كاربرد الگوريتم هاي فراابتكاري در پيش بيني درماندگي مالي با استفاده از متغيرهاي مالي و غيرمالي درون شركتي و اقتصادي (الگوريتم هاي بهينه سازي مـلخ و كلوني مورچگان)

هدف اين پژوهش ارزيابي توانمندي الگوريتم فراابتكاري بهينه‌سازي ملخ (GOA) در پيش‌بيني دقيق‌تر درماندگي مالي با استفاده از متغيرهاي درون‌شركتي (مالي و غيرمالي) و اقتصادي مي‌باشد. روش اين پژوهش بهبود عملكرد مدل پايه شبكه عصبي مصنوعي پرسپترون چندلايه (ANN-MLP) از طريق ايجاد مدل تركيبي مبتني بر الگوريتم ملخ (MLP-GOA) و مقايسه توانمندي آن با عملكرد مدل تركيبي مبتني بر الگوريتم كلوني مورچگان (MLP-ACO) مي‌باشد. جامعه آماري پژوهش شركت‌هاي فعال در بازار بورس اوراق بهادار تهران طي يك دوره 7 ساله (از 1391 تا 1397) شامل 476 شركت بوده كه در نهايت با حذف سيستماتيك، 289 شركت حايز شرايط (شامل 2023 مشاهده سال- شركت) مورد بررسي و غربالگري قرار گرفته است. آزمون فرضيه‌ها برمبناي معيارهاي ارزيابي ماتريس اغتشاش و منحني ROC انجام شد. يافته‌ها توانمندي مدل پايه ANN-MLP در پيش‌بيني درماندگي مالي با استفاده از متغيرهاي مالي و غيرمالي را اثبات نمود و علاوه بر آن، الگوريتم-هاي فراابتكاري از طريق مدل‌هاي MLP-GOA و MLP-ACO عملكرد مدل پايه شبكه عصبي را بهبود دادند. دقت مــدل MLP-GOA براي سال وقوع درماندگي تا دو سال قبل از آن به ترتيب 97/3%، 94/5% و 91/3% بوده است كه از دقت مدل پايه و مدل MLP-ACO نيز بيشتر بوده است. همچنين نتايج نشان داد كه با ورود متغيرهاي اقتصادي، اگر چه توانمندي كليه مدل‌هاي پايه و تركيبي به نحو معني‌داري افزايش يافته است، ليكن درماندگي مالي بيشتر متاثر از متغيرهاي درون‌شركتي بوده و در واقع اثر متغيرهاي اقتصادي بر اين رخداد، قبلاً از طريق اثر بر رويدادهاي مالي ثبت شده در سيستم حسابداري، لحاظ شده است.