سامانهٔ هوشمند هشدار زودهنگام ورشکستگی بنگاهها با یادگیری ماشین تبیینپذیر و تحلیل عدمتوازن دادهها
سامانهٔ هوشمند هشدار زودهنگام ورشکستگی بنگاهها با یادگیری ماشین تبیینپذیر و تحلیل عدمتوازن دادهها
پریسا قهرمان شهرکی1
1) مهندس کامپیوتر
کد IOI مقاله
:
AAHC-ABKKCA
محل انتشار :
کنفرانس ملی مدیریت، تجاری سازی، اقتصاد دانش بنیان و سرمایه گذاری برای تولید(impeb.ir)
چکیده :
ورشکستگی بنگاهها پیامدهای گستردهای برای سرمایهگذاران، اعتباردهندگان، کارکنان و پایداری اقتصادی دارد؛ ازاینرو، شناسایی زودهنگام شرکتهای در معرض خطر میتواند به تصمیمگیری بهموقع و مداخلهٔ پیشگیرانه کمک کند. هدف این پژوهش، توسعهٔ یک سامانهٔ هوشمند و تبیینپذیر برای هشدار زودهنگام ورشکستگی بنگاهها، با توجه همزمان به عدمتوازن کلاسها، دادههای گمشده، افزونگی نسبتهای مالی و قابلیت تفسیر مدل است. دادهٔ اصلی پژوهش از مجموعهدادهٔ شرکتهای لهستانی انتخاب شد و فایل پنجسالهٔ آن پس از حذف ردیفهای تکراری شامل ۵٬۸۵۰ شرکت و ۶۴ نسبت مالی بود که ۴۰۸ شرکت ورشکسته را دربر میگرفت. دادهها بهصورت طبقهبندیشده به مجموعههای آموزش و آزمون تقسیم شدند. مقادیر گمشده با میانهٔ دادههای آموزش جایگزین و برای متغیرهای دارای گمشدگی معنادار، شاخصهای دودویی گمشدگی ایجاد شد. پس از کنترل همبستگیهای بالا، ۵۸ ویژگی شامل ۴۷ نسبت مالی و ۱۱ شاخص گمشدگی برای مدلسازی حفظ شدند. عملکرد مدلهای رگرسیون لجستیک، جنگل تصادفی، XGBoost و CatBoost با راهبردهای وزندهی کلاس و SMOTENC مقایسه شد. مدل نهایی XGBoost وزندهیشده با آستانهٔ تصمیم ۰٫۶۵، در مجموعهٔ آزمون به دقت ۰٫۹۶۵۸، دقت مثبت ۰٫۷۵۶۱، فراخوانی ۰٫۷۵۶۱، امتیاز F1 برابر با ۰٫۷۵۶۱، ROC-AUC برابر با ۰٫۹۶۶۳ و PR-AUC برابر با ۰٫۸۳۱۱ دست یافت. تحلیل SHAP نشان داد که رشد فروش، هزینههای عملیاتی، سودآوری، نقدینگی، ساختار سرمایه و الگوی گمشدگی برخی نسبتهای مالی در پیشبینی ریسک نقش کلیدی دارند. همچنین، گروه «ریسک بحرانی» شامل ۶۲ شرکت، ۵۶ مورد از ۸۲ ورشکستگی واقعی را پوشش داد. اجرای مستقل همان چارچوب بر دادههای تایوانی نیز ROC-AUC برابر با ۰٫۹۵۷۹ را نشان داد. یافتهها بیانگر آن است که چارچوب پیشنهادی میتواند بهعنوان ابزار پشتیبان تصمیم برای اولویتبندی بررسیهای مالی و طراحی مداخلات زودهنگام به کار رود.
کلمات کلیدی : واژگان کلیدی پیشبینی ورشکستگی هشدار زودهنگام یادگیری ماشین تبیینپذیر xgboost shap عدمتوازن کلاسها نسبتهای مالی