از آزمون فرضیه چهارم طبق روش مقایسه میانگین 100 رکورد برای هر شاخص عملکرد براساس آزمون "من­ویتنی" و آزمون "t-test" طبق جدول شماره 11؛ دلالت بر معنی­دار بودن اختلاف بین میانگین معیارها برای دو مدل فوق داشته و شواهدی مبنی بر عدم پذیرش (رد) فرضیه چهارم برای سال t، t-1 و t-2 در سطح خطای 5 درصد یافت نشده است.

 

جدول 11-خلاصه نتایج آزمون فرضیه چهارم مقایسه عملکرد مدل ترکیبیMLP-ACO  با ورود داده­های اقتصادی (ELV)

معیار عملکرد الگو	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی				دو سال قبل از وقوع درماندگی
	دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
آماره Z آزمون K-S	4.404 (0.000)	2.975 (0.000)	2.888 (0.000)	2.951 (0.000)	4.254 (0.000)	2.879 (0.000)	2.422 (0.000)	2.565 (0.000)	4.016 (0.000)	2.43 (0.000)	1.272 (0.078)*	3.099 (0.000)
آماره U آزمون من ویتنی	-12.219 (0.000)	-12.218 (0.000)	-12.218 (0.000)	-12.224 (0.000)	-12.219 (0.000)	-12.218 (0.000)	-12.217 (0.000)	-12.223 (0.000)	-12.223 (0.000)	-12.223 (0.000)	-12.202 (0.000)	-12.255 (0.000)
آماره T آزمون t-test	-232.605 (0.000)	47.957 (0.000)	47.153 (0.000)	-54.609 (0.000)	-127.372 (0.000)	36.928 (0.000)	32.488 (0.000)	-43.631 (0.000)	-78.521 (0.000)	34.117 (0.000)	23.673 (0.000)	-41.876 (0.000)

* آزمون t-test معنی­دار بودن تفاوت میانگین­هارا در دو مدل تایید نموده است.

منبع:  یافته­های پژوهشگر

 

آزمون فرضیه پنجم: با توجه به اهمیت سنجش جداگانه تاثیر متغیرهای درون شرکتی (FVL) و اقتصادی (EVL)، فرضیه پنجم در قالب فرضیه فرعی اول و دوم تحلیل شده است:

• فرضیه فرعی اول: توانمندی مدل ترکیبی MLP-GOA نسبت به مدل ترکیبی MLP-ACO، در پیش­بینی درماندگی مالی براساس متغیرهای درون شرکتی بیشتر است.
• فرضیه فرعی اول: توانمندی مدل ترکیبی MLP-GOA نسبت به مدل ترکیبی MLP-ACO در پیش­بینی درماندگی مالی، با ورود متغیرهای کلان اقتصادی بیشتر می­شود.

با توجه به جمعبندی ارایه شده در ارتباط با فرضیه­های اول و سوم و به منظور مقایسه این دو و آزمون فرضیه پنجم (فرعی اول) طبق جدول شماره 12؛ دقت پیش­بینی درماندگی مالی براساس مدل ترکیبیMLP-GOA  برای سال وقوع درماندگی، یک سال و دو سال قبل از آن به کمک داده­های درون شرکتی (FVL) به ترتیب معادل 97.3، 94.5 و 91.3 بوده که همین معیار برای مدل ترکیبی MLP-ACO به ترتیب معادل 95.4، 92.2 و 90.1 بوده است که نشان­دهنده توانمندی و برتری مدل MLP-GOA نسبت به مدل MLP-ACO می­باشد. بعلاوه مقایسه خطای نوع اول و دوم مدل MLP-GOA با مدل  MLP-ACOنشان از کاهش معنی­دار خطاها و بهبود نتایج مدل مبتنی بر الگوریتم GOA دارد. ضمناً مقایسه مقدار AUC نیز دال بر اثبات این برتری است.

