پیش بینی ورشکستگی شرکت ها مبتنی بر سیستم های هوشمند ترکیبی

با توجه به شرایط رقابتی اقتصاد کشورها و بحران های اقتصادی ایجاد شده در سطح بین المللی و داخل کشور، نیاز به یک مدل مناسب برای پیش بینی ورشکستگی شرکت های کشور احساس می شود. تصمیم گیران کلان اقتصادی، سازمان های اقتصادی کشور و سیستم بانکی با استفاده از این مدل ها توانایی اتخاذ تصمیمات دقیق تر و با عوارض کمتری را دارا خواهند بود. همچنین مدل های فوق در سطح خرد نیز برای تصمیم گیری برای سرمایه گذاری های آتی قابل استفاده می باشد. در این تحقیق با پیاده سازی یک سیستم منسجم و هوشمند مبتنی بر شبکه عصبی، ماشین های بردار پشتیبان و یادگیری تشدید شده و در کنار آن استفاده از الگوریتم های بهینه سازی رقابت استعماری، الگوریتم فرهنگی و جستجوی هارمونی سعی شده است تا حد امکان نواقص مدل های پیشین در سطح بین الملل رفع شود. علاوه بر آن با همکاری سازمان امور مالیاتی کشور مقیاس بررسی سیستم به داده های کل کشور تعمیم یافته است که بررسی در ابعاد فوق در سطح بین الملل منحصر به فرد می باشد. تعداد نمونه های مورد بررسی در صنعت موادغذایی و نساجی به ترتیب برابر با ۵۸۲۵ و ۴۰۸۹ می باشد که با اعمال معیار قانونی ورشکستگی به ترتیب ۹۹۹ و ۸۴۸ نمونه شرایط ورشکستگی را در دو سال مورد بررسی دارا بوده اند. نتایج نشان دهنده برتری عملکرد ترکیب ماشین بردار پشتیبان با الگوریتم های بهینه سازی جستجوی هارمونی و رقابت استعماری در شرایط عدم حذف داده های پرت می باشد 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 ۵۸۲۵ and ۴۰۸۹ respectively in the food and textile sectors, and by applying bankruptcy criteria ۹۹۹ and ۸۴۸ 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.