پیش‌بینی ریسک ورشکستگی شرکت‌ها مبتنی بر صورت جریان وجوه نقد با استفاده از شبکه عصبی عددی‌ساز بردار یادگیر

پژوهش‌گران بسیاری، به پیش‌بینی ورشکستگی با استفاده از متغیرهای متعدد و روش‌های گوناگون پرداخته‌اند. با پیش‌بینی بحران مالی شرکت‌ها، می‌توان برنامه‌ریزی لازم را جهت جلوگیری از ورشکستگی آنها انجام داد. لذا یافتن روش‌هایی برای پیش‌بینی بحران که قبل از ورشکستگی اتفاق می‌افتد، بسیار حائز اهمیت بوده که در این زمینه اطلاعات حسابداری نقش بسزایی دارد. هدف این تحقیق استفاده از شبکه عصبی عددی‌ساز بردار یادگیر در طبقه‌بندی ریسک ورشکستگی شرکت‌های بورس اوراق بهادار تهران طی سال‌های 1395 تا 1400 است. بنابراین پس از جمع‌آوری داده‌ها از بورس اوراق بهادار تهران، داده‌های 250 شرکت جمع‌آوری شد که از این تعداد 175 شرکت سالم و 75 شرکت باقی‌مانده ورشکسته مالی بودند. در مرحله پیش‌پردازش پس از نرمال‌سازی خطی با استفاده از شبکه عصبی عددی‌ساز بردار یادگیر پیش‌بینی داده‌های ریسک ورشکستگی انجام شد و نتایج حاکی از دقت 97.6% و میانگین مربعات خطای 0.024 دارد. از طبقه‌بند k- نزدیک‌ترین همسایه در جهت مقایسه نتایج با شبکه عصبی عددی‌ساز بردار یادگیر استفاده شده است.

bankruptcy risk forecasting of companies based on cash flow statement using learning vector quantization neural network

many researchers have predicted bankruptcy using multiple variables and various methods. by predicting the financial crisis of companies, the necessary planning can be done to prevent their bankruptcy. therefore, it is very important to find methods to predict the crisis that happens before bankruptcy, and accounting information plays a significant role in this field. the purpose of this research is to use the neural network of the learning vector quatizer in the bankruptcy risk classification of tehran stock exchange companies during the years 1395 to 1400. therefore, after collecting the data from the tehran stock exchange, the data of 250 companies were collected, of which 175 companies were healthy and the remaining 75 companies were financially bankrupt. in the pre-processing stage, after linear normalization, the prediction of bankruptcy risk data was done using the learning vector quantizer neural network, and the results indicate an accuracy of 97.6% and a mean square error of 0.024. bagging and k-nearest neighbor classifiers have been used to compare the results with the learning vector quantizer neural network.