 

 

 

 

جدول 12- خلاصه نتایج برای ارزیابی توانمندی مدل ترکیبی MLP-GOA و MLP-ACO برای آزمون فرضیه پنجم (فرعی اول)

سطح داده­ها	نوع مدل	سال وقوع درماندگی مالی					یکسال قبل از وقوع درماندگی مالی					دو سال قبل از وقوع درماندگی مالی
		دقت	α	β	AUC	دقت		α	β	AUC	دقت		α	β	AUC
FVL	MLP-ACO	95.41	4.70	4.67	0.955	92.15		7.78	7.79	0.922	90.11		10.14	10.23	0.901
FVL	MLP-GOA	97.30	2.77	2.27	0.974	94.53		5.16	5.19	0.947	91.30		8.63	8.42	0.913

منبع:  یافته­های پژوهشگر

 

همچنین با توجه به نتایج فرضیه­های دوم و چهارم و جهت آزمون فرضیه پنجم (فرعی دوم) طبق جدول شماره 13؛ دقت پیش­بینی درماندگی مالی بر اساس مدل MLP-GOA طی بازه زمانی تحقیق برای سال وقوع درماندگی، یک سال و دو سال قبل از آن (با ورود داده­های اقتصادی علاوه بر داده­های درون شرکتی) به ترتیب معادل 97.53، 94.78 و 91.98 درصد است و این دقت برای مدل MLP-ACO به ترتیب معادل 95.52، 92.30 و 90.71  درصد است که نشان­دهنده برتری مدل MLP-GOA است. از طرفی مقایسه خطای نوع اول و دوم و مقدار AUC مدل MLP-GOA با مدل  MLP-ACO نشان از کاهش معنی­دار خطاها و بهبود نتایج مدل مبتنی بر الگوریتم GOA دارد.

 

جدول 13- خلاصه نتایج برای ارزیابی توانمندی مدل ترکیبی MLP-GOA و MLP-ACO برای آزمون فرضیه پنجم (فرعی دوم)

سطح داده­ها	نوع مدل	سال وقوع درماندگی مالی				یکسال قبل از وقوع درماندگی مالی				دو سال قبل از وقوع درماندگی مالی
		دقت	α	β	AUC	دقت	α	β	AUC	دقت	α	β	AUC
FVL+ELV	MLP-ACO	95.52	4.23	4.36	0.954	92.30	7.54	7.64	0.922	90.71	9.17	9.05	0.903
FVL+ELV	MLP-GOA	97.53	2.62	2.74	0.976	94.78	5.08	4.92	0.947	91.98	8.11	8.18	0.918

منبع:  یافته­های پژوهشگر

 

علاوه بر این نتایج حاصل از آزمون فرضیه­های فرعی اول و دوم، طبق روش مقایسه میانگین 100 رکورد برای هر معیار براساس آزمون "من­ویتنی" و آزمـون "t-test" در جدول شماره 14؛ دلالت بر معنی­داربودن اختلاف میانگین در معیارهای عملکرد مدل­ها در هریک از فرضیه­های مذکور داشته و شواهدی مبنی بر عدم پذیرش (رد) فرضیه فرعی اول و دوم برای سال t، t-1 و t-2 در سطح خطای 5 درصد یافت نشده است.

 

جدول 14- خلاصه نتایج آزمون فرضیه پنجم؛ مقایسه عملکرد مدل ترکیبی MLP-GOA  و مدل پایه MLP-ACO

