علی آشتاب

این پژوهش به بررسی تأثیر بحران مالی، حسابداری بخش عمومی، مکانیزم حاکمیت شرکتی و کیفیت حسابرسی بر عملکرد مالی بانک های ایرانی پذیرفته شده در بورس تهران برای دو بازه زمانی قبل از بحران مالی و در دوران بحران مالی برای ۲۲ بانک با استفاده از روش تحقیق هوش مصنوعی پرداخته است. نتایج نشان می دهد که در دوران بحران مالی، اهمیت و تأثیر متغیرهای مورد بررسی بر عملکرد مالی بانک ها به طور قابل توجهی افزایش می یابد. استانداردهای حسابداری بخش عمومی (IPSAS) با افزایش 21 درصدی، کیفیت حسابرسی (AQ) با افزایش 29 درصدی و مکانیزم حاکمیت شرکتی (CG) با افزایش 14 درصدی در تأثیرگذاری بر شاخص های عملکرد مالی، نقش کلیدی در بهبود و حفظ عملکرد مالی بانک ها در شرایط بحرانی ایفا می کنند. همچنین، دقت پیش بینی مدل های یادگیری ماشین در دوران بحران 9 درصد افزایش یافته است. این یافته ها اهمیت توجه ویژه به شفافیت مالی، کیفیت حسابرسی و ساختارهای حاکمیت شرکتی را در مدیریت ریسک و بهبود عملکرد مالی بانک ها، به ویژه در شرایط بحرانی، برجسته می کند. بر اساس این نتایج، پیشنهادهای سیاستی شامل تقویت و اجرای جامع IPSAS، ارتقای کیفیت حسابرسی و تقویت مکانیزم های حاکمیت شرکتی در بانک ها ارائه شده است. بنابراین؛ این یافته ها اهمیت توجه ویژه به شفافیت مالی، کیفیت حسابرسی و ساختارهای حاکمیت شرکتی را در مدیریت ریسک و بهبود عملکرد مالی بانک ها، به ویژه در شرایط بحرانی، برجسته می کند.

هدف: هدف از پیش بینی تغییرات سود، آگاهی دادن به سرمایه گذاران، تحلیلگران مالی، مدیران، مسئولان بازار سهام، اعتباردهندگان و سایر استفاده کنندگان، به منظور قضاوت کردن واحد تجاری، تصمیم گیری برای خرید یا فروش سهام و اعطا یاعدم اعطای وام و اعتبارات است. این پژوهش با هدف ارزیابی عملکرد و مقایسه دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری، برای پیش بینی جهت تغییرات سه مؤلفه سود، از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی اجرا شده است.روش: در این پژوهش با استفاده از اطلاعات مالی ۱۳۹ شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران، در دوره زمانی ۱۵ ساله، طی سال های ۱۳۸۷ تا ۱۴۰۱ و با به کارگیری ۲۵ مدل یادگیری ماشین و ۱۰ مدل آماری، به بررسی مقایسه کارایی مدل های یادگیری ماشین و مدل های آماری برای پیش بینی جهت تغییرات اجزای سود از جمله سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی پرداخته شده است. در پژوهش حاضر از نرم افزار اکسل برای مرتب سازی داده ها، نرم افزار ایویوز برای استخراج آمار توصیفی و از نرم افزارهای داده کاوی اس پی اس اس مدلر و رپیدماینر برای مدل سازی پیش بینی جهت تغییرات سود استفاده شده است. ارزیابی عملکرد مدل های یادگیری ماشین، از طریق دو معیار دقت پیش بینی مدل (accuracy) و ناحیه زیر منحنی (AUC) و ارزیابی عملکرد مدل های آماری تنها با معیار دقت پیش بینی مدل انجام شده است. در نهایت، به منظور انتخاب مدلی که بهترین عملکرد را برای پیش بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی دارد، از میان مدل های یادگیری ماشین، به انتخاب مدل بهینه با استفاده از منحنی راک پرداخته شده است.یافته ها: پس از محاسبه متوسط دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری، مشخص شد که متوسط دقت پیش بینی مدل های یادگیری ماشین برای متغیرهای وابسته (درصد تغییرات سود (زیان) خالص، درصد تغییرات سود (زیان) ناخالص و درصد تغییرات سود (زیان) عملیاتی)، از ۸۳ درصد تا ۹۳ درصد و متوسط دقت پیش بینی مدل های آماری برای هر سه مؤلفه سود، از ۷۶ درصد تا ۸۳ درصد متغیر است. پس از احراز نرمال نبودن متوسط دقت مدل های یادگیری ماشین و مدل های آماری برای اجزای سود توسط آزمون کلموگروف اسمیرنف، از آزمون ناپارامتریک یومن ویتنی برای مقایسه دقت پیش بینی مدل های یادگیری ماشین و مدل های آماری برای پیش بینی جهت تغییرات اجزای سود استفاده شد.نتیجه گیری: نتایج آزمون فرضیه های پژوهش، بیانگر کارایی بالای مدل های یادگیری ماشین برای پیش بینی جهت تغییرات سود (زیان) خالص، سود (زیان) ناخالص و سود (زیان) عملیاتی نسبت به مدل های آماری است. نتایج منحنی راک نیز نشانگر آن است که مدل درخت تصمیم با دقت پیش بینی معادل ۱۰۰ درصد، برای پیش بینی جهت تغییرات سود (زیان) خالص و دقت پیش بینی معادل ۳۸/۹۹ درصد برای پیش بینی جهت تغییرات سود (زیان) ناخالص و مدل استنتاج قوانین با دقت پیش بینی معادل ۷۶/۸۶ درصد در پیش بینی جهت تغییرات سود (زیان) عملیاتی، بهترین عملکرد را داشتند و به عنوان مدل بهینه انتخاب شدند.