الگوریتم هوش مصنوعی

پیش بینی درماندگی مالی یک پدیده بااهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. این پژوهش با استفاده از اطلاعات 6 سال مالی طی دوره 1390 الی 1395 در بخش صنعت و معدن بازار سرمایه به بررسی تأثیر متغیرهای اقتصادی بر درماندگی مالی و پیش بینی آن با استفاده از الگوریتم هوش مصنوعی (کلونی زنبور عسل) پرداخته است. نتایج تحقیق حاکی از تأثیر متغیرهای اقتصادی بر درماندگی مالی شرکت های بخش صنعت و معدن بازار سرمایه است و همچنین نتایج نشان می دهد الگوریتم زنبور عسل توانایی بالایی در تحلیل و پیش بینی درماندگی مالی با متغیرهای اقتصادی دارد.

تحلیل درماندگی مالی یک پدیده بااهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. در این پژوهش، با استفاده از اطلاعات 1350 شرکت سال طی دوره 1387 الی 1395 در بخش صنعت و معدن بازار سرمایه ایران، به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن به وسیله روش های یادگیری ماشین (الگوریتم ژنتیک مرتب سازی نامغلوب چندهدفه و کلونی زنبور عسل) با استفاده از نرم افزار متلب 2017 پرداخته است. نتایج تحقیق حاکی از تأثیر غیرمستقیم نسبت مدیران غیرموظف و نسبت مالکان نهادی و تاثیر مستقیم مدیریت سود و اعتمادبه نفس کاذب مدیریت بر درماندگی مالی از بین سایر متغیر های مدیریتی می باشد. همچنین نتایج نشان می دهد که الگوریتم هوش مصنوعی توانایی پیش بینی درماندگی مالی را بااستفاده از شاخص های مدیریتی دارد و توانایی الگوریتم کلونی زنبور عسل از الگوریتم ژنتیک مرتب سازی نامغلوب چندهدفه جهت پیش بینی درماندگی مالی بیشتر می باشد.

تحلیل درماندگی مالی یک پدیده با اهمیت برای سرمایه گذاران، اعتباردهندگان و سایر استفاده کنندگان از اطلاعات مالی محسوب می شود. تعیین احتمال درمانده شدن یک شرکت قبل از بروز درماندگی یک موضوع بسیار جالب و جذاب محسوب می شود و می تواند هم برای مدیران و هم برای سرمایه گذاران و اعتباردهندگان مفید واقع شود. در این پژوهش با استفاده از اطلاعات 1350 شرکت سال طی دوره 1387 الی 1395 در بخش صنعت و معدن بازار سرمایه ایران به بررسی عوامل مؤثر بر درماندگی مالی و پیش بینی آن به وسیله الگوریتم های هوش مصنوعی (روش درخت تصمیم، ماشین بردار پشتیبان و طبقه بندی بیز) با استفاده از نرم افزار متلب 2017 پرداخته است. نتایج تحقیق حاکی از تأثیر مستقیم تورم و ریسک مالی و تأثیر معکوس نسبت مدیران غیرموظف، بازده سالانه سهام و نسبت وجه نقد عملیاتی بر درماندگی مالی می باشد. همچنین نتایج نشان می دهد که الگوریتم درخت تصمیم با استفاده از داده های مالی و اقتصادی کارایی بالاتری نسبت به روش طبقه بندی بیز و ماشین بردار پشتیبان در جهت پیش بینی درماندگی مالی دارد.

  این نوشتار به بررسی سودمندی روش فرهنگی در تحلیل تأثیر عوامل نظارتی بر ارزش برند شرکت و همچنین پیش بینی ارزش برند با روش تخمین گر خطی و غیرخطی می پردازد. در این راستا، برای اندازه گیری ارزش برند از نسبت کیوتوبین استفاده شده است. متغیرهای مستقل اولیه در این پژوهش شامل متغیرهای نظارتی (ویژگی های مدیریتی و کمیته حسابرسی) می باشد. یافته های تجربی مربوط به بررسی 190 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1390 تا 1397، نشان می دهد که متغیرهای نسبت مالکان نهادی، استقلال هیئت مدیره، تخصص اعضای هیئت مدیره و مالکیت مدیریتی نسبت به سایر متغیرها قدرت بالاتری در تبیین ارزش برند با استفاده از روش فرهنگی دارند. به علاوه، از نتایج دیگر پژوهش می توان به این موضوع اشاره کرد که در پیش بینی ارزش برند، روش تخمین گر غیرخطی توانایی بالاتری نسبت به روش تخمین گر خطی دارد

در این نوشتار تأثیرگذاری عوامل نظارتی در" نظام راهبری شرکتی"  به روش فرهنگی و لاسو  به عنوان روشیسودمند در ارزیابی کارایی شرکتی استفاده شده است. اندازه گیری کارایی شرکت ها بر مبنای روش تحلیل پوششی داده ها ، روش سودمندی است. متغیرهای مستقل الگو، شامل متغیرهای نظارتی در نظام راهبری شرکتی است که با استفاده از الگوریتم متغیرگزینی فرهنگی، پارامترهایی انتخاب شده اند که با کارایی شرکت های مورد بررسی، بالاترین همبستگی را دارند. سپس با استفاده از الگوی لاسو، کارایی شرکت ها محاسبه و یافته های تجربی در154 شرکت فعال در بازار بورس اوراق بهادار تهران در بازه ی زمانی 1390 تا 1397، نشان می دهد که متغیرهای نسبت مالکیت نهادی، نسبت مدیران غیرموظف، ارتباط سیاسی شرکت، نسبت مالکیت مدیریتی و تمرکز مالکیت نسبت به سایر متغیرها قدرت بالاتری در تبیین کارایی شرکت ها  با استفاده از روش فرهنگی دارند.  