فرضیه پنجم	معیار عملکرد الگو
		آزمون K-S (آماره Z)	آزمون من ویتنی (آماره U)	آزمون t-test (آماره T)	آزمون K-S (آماره Z)	آزمون من ویتنی (آماره U)	آزمون t-test (آماره T)
سال وقوع درماندگی (سال t)	دقت	4.017 (0.000)	-12.220 (0.000)	125.134 (0.000)	3.939 (0.000)	-12.219 (0.000)	119.173 (0.000)
	خطای نوع اول (α)	1.937 (0.001)	-11.456 (0.000)	-17.661 (0.000)	1.970 (0.001)	-11.182 (0.000)	-16.584 (0.000)
	خطای نوع دوم (β)	1.444 (0.031)	-12.218 (0.000)	-24.718 (0.000)	1.542 (0.017)	-11.339 (0.000)	-17.844 (0.000)
	AUC	1.566 (0.015)	-11.940 (0.000)	23.408 (0.000)	1.885 (0.002)	-12.209 (0.000)	29.720 (0.000)
یکسال قبل از وقوع درماندگی (سال t-1)	دقت	4.357 (0.000)	-12.222 (0.000)	188.377 (0.000)	4.147 (0.000)	-12.220 (0.000)	139.500 (0.000)
	خطای نوع اول (α)	1.625 (0.010)	-12.217 (0.000)	-25.111 (0.000)	2.537 (0.000)	-12.218 (0.000)	-27.005 (0.000)
	خطای نوع دوم (β)	1.756 (0.004)	-11.973 (0.000)	-24.472 (0.000)	1.888 (0.002)	-12.217 (0.000)	-24.436 (0.000)
	AUC	1.849 (0.002)	-12.184 (0.000)	27.906 (0.000)	1.978 (0.001)	-12.214 (0.000)	32.614 (0.000)
دو سال قبل از وقوع درماندگی (سال t-2)	دقت	3.646 (0.000)	-12.181 (0.000)	32.548 (0.000)	2.859 (0.000)	-12.229 (0.000)	47.414 (0.000)
	خطای نوع اول (α)	1.671 (0.008)	-8.417 (0.000)	-11.166 (0.000)	1.788 (0.003)	-7.590 (0.000)	-10.094 (0.000)
	خطای نوع دوم (β)	1.220  (0.102)*	-10.819 (0.000)	-17.255 (0.000)	2.959 (0.000)	-5.627 (0.000)	-7.095 (0.000)
	AUC	1.313 (0.064)*	-10.156 (0.000)	13.511 (0.000)	1.917 (0.001)	-11.445 (0.000)	18.475 (0.000)
* آزمون t-test معنی­دار بودن تفاوت میانگین این معیار را در دو مدل تایید نموده است.

منبع:  یافته­های پژوهشگر

 

در مجموع نتایج آزمون فرضیه پنجم (فرعی اول و دوم) نشان از برتری مدل ترکیبی مبتنی بر الگوریتم GOA داشته که به نحو مناسب­تری نسبت به الگوریتم ACO عملکرد مدل پایه شبکه عصبی پرسپترون چند لایه را بهبود داده است و با دقت بالاتری درماندگی مالی شرکت­ها را در سال وقوع درماندگی مالی تا دو سال قبل از آن پیش­بینی نموده است و علاوه بر این اثر ورود متغیرهای اقتصادی بر بهبود عمـلکرد همه مدل­ها به نحو معنی­داری افزایشی بوده است.

6- بحث و نتیجه­گیری

در تئوری حسابداری مبتنی بر پیش­بینی، مدیریت با استفاده از شاخص سودمندی اطلاعات حسابداری و بکارگیری انواع شیوه­ها و روش­های آماری در صدد است تا ضمن ارزیابی وضعیت مالی فعلی واحد اقتصادی، وضعیت آتی آن را نیز پیش­بینی نمایند. امروزه فعالیت در یک محیط اقتصادی بسیار متغیر و رقابتی دستیابی به سود را برای واحدهای اقتصادی محدودتر نموده و احتمال درماندگی مالی آنها را افزایش داده است. بسیاری از محققان باتوجه به متغیرهای مبتنی بر صورت­های مالی شامل نسبت­های مالی و سایر متغیرهای مالی و غیرمالی درون شرکتی، توانسته­اند الگوها و مدل­هایی را برای پیش­بینی و توضیح درماندگی مالی ارائه نمایند. به نظر می­رسد در کنار هم قرار گرفتن مجموعه­ای از متغیرهای درون شرکتی و اقتصادی و بکارگیری تکنیک­های نوین داده­کاوی می­تواند به ما در ارزیابی دقیق­تر احتمال درماندگی مالی کمک نماید. شبکه­های عصبی مصنوعی به دلیل مزایای منحصر بفرد آن، بصورت جداگانه و همچنین بصورت ترکیبی با سایر تکنیک­ها و الگوریتم­های فراابتکاری، در سطح وسیعی از حوزه­های مختلف علوم از جمله مهندسی، پزشکی، اقتصاد، مدیریت و ... بکار گرفته می­شوند. در این دسته از الگوریتم­های ترکیبی یا پیوندی، از مزایای هر دو الگوریتم بهره­برداری شده و تا حدودی ایرادات جداگانه هریک از آنها نیز برطرف می­گردد (صفوی و همکاران، 1393).

