به‌کارگیری الگوریتم جنگل تصادفی به منظور رتبه‌‌بندی مولفه‌‌های مدیریت سرمایه در گردش موثر بر وقوع درماندگی مالی

هدف: هدف اصلی این پژوهش، رتبه‌‌بندی میزان اهمیت هریک از مولفه‌‌های مدیریت سرمایه در گردش در پیش‌‌بینی وقوع درماندگی مالی شرکت‌‌ها است.روش: جامعۀ آماری متشکل از 167 شرکت پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌‌های 1397 تا 1401 است. در راستای دستیابی به هدف پژوهش، 7 مولفه از مهم‌‌ترین شاخص‌‌های مدیریت سرمایه در گردش اثر‌‌گذار بر درماندگی مالی انتخاب شده است. به‌علاوه، با استفاده از مدل پیش‌‌بینی درماندگی مالی زاوگین (1985) شرکت‌‌های نمونه به دو گروه درمانده و سالم طبقه‌‌بندی شدند؛ سپس در گام اول، با استفاده از الگوریتم جنگل تصادفی توان 7 شاخص منتخب مدیریت سرمایه در گردش در پیش‌‌بینی درماندگی مالی شرکت‌ها سنجیده شد.نتایج: نتایج پژوهش حاکی‌از آن است که شاخص‌‌های مدیریت سرمایه در گردش تا 85درصد می‌‌توانند در شناسایی و پیش‌‌بینی وضعیت درماندگی مالی شرکت‌‌ها موفق عمل کنند. در مرحلۀ دوم، رتبه‌‌بندی میزان اهمیت هریک از مولفه‌‌های سرمایه در گردش برای رسیدن به نمرۀ 85درصد در تشخیص درست کلاس شرکت‌‌ها با استفاده از ویژگی منحصربه‌فرد الگوریتم جنگل تصادفی در این زمینه صورت پذیرفت. یافته‌‌های پژوهش نشان می‌‌دهد که دورۀ وصول مطالبات، به طرز چشمگیری اهمیت بیشتری از سایر مولفه‌‌های سرمایه در گردش در پیش‌‌بینی درماندگی مالی دارد.

predicting financial distress through ranking working capital management components using random forest algorithm

the primary objective of this research was to analyze the relative importance of working capital management factors in predicting financial distress among companies. the study population consisted of 167 companies listed on the tehran stock exchange (tse) from 2019 to 2023.7 key working capital management indicators were selected based on their potential impacts on financial distress. using zavgr en’s (1985) financial distress prediction model, the sample companies were classified into distressed and healthy groups. in the first step, a random forest algorithm was employed to assess the predictive power of the seven working capital management indicators in classifying companies as distressed or healthy. the results indicated that these indicators could successfully identify and predict the financial distress status of the companies with up to 85% accuracy. in the second step, the unique feature of the random forest algorithm was leveraged to rank the importance of each working capital component in achieving this 85% classification accuracy. the findings showed that the average collection period (acp) was significantly more important than the other working capital components in predicting financial distress.