سامانه هوشمند هشدار زودهنگام ورشکستگی بنگاه ها با یادگیری ماشین تبیین پذیر و تحلیل عدم توازن داده ها

ورشکستگی بنگاهها پیامدهای گسترده ای برای سرمایه گذاران، اعتباردهندگان، کارکنان و پایداری اقتصادی دارد؛ از این رو شناسایی زودهنگام شرکت های در معرض خطر می تواند به تصمیم گیری به موقع و مداخله پیشگیرانه کمک کند. هدف این پژوهش توسعه یک سامانه هوشمند و تبیین پذیر برای هشدار زودهنگام ورشکستگی بنگاه ها با توجه هم زمان به عدم توازن کلاس ها، داده های گمشده، افزونگی نسبت های مالی و قابلیت تفسیر مدل است. داده اصلی پژوهش از مجموعه داده شرکت های لهستانی انتخاب شد و فایل پنج ساله آن پس از حذف ردیف های تکراری شامل ۵۸۵۰ شرکت و ۶۴ نسبت مالی بود که ۴۰۸ شرکت ورشکسته را دربر می گرفت. داده ها به صورت طبقه بندی شده به مجموعه های آموزش و آزمون تقسیم شدند، مقادیر گمشده با میانه داده های آموزش جایگزین و برای متغیرهای دارای گمشدگی معنادار شاخص های دودویی گمشدگی ایجاد شد. پس از کنترل هم بستگی های بالا، ۵۸ ویژگی شامل ۴۷ نسبت مالی و ۱۱ شاخص گمشدگی برای مدل سازی حفظ شدند. عملکرد مدل های رگرسیون لجستیک، جنگل تصادفی، XGBoost و CatBoost با راهبردهای وزن دهی کلاس و SMOTENC مقایسه شد. مدل نهایی XGBoost وزن دهی شده با آستانه تصمیم ۰٫۶۵ در مجموعه آزمون به دقت ۰٫۹۶۵۸، دقت مثبت ۰٫۷۵۶۱، فراخوانی ۰٫۷۵۶۱، امتیاز F۱ برابر با ۰٫۷۵۶۱، ROC-AUC برابر با ۰٫۹۶۶۳ و PR-AUC برابر با ۰٫۸۳۱۱ دست یافت. تحلیل SHAP نشان داد که رشد فروش، هزینه های عملیاتی، سودآوری، نقدینگی، ساختار سرمایه و الگوی گمشدگی برخی نسبت های مالی در پیش بینی ریسک نقش کلیدی دارند. همچنین گروه ریسک بحرانی شامل ۶۲ شرکت، ۵۶ مورد از ۸۲ ورشکستگی واقعی را پوشش داد. اجرای مستقل همان چارچوب بر داده های تایوانی نیز ROC-AUC برابر با ۰٫۹۵۷۹ را نشان داد. یافته ها بیانگر آن است که چارچوب پیشنهادی می تواند به عنوان ابزار پشتیبان تصمیم برای اولویت بندی بررسی های مالی و طراحی مداخلات زودهنگام به کار رود.

کلیدواژه ها:

پیش بینی ورشکستگی ، هشدار زودهنگام ، یادگیری ماشین تبیین پذیر ، SHAP ، Boost ، عدم توازن کلاس ها ، نسبت های مالی