فریدون مرادی - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
احمد یعقوب نژاد - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
آزیتا جهانشاد - گروه حسابداری، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

هدف این پژوهش ارزیابی توانمندی الگوریتم فراابتکاری بهینه سازی ملخ (GOA) در پیش بینی دقیق تر درماندگی مالی با استفاده از متغیرهای درون شرکتی (مالی و غیرمالی) و اقتصادی می باشد. روش این پژوهش بهبود عملکرد مدل پایه شبکه عصبی مصنوعی پرسپترون چندلایه (ANN-MLP) از طریق ایجاد مدل ترکیبی مبتنی بر الگوریتم ملخ (MLP-GOA) و مقایسه توانمندی آن با عملکرد مدل ترکیبی مبتنی بر الگوریتم کلونی مورچگان (MLP-ACO) می باشد. جامعه آماری پژوهش شرکت های فعال در بازار بورس اوراق بهادار تهران طی یک دوره ۷ ساله (از ۱۳۹۱ تا ۱۳۹۷) شامل ۴۷۶ شرکت بوده که در نهایت با حذف سیستماتیک، ۲۸۹ شرکت حایز شرایط (شامل ۲۰۲۳ مشاهده سال- شرکت) مورد بررسی و غربالگری قرار گرفته است. آزمون فرضیه ها برمبنای معیارهای ارزیابی ماتریس اغتشاش و منحنی ROC انجام شد. یافته ها توانمندی مدل پایه ANN-MLP در پیش بینی درماندگی مالی با استفاده از متغیرهای مالی و غیرمالی را اثبات نمود و علاوه بر آن، الگوریتم-های فراابتکاری از طریق مدل های MLP-GOA و MLP-ACO عملکرد مدل پایه شبکه عصبی را بهبود دادند. دقت مدل MLP-GOA برای سال وقوع درماندگی تا دو سال قبل از آن به ترتیب ۳/۹۷%، ۵/۹۴% و ۳/۹۱% بوده است که از دقت مدل پایه و مدل MLP-ACO نیز بیشتر بوده است. همچنین نتایج نشان داد که با ورود متغیرهای اقتصادی، اگر چه توانمندی کلیه مدل های پایه و ترکیبی به نحو معنی داری افزایش یافته است، لیکن درماندگی مالی بیشتر متاثر از متغیرهای درون شرکتی بوده و در واقع اثر متغیرهای اقتصادی بر این رخداد، قبلا از طریق اثر بر رویدادهای مالی ثبت شده در سیستم حسابداری، لحاظ شده است.

درماندگی مالی, متغیرهای مالی و اقتصادی, الگوریتم بهینه سازی ملخ (GOA), الگوریتم کلونی مورچگان (ACO) و شبکه عصبی مصنوعی پرسپترون چند لایه (MLP)