رویکرد مدیریتی در تحلیل درماندگی مالی بخش صنعت و معدن بازار سرمایه ایران با بکار گیری روش های یادگیری ماشین(nsgaii,abc)

تحلیل درماندگی مالی یک پدیده بااهمیت برای سرمایه‌گذاران، اعتباردهندگان و سایر استفاده‌کنندگان از اطلاعات مالی محسوب می‌شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می‌شود و می‌تواند هم برای مدیران و هم برای سرمایه‌گذاران و اعتباردهندگان مفید واقع شود. در این پژوهش، با استفاده از اطلاعات 1350 شرکت سال طی دوره 1387 الی 1395 در بخش صنعت و معدن بازار سرمایه ایران، به بررسی عوامل موثر بر درماندگی مالی و پیش‌بینی آن به‌وسیله روش‌های یادگیری ماشین (الگوریتم ژنتیک مرتب‌سازی نامغلوب چندهدفه و کلونی زنبور عسل) با استفاده از نرم‌افزار متلب 2017 پرداخته است. نتایج تحقیق حاکی از تاثیر غیرمستقیم نسبت مدیران غیرموظف و نسبت مالکان نهادی و تاثیر مستقیم مدیریت سود و اعتمادبه‌نفس کاذب مدیریت بر درماندگی مالی از بین سایر متغیر‌های مدیریتی می‎باشد. همچنین نتایج نشان می‌دهد که الگوریتم هوش مصنوعی توانایی پیش‌بینی درماندگی مالی را بااستفاده از شاخص‌های مدیریتی دارد و توانایی الگوریتم کلونی زنبور عسل از الگوریتم ژنتیک مرتب‌سازی نامغلوب چندهدفه جهت پیش‌بینی درماندگی مالی بیشتر می‌باشد.

Management Approach in Analysis of Financial Distress in the Industrial and Mine Industries of Iran By Using Machine Learning Methods (NSGAII, ABC)

Predicting financial distress is an important phenomenon for investors, creditors and other users of financial information. Determining the probability of a company’s distress before occurrence of distress and bankruptcy is considered as a very interesting and attractive subject and can be useful for both managers, and investors and creditors. In this study, using the data of 1350 year company in the period 2008 to 2016 in industry and mining sector in Iran, the factors affecting financial distress and predicting it through Intelligence Algorithms methods (NSGAII,ABC) have been studied. The results of the research indicate the indirect effect of the ratio of nonexecutive directors and the proportion of institutional owners and the direct effect of earnings management and management overconfidence on financial distress among other management variables. Also, the results show that the artificial intelligence algorithm can predict financial distress using management indicators and the ability of the ABC algorithm from NSGAII algorithm to predict financial distress is higher.