پيش‌بيني ورشكستگي با مدل يادگيري ماشين سريع مبتني بر كرنلِ بهينه‌شده با الگوريتم گرگ خاكستري

هدف: در عصر حاضر، كسب‌وكارها به اندازه‌اي توسعه يافته‌اند كه براي بقا در عرصه رقابت، به مديريت صحيح منابع و مصارف خود نيازمندند؛ چراكه بازار رقابتي انعطاف‌پذيري شركت‌ها را به‎شدت كاهش داده است و اين عامل باعث شده كه آنها در وضعيت‌هاي مختلف اقتصادي توانايي عكس‌العمل مناسب را نداشته باشند و از چرخه رقابت خارج شده و با خطر ورشكستگي مواجه شوند. بنابراين در اين پژوهش تلاش شده است كه به‌منظور پيشگيري از احتمال بروز چنين مخاطراتي، به پيش‌بيني ورشكستگي شركت‌هاي توليدي اقدام كنيم. روش: در اين پژوهش از «يادگيري ماشين سريع مبتني بر كرنل» استفاده شده كه يكي از مدل‌هاي هوش مصنوعي براي پيش‌بيني ورشكستگي است. با توجه به اينكه روش‌هاي يادگيري ماشين به الگوريتمي بهينه‌ساز نياز دارند، در اين پژوهش از يكي از به‌روزترين آنها به‎نام «الگوريتم گرگ خاكستري» بهره برده شده كه در سال 2014 ابداع شده است. يافته‌ها: مدل ياد شده روي داده‌هاي 136 نمونه از شركت‌هاي بورسي در بازه زماني 1394 تا پايان خرداد 1397، پياده‌سازي شد و در تمامي معيارهاي ارزيابي، مدل‌هاي طبقه‌بندي، دقت، خطاهاي نوع اول و دوم و ناحيه تحت منحني ROC، در مقايسه با الگوريتم ژنتيك، كارايي بهتري ارائه كرد و معناداري آن نيز از طريق آزمون ttest به تأييد رسيد. نتيجه‌گيري: با توجه به دقت بسيار خوب الگوريتم گرگ خاكستري و همچنين عملكرد بهتر آن در مقايسه با الگوريتم ژنتيك، مي‌بايست براي پيش‌بيني ورشكستگي شركت‌هاي توليدي ايران، چه براي اهداف سرمايه‌گذاري و اعتباردهي و چه به‌منظور استفاده مديريت داخلي شركت، از الگوريتم گرگ خاكستري بهره برد.