پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم کلونی مورچگان

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه مالی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران

2 کارشناس ارشد مدیریت بازرگانی‌ـ بیمه، دانشکدۀ مدیریت، دانشگاه تهران، تهران، ایران

چکیده

پیش‌بینی درماندگی مالی شرکت‌ها یکی از موضوعات مهمی است که به موفقیت و تداوم حیات شرکت‌ها کمک زیادی می‌کند. از جمله روش‌های هوشمندی که اخیرًا در حل مسائل پیش‌بینی و دسته‌بندی نتایج مطلوبی را به‌همراه داشته، روش الگوریتم کلونی مورچگان است. پژوهش حاضر به مطالعۀ پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم کلونی مورچگان می‌پردازد. جامعۀ آماری شامل شرکت‌های بورس اوراق بهادار تهران و نمونۀ استفاده‌شده شامل 174 شرکت درمانده و سالم بوده است. متغیرهای پیش‌بین بر‌اساس نسبت‌هایی انتخاب شدند که در نتایج تحقیقات قبلی به‌عنوان متغیرهای اصلی پیش‌بینی در مدل پیش‌بینی آنها ارائه شدند. مدل مقایسه‌ای استفاده‌شده در این پژوهش، مدل تحلیل ممیز چندگانه است. نتایج به‌دست‌آمده از تحقیق بیانگر آن است که روش الگوریتم کلونی مورچگان در پیش‌بینی درماندگی مالی شرکت‌ها، به‌طور معناداری نسبت به روش تحلیل ممیز چندگانه عملکرد بهتری دارد

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Predicting Companies Financial Distress by Using Ant Colony Algorithm

نویسندگان [English]

  • Saeid Fallahpour 1
  • Asghar Eram 2
1 MSc. in Business Management, Faculty of Management, University of Tehran, Tehran, Iran
2 Assistant Prof., Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]

Financial distress prediction of companies is one of the important issues that can contribute to the success and survival of companies; because providing warning and timely signals can make companies aware of financial distress and bankruptcy and, therefore, by a correct management, they can prevent waste of resources and the damage caused by bankruptcy.
Ant Colony Algorithm (ACA) is an intelligent method that was recently used to solve problems including classifications and predictions which had desired results. This study aims to investigate the financial distress prediction of companies using ant colony algorithm. The statistical population includes companies listed in Tehran Stock Exchange and the sample consists of 174 healthy and distressed companies. Predictor variables were selected from previous studies according to the ratios that were proposed as key variables in prediction model.
The results of the study indicate that the ACA approach in predicting financial distress of companies had significantly better performance than multiple discriminant analysis (MDA).

کلیدواژه‌ها [English]

  • Financial distress prediction
  • Multiple discriminant analysis
  • Ant colony Algorithm
امینی، پ. (1385). بررسی امکان سنجی استفاده از مدل فولمر برای تخمین ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. پایان نامه ارشد رشته حسابداری، دانشگاه تربیت مدرس.
رستمی، م.، فلاح شمس، م.، اسکندری، ف. (1390). ارزیابی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران: مطالعه مقایسه ای بین تحلیل پوششی داده‏ها و رگرسیون لوجستیک. پژوهش‌های مدیریت در ایران-مدرس علوم انسانی، دوره 15(3).
سپهری، م.، رحیمی مقدم، م. (1386). الگوریتم کلونی مورچگان و کاربردهای آن. انتشارات فرهنگ منهاج.
موسوی شیری، م.، طبرستانی، م. (1388). پیش‏بینی درماندگی مالی شرکت‏ها با استفاده از تحلیل پوششی داده‏ها. تحقیقات حسابداری، (2) 158-187.
فلاح پور، س. (1383). پیش‏بینی درماندگی مالی شرکتها با استفاده از شبکه های عصبی مصنوعی. پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران، تهران.
فلاح پور، س.، راعی، ر. (1387). کاربرد ماشین بردار پشتیبان در پیش‏بینی درماندگی مالی شرکتها با استفاده از نسبتهای مالی. فصلنامه بررسیهای حسابداری و حسابرسی، (4)15.
قادری، ا. (1390). بررسی اثر پارامترهای زمین شناسی مهندسی مؤثر در پهنه بندی خطر فرسایش با استفاده از الگوریتم بهینه سازی کلنی مورچگان. پایان نامه کارشناسی ارشد، دانشکده علوم پایه دانشگاه تربیت مدرس.
مرادی، م.، شفیعی سردشت، م.، ابراهیم پور، م. (1391). پیش‏بینی درماندگی مالی شرکتها بوسیله مدلهای ماشین بردار پشتیبان و تحلیل ممیزی چندگانه. فصلنامه بورس اوراق بهادار، 5(18).
معصومی، م. (1389). مقایسه روش‌های آماری و هوش مصنوعی در پیش‌بینی دررماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه تهران، تهران.
موسوی شیری، م.، طبرستانی، م. (1388). پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از تحلیل پوششی داده‏ها. تحقیقات حسابداری، (2) 158-187.
یاریفرد، ر. (1382). بررسی مدل‌های پیش‌بینی ورشکستگی(مدل‌های فولمر و اسپرینگت) در بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد حسابداری، دانشگاه مازندران.
Altman, E. I. (1968). Financial ratios, discriminant analysis and the Prediction of corporate bankruptcy.The Journal of Finance, 23 (4), 589- 609.
Anandarajan, M., Lee, P. & Anandarajan, A. (2004). Bankruptcy Predication Using Neural Networks: A Perspective from Accounting And Finance. Springer-Verlag.
Bellovary, J., Giacomino, D. & Akers, M. (2007). A Review of Bankruptcy Prediction Studies: 1930 to Present. Journal of Financial Education.
Brabazon, A. O’Neill, M. (2006).Biologically Inspired Algorithms for Financial Modelling. Springer-Verlag Berlin Heidelberg, Germany.
Chen, J. (2012). Developing SFNN models to predict financial distress of construction companies. Expert Systems with Applications, (39), 823–827.
Chiang Y.C., Et Al. (2010). A Hybrid Approach Of Dea, Rough Set And Support Vector Machines For Business Failure Prediction. Expert Systems with Applications, (37), 1535-1541.
Etemadi, H., Anvary Rostami, A. A., Farajzadeh Dehkordi, H. (2008). A genetic programming model for bankruptcy prediction: Empirical evidence from Iran. Expert Systems with Applications.
Goletsis, Y., Exarchos P., Themis, Katsis, Cheristos (2009). Can Ants Predict Bankruptcy? A Comparison of Ant Colony Systems to Other State-of-The-Art Computational Methods. New Mathematics and Natural Computation, 5(3), 571-588.
Wang, S., Wu, L., Zhang, Y., Zhou Z. (2009). Ant colony algorithm used for bankruptcy prediction. Second International Symposium on Information Science and Engineering, IEEE Computer Society.
Tsai, C. (2009). Feature Selection In Bankruptcy Prediction. Knowledge- ased Systems, (22), 120–127.
Xu, X., Wang, Y. (2009). Financial Failure Prediction Using Efficiency As A Predictor. Expert Systems With Applications, (36), 366-373.