نتایج این تحقیق نشان داد که شبکه­های عصبی مصنوعی و الگوریتم­های فراابتکاری به دلایلی چون تبیین درصد بیشتری از واقعیات مسئله، وابسته نبودن به شکل تابع برآوردی (خطی، غیرخطی و ...) در روش­های رگرسیونی، عدم وابستگی به استقلال خطی متغیرهای مستقل از یکدیگر و همچنین وابسته نبودن به پیش فرض نرمال بودن توزیع متغیرهای مستقل و وابسته از نتایج دقیق­تر و قابل اتکاتری نسبت به روش­های کلاسیک مبتنی بر رگرسیون برخوردار است. تحلیل داده­های درون شرکتی (مالی و غیرمالی) نشان داد که مدل پایه ANN-MLP درماندگی مالی شرکت­ها را به با دقت بالایی پیش­بینی نموده است که همسو با یافته­های تحقیقات مشابه از جمله پورزمانی و کلانتری (1392)، مهرآذین و همکاران (1392)، جی و همکاران (2019)، رحیمی و همکاران (1400) و الحسینی و همکاران (2022) در خصوص توانایی مدل­های شبکه عصبی مصنوعی در پیش­بینی درماندگی مالی شرکت­ها بوده است. همچنین یافـته­های تحقیق توانمندی الگوریتم GOA در بهبود عمـلکرد مـدل پایه ANN-MLP را نشان دادند که همسو با نتایج تحقیقات در زمینه توانمندی این الگوریتم در حل مسایل مختلف از جمله مطالعه جی­لو و همکاران (2018) در حوزه پیش­بینی درماندگی مالی و تحقیق میرعلوی، پورزمانی و جهانشاد (1398) در پیش­بینی قیمت سهام بوده است. علاوه بر این بهبود عملکرد مدل پایه شبکه عصبی توسط الگوریتم فراابتکاری ACO همسو با نتایج مطالعات مهرانی و زارع­زادگان (1392)، رضایی و نژاد تولمی (1393)، تقی­زاده و همت­فر (1394) و فلاح­پور و ارم (1395) در زمینه پیش­بینی درماندگی مالی بوده است.

اثبات توانمندی مدل­های پایه و ترکیبی مذکور در پیش­بینی درماندگی مالی براساس متغیرهای درون شرکتی، دلالت بر تایید صاحبنظران معتقد به تاثیر اطلاعات حسابداری در ارزیابی تداوم فعالیت بنگاه اقتصادی و تشخیص ریسک درماندگی مالی نظیر کانر (1974) و پنمن (2013) بوده و همراستا با نتایج اغلب تحقیقات انجام شده در زمینه پیش­بینی درماندگی مالی با استفاده از اطلاعات مالی مانند تحقیقات مرتبط با ابداع مدل­های کلاسیک ورشکستگی و نیز مطالعات اشاره شده در بخش بیشینه این تحقیق می­باشد. همچنین نتایج نشان داد که کاهش توانمندی همه مدل­ها در پیش­بینی درماندگی مالی از سال وقوع تا دو سال قبل از آن، از الگوی یکسانی تبعیت نموده است که با منطق کاهش توان توضیحی متغیرها با فاصله گرفتن از سال وقوع درماندگی مالی مطابقت دارد.

