تاثیر هوش مصنوعی و یادگیری ماشین بر پیشبینی ورشکستگی شرکتها با استفاده از دادههای غیرمالی

پیش بینی ورشکستگی شرکت ها از چالشهای کلیدی در مدیریت مالی است که با پیشرفت هوش مصنوعی (AI) و یادگیری ماشین (ML) تحولات چشمگیری یافته است. این پژوهش تاثیر استفاده از داده های غیرمالی، مانند کیفیت، مدیریت رضایت مشتری و تحلیل احساسات رسانه های اجتماعی را بر دقت پیش بینی ورشکستگی بررسی میکند. با استفاده از داده های شرکت های بورسی تهران در بازه ۱۳۹۵ تا ۱۴۰۳، سه الگوریتم یادگیری ماشین شامل شبکه های عصبی، مصنوعی جنگلهای تصادفی و ماشینهای بردار پشتیبان ارزیابی شدند. داده های غیرمالی با تکنیکهای پردازش زبان طبیعی پردازش و با متغیرهای مالی ترکیب شدند. یافته ها نشان داد که شبکه های عصبی مصنوعی با دقت ۸۹ و AUC-ROC برابر با ۰/۹۱ بهترین عملکرد را دارد. تکنیک های توضیح پذیری هوش مصنوعی (XAI) مانند SHAP نقش متغیرهای غیرمالی کلیدی مانند رضایت مشتری را برجسته کردند. نتایج حاکی از برتری مدلهای مبتنی بر داده های غیرمالی در مقایسه با مدلهای سنتی در شرایط عدم قطعیت اقتصادی است با این حال چالشهایی مانند کیفیت ناهمگن داده ها و نیاز به زیرساختهای محاسباتی پیشرفته مطرح هستند. این پژوهش چارچوبی نوین برای پیشبینی ورشکستگی ارائه میدهد که می تواند به تصمیم گیریهای پیشگیرانه مدیران مالی کمک کند پیشنهاد میشود تحقیقات آینده بر استانداردسازی داده های غیرمالی و توسعه مدلهای صنعت محور تمرکز کنند.

کلیدواژه ها:

هوش مصنوعی ، یادگیری ماشین ، پیش بینی ورشکستگی ، داده های غیرمالی