مدل‌بندی و تعیین توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها با استفاده از الگوریتم‌های هوش مصنوعی

هدف اصلی این پژوهش مدل‌بندی و تعیین توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها با استفاده از الگوریتم‌های هوش مصنوعی است. جامعه آماری پژوهش متشکل از 120 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1387-1398 است. در راستای دستیابی به اهداف پژوهش، ابتدا با مطالعه پژوهش‌های پیشین در حوزه درماندگی مالی 12 نسبت مالی اثرگذار بر ورشکستگی مالی انتخاب شده است. پس از محاسبه نسبت‌ها از آزمون مقایسه میانگین استفاده شده است تا نسبت‌هایی که تفاوت معناداری میان دو گروه ورشکسته و غیرورشکسته مالی دارند، برای محاسبه در مدل‌های پیش‌بینی در نظر گرفته شوند که نتایج نشان داد هر 12 متغیر برای استفاده در مدل‌ها مناسب هستند. سپس، به منظور بررسی توان مدیریت سرمایه در گردش در پیش‌بینی ورشکستگی مالی شرکت‌ها، به مقایسه مدل‌های پژوهش با توجه و بدون توجه به متغیر مدیریت سرمایه در گردش بر مبنای پنج مدل شبکه عصبی پرسپترون چند لایه، ماشین بردار پشتیبان، درخت تصمیم، رگرسیون لجستیک و تحلیل ممیزی چندگانه پرداخته شده است. نتایج مقایسه مدل‌های پیش‌بینی ورشکستگی نشان داد مدل شبکه عصبی پرسپترون چند لایه، نسبت به سایر مدل‌ها دارای بیشترین قدرت در پیش‌بینی شرکت‌ها از لحاظ ورشکستگی مالی و سالم بودن است. همچنین، نتایج مقایسه مدل‌ها نشان داد با توسعه مدل پژوهش، از طریق وارد کردن متغیر مدیریت سرمایه در گردش، خطای آموزش مدل شبکه عصبی پرسپترون چند لایه به مقدار 0.036 کاهش و بر دقت مدل تا 75 درصد افزوده می‌شود.

modeling and determining the power of working capital management in predicting corporate financial bankruptcy using artificial intelligence algorithms

the main purpose of this study is to model and determine the ability of working capital management in predicting financial bankruptcy of companies using artificial intelligence algorithms. the statistical population of the study consists of 120 companies listed on the tehran stock exchange during the years 2008-2019. in order to achieve the objectives of the research, first by studying previous research in the field of financial distress, 12 financial ratios affecting financial bankruptcy have been selected. after calculating the ratios, the mean comparison test was used to consider the ratios that have a significant difference between the two bankrupt and non-bankrupt financial groups for calculation in the forecasting models, which showed that all 12 variables are suitable for use in the models. then, in order to evaluate the ability of working capital management in predicting companies’ financial bankruptcy, to compare research models with and without working capital management variable based on five models of multilayer perceptron neural network, support vector machine, decision tree, logistic regression and multiple audit analysis is performed. the results of comparing bankruptcy prediction models showed that the multilayer perceptron neural network model has the highest power in predicting companies in terms of financial bankruptcy and soundness compared to other models. the results of comparing the models showed that with the development of the research model, by entering the working capital management variable, the training error of the multilayer perceptron neural network model is reduced to 0.036 and the accuracy of the model is increased to 75%.