پیش‌بینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی

با توجه به شرایط رقابتی اقتصاد کشورها و بحران‌های اقتصادی ایجاد شده در سطح بین‌المللی و داخل کشور، نیاز به یک مدل مناسب برای پیش‌بینی ورشکستگی شرکت‌های کشور احساس می‌شود. تصمیم‌گیران کلان اقتصادی، سازمان‌های اقتصادی کشور و سیستم بانکی با استفاده از این مدل‌ها توانایی اتخاذ تصمیمات دقیق‌تر و با عوارض کمتری را دارا خواهند بود. همچنین مدل‌های فوق در سطح خرد نیز برای تصمیم‌گیری برای سرمایه‌گذاری‌های آتی قابل استفاده می‌باشد. در این تحقیق با پیاده‌سازی یک سیستم منسجم و هوشمند مبتنی بر شبکه عصبی، ماشین‌های بردار پشتیبان و یادگیری تشدید شده و در کنار آن استفاده از الگوریتم‌های بهینه‌سازی رقابت استعماری، الگوریتم فرهنگی و جستجوی هارمونی سعی شده است تا حد امکان نواقص مدل‌های پیشین در سطح بین‌الملل رفع شود. علاوه بر آن با همکاری سازمان امور مالیاتی کشور مقیاس بررسی سیستم به داده‌های کل کشور تعمیم یافته است که بررسی در ابعاد فوق در سطح بین‌الملل منحصر به فرد می‌باشد. تعداد نمونه‌های مورد بررسی در صنعت موادغذایی و نساجی به ترتیب برابر با ۵۸۲۵ و 4089 می‌باشد که با اعمال معیار قانونی ورشکستگی به ترتیب ۹۹۹ و ۸۴۸ نمونه شرایط ورشکستگی را در دو سال مورد بررسی دارا بوده‌اند. نتایج نشان دهنده برتری عملکرد ترکیب ماشین بردار پشتیبان با الگوریتم‌های بهینه‌سازی جستجوی هارمونی و رقابت استعماری در شرایط عدم حذف داده‌های پرت می‌باشد Abstract Due to the competitiveness of nations' economies and the recent financial crisis at both national and international levels, the need for an effective model to predict the bankruptcy of domestic companies is felt more than ever. Macroeconomic decision makers, economic agencies, and the banking system can benefit from this modeling to make more accurate decisions and reduce undesired outcomes. These models can also be used at the microeconomic level to help with decision-making for future investments.In this research, by implementing an intelligent and coherent system based on Artificial Neural Network (ANN), Support Vector Machine (SVM), Extreme Learning Machine (ELM), and utilizing Imperialist Competitive Algorithm (ICA), Cultural Algorithm (CA) and Harmony Search (HS), we have attempted to improve on the shortcomings of existing models used internationally. Furthermore, in a joint effort with the Iranian National Tax Administration (INTA), the evaluation scale has been extended to incorporate nationwide data which makes the scope of the work unprecedented in the world. The number of examined samples are 5825 and 4089 respectively in the food and textile sectors, and by applying bankruptcy criteria 999 and 848 samples were detected as bankrupt companies. We found the best performance in the combination of support vector machine with harmony search and imperialist competitive algorithm in terms of not using outlier detection.