همچنین یافته­های این پژوهش نشان داد که با ورود متغیرهای کلان اقتصادی مانند رشد اقتصادی، درآمد سرانه، نرخ تورم، نرخ بهره و تغییرات نرخ ارز، کارایی مدل پایه و مدل ترکیبی MLP-GOA در پیش­بینی درماندگی مالی در حد معنی­داری افزایش یافته است. این نتایج تاییدکننده یافته­های مطالعات دیگری از جمله ابراهیمی سروعلیا و همکاران (1397)، طالب­نیا و همکاران (1388)، لی و آندریوا (2015)، هرناندز و ویلسون (2013)، فونتین و همکاران (2017) و برگ بید و همکاران (1400) درخصوص توان توضیحی درماندگی مالی با استفاده از متغیرهای اقتصادی در کنار متغیرهای مالی و حسابداری بوده است. میزان بهبود عملکرد مدل­ها با ورود متغیرهای اقتصادی دلالت بر این موضوع دارد که توان توضیح درماندگی مالی، بیشتر متاثر از متغیرهای مالی درون شرکتی بوده و در واقع اثر متغیرهای اقتصادی قبلاً از طریق اثر بر متغیرهای مالی (رویدادهای مالی ثبت شده در سیستم حسابداری) لحاظ شده است. همچنین مقایسه توانمندی الگوریتم های GOA و ACO در پیش­بینی درماندگی مالی براساس متغیرهای درون شرکتی و اقتصادی طی بازه زمانی 7 ساله تحقیق در سال وقوع درماندگی مالی تا دو سال قبل از آن دلالت بر برتری الگوریتم GOA نسبت به الگوریتم ACO داشته و تاییدکننده نتایج مورد انتظار ابداع­کنندگان الگوریتم GOA (صارمی و همکاران، 2017) درخصوص قابلیت های آن در حل مسایل مختلف بوده است.

نتایج این تحقیق می­تواند توسط مدیران، بانک­ها و موسسات اعتباری، شرکت­های رتبه­بندی و بیمه­ای و همچنین سایر فعالان بازار سرمایه اعم از سرمایه­گذاران بالفعل و بلقوه و نیز شرکت­های سرمایه­گذاری در ارزیابی ریسک درماندگی مالی (برمبنای معیار تداوم فعالیت) مورد استفاده قرار گیرد؛ تا هر یک حسب نیاز اطلاعاتی خود بر اساس آن، تصمیمات و اقدامات لازم را اتخاذ نمایند. همچنین حسابرسان داخلی و کمیته حسابرسی داخلی شرکت­ها می­توانند با استفاده از چنین تکنیک­هایی، مکانیزم­های اعلام ریسک درماندگی مالی با استفاده از متغیرهای مختلف و سایر شواهد دیگر طراحی نمایند. برنامه­نویسان نیز می­توانند به منظور بکارگیری گسترده تکنیک­های فراابتکاری در پیش­بینی درماندگی مالی، نسبت به طراحی و عرضه نرم­افزارهای ساده و کاربردی اقدام نمایند. همچنین به اساتید، دانشجویان و سایر محققان پیشنهاد می­شود تا از نتایج و روش این تحقیق در پژوهش­های آتی و همچنین بکارگیری سایر الگوریتم­های معرفی شده در سال­های اخیر استفاده نمایند. نتایج چنین تحقیقی و استفاده از مدل این تحقیق می­تواند مسئولین و مقامات دولتی و بخش عمومی را در ارزیابی ریسک درماندگی مالی شرکت­های این بخش به منظور انجام اقدامات اصلاحی پیشگیرانه و یا تصمیم­گیری درخصوص واگذاری شرکت­های مذکور، کمک نماید.

 

 

[1]- گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. [e-mail]

[2]- گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.(نویسنده مسئول) [e-mail]

[3]- گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران. [e-mail]

[4] Financial Distress Predicting System (FDPS)

[5] Higgins

[6] Ravi Kumar & Ravi

[7] Jie, S. et al,

[8] Timmermann & Granger

[9] Grasshopper Optimization Algorithm (GOA)

[10] Multilayer Perceptron Artificial Neural Network (MLP)

[11] Ant Colony Optimization Algorithm

[12] Weston J. F. & E.T. Copeland

[13] Daubie & Meskens

[14] Acosta

[15] Alifiah, M. N., Norhana S., & Ismail A.                                  

[16] Li, Z. Crook, J. & Andreeva, G.

[17] Hernandez, M. & Wilson, N.

[18] Fontaine et al.

[19] Cross-Variables

^[20] Class-imbalanced Data Stream

[21] Cladera et al.

[22] Minhas, A.

[23] Adaptive Whale Optimization Algorithm (AWOA)

[24] Fosu, S.

[25] Herfindal-Herishman Index

[26] Ugur, M.

[27] DeAngelo, et al.

[28] Dickinson, V.

[29]  10-fold Cross Validation

[30]  Overfitting

[31] Receiver Operation Characteristic (ROC)

[32] Levene's Test

مراجع

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.