پیش‌بینی ورشکستگی بنگاه‌های اقتصادی قابل پذیرش در بورس برق و انرژی با استفاده از اتوماتای یادگیر

با توجه به آغاز به کار بورس برق و انرژی در سال 1391، ارائه‌ مشاوره‌های جانبی به سرمایه‌گذاران یکی از اولویت‌های توسعه و پیشرفت این بورس تازه‌ تاسیس‌، می‌باشد. پیش‌بینی ورشکستگی بنگاه‌های اقتصادی، نه تنها به سرمایه‌گذاران در اولویت‌دهی و جلوگیری از دست رفتن اصل و فرع سرمایه کمک می‌کند، بلکه تاثیر بسزایی در نحوه‌ اعتباردهی و در نتیجه جلوگیری از نابودی بنگاه اقتصادی خواهد داشت. در این مقاله، مساله‌ پیش‌بینی ورشکستگی بنگاه‌های اقتصادی مرتبط با حوزه‌ برق و انرژی، در محیط شرکت‌های ایران، بررسی می‌گردد. برای این منظور از اطلاعات 200 سالشرکت، از بین شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، در سال‌های 1380 تا 1388، استفاده شده است. در کلیه‌ مطالعات تعداد شرکت‌های ورشکسته و غیرورشکسته مساوی در نظر گرفته شده و شرکت‌های ورشکسته بر مبنای ماده‌ 141 قانون تجارت انتخاب شده‌اند. به منظور ایجاد یک رابطه‌ پیشنهادی برای پیش‌بینی ورشکستگی مالی شرکت‌های مرتبط با حوزه‌ برق و انرژی، از یک الگوریتم هوشمند مبتنی بر اتوماتای یادگیر استفاده شده است. مطابق نتایج ارائه شده، دقت مدل پیشنهادی برای داده‌های آموزش حدود 91% و بر روی داده‌های آزمون تقریباً 88% می‌باشد. با توجه آنالیز حساسیت‌های انجام‌شده، می‌توان نتیجه گرفت که مدل پیشنهادی نیازهای فنی و اقتصادی مساله را ارضاء نموده و می‌تواند به عنوان ابزاری برای پیش‌بینی ورشکستگی شرکت‌ها مورد استفاده قرار گیرد.

A Learning Automaton Based Algorithm for Bankruptcy Prediction of Acceptable Firms within Power and Energy Exchange

In today’s world, insurance of productive capital investment and reducing economic risk causes more fundraising and therefore the greatest economic boom cycle. One way to arrive capital investment security is to predict bankruptcy of a business unit. As the Iranian power and energy stock is going to start working by 2012, providing suitable bits of advice to investors would be a priority. This paper proposes a new solution approach for bankruptcy prediction of the Iranian power and energy industries. To do so, an evolutionary algorithm premised on Learning Automata is employed and adapted to the problem. Two sets of firms related to power and energy industries that are listed on the Tehran Stock Exchange (TSE) are selected as the training and test data, respectively. The developed algorithm is conducted on both train and test data, and the efficiency of the proposed method is evaluated via several scenarios. It was practically seen in simulations that the learning automatabased algorithm could achieve an accuracy of 91% and 88% over the train and test data, respectively. Besides these, the same data sets are also conducted by other methods such as MDA and Logit, and the obtained results are compared with reality. The yielded results prove the accuracy as well as the efficiency of the proposed solution technique