فراتحلیل مقایسه مدل های رگرسیونی و هوش مصنوعی در پیش بینی ورشکستگی و نقش متغیرهای بازاری

پیش بینی ورشکستگی و شناخت متغیرهای پیش بین (بازاری یا حسابداری) برای صاحبان بدهی و صاحبان سهام هرکدام با اهدافی که دارند اهمیت خاصی دارد. هدف این پژوهش مقایسه فراتحلیلی قدرت پیش بینی مدل هایی نظیر شبکه عصبی، رگرسیون لجستیک و غیره در هفت مرحله فراتحلیل است که در مطالعات تجربی قبلی اجرا شده است؛ سپس تناقض ها بر اساس ویژگی های مدل ها، نظیر نوع کشور، نوع پنجره ارزیابی، پایان دوره تخمین و فاصله داده تا ورشکستگی مورد آزمون استحکام قرار گرفته است. جامعه آماری شامل کلیه آزمون های تجربی در پیش بینی ورشکستگی است که در گزارش های علمی گذشته بین سال های ۱۹۸۰ تا ۲۰۲۴ منتشر شده است. پس از غربالگری ۳۰ مقاله فراتحلیل شد تا ۵۷۳ اندازه اثر برای آزمون دو فرضیه، به کمک نرم افزار سی ام ای محاسبه و مورد استفاده قرار گیرد. طبق نتایج هوش مصنوعی نسبت به رگرسیون و درخت تصمیم نسبت به کل مدل ها بیشترین دقت پیش بینی را داشته است. از طرفی با افزایش تعداد متغیرهای بازاری در مدل های پیش بینی ورشکستگی، دقت مدل افزایش می یابد؛ بنابراین به نظر می رسد بازار و سهامداران به موقع و به شکل مناسبی ورشکستگی شرکت را متوجه می شوند و نسبت به آن واکنش نشان می دهند.

کلیدواژه ها:

ورشکستگی ، شبکه عصبی ، هوش مصنوعی ، رگرسیون لجستیک ، فراتحلیل