سود یکی از اقلام مندرج در صورت های مالی است که در تصمیم گیری استفاده کنندگان صورت های مالی تأثیر بسزایی دارد و توجه زیادی را معطوف خودساخته است. یکی از مسائل مهم و حیاتی هر فعالیت اقتصادی ارزیابی میزان دستیابی به اهداف تعیین شده می باشد بی شک این مسئله با پیشرفت روزافزون فعالیت های اقتصادی وارد عرصه جدیدی می شود و لزوم ایجاد روش های دقیق تر و نزدیک تر به واقعیت بیشتر احساس می شود و همین احساس نیاز، مقدمه ایجاد روش های نو ارزیابی و تکمیل روش های قدیمی تر می شود. هدف این پژوهش شناسایی عوامل موثر جهت تبیین سود اقتصادی و سود حسابداری با استفاده از رویکرد هوش مصنوعی می باشد با توجه به مطالعه انجام شده در هیچ پژوهش داخلی به تحلیل مقایسه ای عوامل مؤثر بر سود حسابداری و اقتصادی از دیدگاه نظام راهبری و نسبت های مالی پرداخته نشده است لذا با توجه به اهداف پژوهش از اطلاعات مالی 127 شرکت طی سال های 1390 الی 1398 جهت آزمون فرضیه های پژوهش استفاده شده است که نتایج تحلیل نشان می دهد تفاوت بین نوع معیار و میزان تأثیر معیار بر سود حسابداری و اقتصادی وجود دارد.بطوریکه معیار های مالی نسبت به معیار های نظام راهبری توانایی بالاتری در تبیین سود شرکت(سود حسابداری و اقتصادی)دارد و همچنین می توان بیان کرد قدرت پیش بینی سود حسابداری نسبت به سود اقتصادی با استفاده از معیار های مالی بالاتر می باشد.

با تعمیق روند ادغام اقتصادی جهانی، خدمات مالی زنجیره تامین تجارت بین الملل نیز شکوفا شده است. خدمات مالی زنجیره تامین تجارت بین الملل نقش مهمی در حل تامین مالی سازمانی زنجیره تامین ایفا کرده است. تا آنجا که به صنعت انرژی مربوط می شود، خدمات مالی زنجیره تامین تجارت بین المللی می تواند حمایت اعتباری کافی برای شرکت های انرژی فراهم کند. این امر معضل تامین مالی شرکت های انرژی کوچک و متوسط را در تجارت واردات و صادرات حل می کند و همچنین می تواند نرخ گردش سرمایه شرکت های بزرگ انرژی را بهبود بخشد. با این حال، از آنجایی که خدمات مالی زنجیره تامین تجارت بین الملل همچنان با تاثیر ریسک هایی مانند ریسک اعتباری شرکت، ریسک عملیاتی بانک و ریسک انتقال اطلاعات شرکت زنجیره تامین مواجه است، عملکرد آن در تامین مالی به طور کامل اعمال نشده است. هشدار زودهنگام و کنترل ریسک های موجود در خدمات مالی زنجیره تامین تجارت بین الملل می تواند نقش خدمات مالی زنجیره تامین تجارت بین المللی را در ارتقای توسعه صنعت انرژی ایفا کند. بنابراین، این مقاله از سه الگوریتم هوش مصنوعی (AI) شامل شبکه عصبی مصنوعی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات برای تحلیل ریسک خدمات مالی در زنجیره تامین تجارت بین المللی صنعت انرژی استفاده کرد. یک مدل هشدار اولیه ریسک در مورد خدمات مالی زنجیره تامین تجارت بین المللی صنعت انرژی ساخته شد و یک مطالعه تجربی بر روی مدل هشدار اولیه ریسک انجام شد. تحقیقات نشان داد که مدل هشدار اولیه ریسک مبتنی بر الگوریتم هوش مصنوعی بانک ها را قادر می سازد تا دقت ارزیابی اعتبار شرکت ها را تا ۷.۴۳ درصد و دقت جمع آوری اطلاعات را تا ۵.۶۱ درصد بهبود بخشند. دقت پیش بینی ریسک های محیطی خارجی را تا 3.52 درصد بهبود بخشید و ریسک عملیاتی بانک را تا 6.58 درصد و ریسک قانونی و نظارتی را تا 7.06 درصد کاهش داد.