نقش نسبت‎های مالی تصویری در پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل شبکه‌های عصبی کانولوشن و مقایسه آن با مدل‌های سنتی

Abstract

هدف: هدف پژوهش حاضر، آزمون به‎کارگیری نسبت‎های مالی تصویری برای پیش‎بینی ورشکستگی شرکت‎ها با استفاده از شبکه عصبی کانولوشن و مقایسۀ آن با مدل‎های سنتی است. روش: دوره زمانی پژوهش 1388 تا 1397 بوده است. شرکت‎های نمونه از بین شرکت‎های پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل 66 شرکت ورشکسته و 66 شرکت غیر ورشکسته انتخاب شده‎اند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبت‎های مالی به‎عنوان داده‎های پژوهش از طریق نرم‎افزار متلب 2019 به تصویر تبدیل شد، سپس به‎کمک شبکه عصبی کانولوشن و تحت معماری گوگل‎نت به تشخیص و پیش‎بینی وضعیت شرکت‎های نمونه اقدام شد. یافته‌ها: مدل شبکه­های عصبی کانولوشن از روی تصاویر، با دقت 50 درصد شناخت و پیش‎بینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدل‎های آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشان‎دهندۀ عدم تأیید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود. نتیجه‌گیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب می‎شود، بر پیش‎بینی ورشکستگی از طریق نسبت‎های مالی تصویری تأثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیۀ اول، سه مدل کاربردی پیش‎بینی ورشکستگی شامل مدل آلتمن (1983)، اسپرینگیت (1978) و زیمسکی (1984) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تأیید نکرد.