بررسی نظام‌مند مدل‌های پیش‌بینی ورشکستگی

هدف: هدف پژوهش حاضر بررسی نظام‌مند مدل‌های پیش‌بینی ورشکستگی در راستای ایجاد مدلی است که به‌عنوان راهنمایی برای انتخاب ابزار مناسب که بهترین انطباق را با داده‌های موجود و معیارهای کیفیت مدل‌های پیش‌بینی ورشکستگی دارد عمل کند.روش‌شناسی پژوهش: برای انجام این پژوهش، جستجوی سیستماتیک از database (web of science) با استفاده از کلیدواژه‌های bankruptcy، default، distress، failure، forecasting، predicting، prediction و insolvency بین سال‌های 2015 لغایت 2023 صورت پذیرفت. باتوجه‌به معیارهای ورود و خروج تعریف‌شده، حاصل این جستجو 1000 مقاله بود که درنهایت 49 مقاله از میان آن‌ها انتخاب و مورد تجزیه‌وتحلیل قرار گرفت. سپس یافته‌های به‌دست‌آمده از مقالات، در جداول خلاصه‌سازی وارد گردیده و در گام بعدی، مدل‌های بزرگ پیش‌بینی ورشکستگی بر اساس 9 معیار کلیدی با یکدیگر مقایسه و نتیجه‌گیری نهایی به عمل آمد.یافته‌ها: شبکه عصبی مصنوعی و ماشین‌های بردار پشتیبان دارای بیشترین دقت می‌باشند درحالی‌که تحلیل شخصیتی چندگانه دارای کمترین دقت است. همچنین شبکه عصبی مصنوعی و تحلیل شخصیتی چندگانه، درخت تصمیم‌گیری و رگرسیون لجستیک به نمونه آموزشی بزرگی نیاز دارند تا الگویی را منطقاً شناسایی کرده و طبقه‌بندی بسیار دقیقی ارائه دهند؛ اما استدلال مبتنی بر مورد، مجموعه‌های راف و ماشین‌های بردار پشتیبان می‌توانند با اندازه نمونه‌های کوچک کار کنند.اصالت / ارزش‌افزوده علمی: نتایج این پژوهش به درک کامل ویژگی‌های ابزارهای مورداستفاده برای توسعه مدل‌های پیش‌بینی ورشکستگی و کاستی‌های مربوط به آن‌ها کمک می‌کند.

systematic review of bankruptcy prediction models

bankruptcy is one of the important elements of the structure of the market system and its purpose is to protect socio-economic processes against the results of inefficient activities of members and non-fulfillment of obligations. as a result of bankruptcy, bankrupt companies are removed from the market economy, that is, resources are distributed from inefficient owners to those who do the most efficient work, which means that bankruptcy is one of the ways to improve the country's economy. bankruptcy prediction models designed to be as accurate as possible, but not sufficiently acceptable and interpretable from an economic point of view, are unlikely to be useful in practice. unlike linear regression techniques, new bankruptcy prediction models, such as neural networks and gradient boosting models that consider nonlinear relationships, do not clearly show how explanatory variables and bankruptcy probability are related. this often happens when there are non-linear relationships between the explanatory variables and the predictive or non-uniform effects of the explanatory variables on the probability of bankruptcy. an effective bankruptcy prediction model should show the true effects of the most important explanatory variables on the probability of bankruptcy and still be clear and interpretable. moreover, the main criterion for evaluating such a model should be how it affects the profitability of decision-making, rather than validity criteria based solely on probability or classification.