حسابداری، امور مالی و هوش محاسباتی 3092-7366 در دست انتشار 1406 06 01 Predicting Corporate Bankruptcy in Listed Companies Using Artificial Intelligence Algorithms and Financial Statement Data پیش‌بینی ورشکستگی شرکت‌های بورسی با استفاده از الگوریتم‌های هوش مصنوعی و داده‌های صورت‌های مالی 1 21 FA عرفان عالم گروه حسابداری مدیریت، دانشکده اقتصاد و مدیریت، دانشگاه دولتی قم، قم، ایران. Journal Article 1404/11/01 <p>This study aimed to predict the bankruptcy risk of firms listed on the stock exchange using machine learning algorithms and financial statement data and to identify the most influential predictors of bankruptcy risk. This applied quantitative study employed a descriptive–analytical design. The statistical population consisted of companies listed on the stock exchange during the 2018–2024 period. Eligible firms were selected through a screening process based on data availability and consistency criteria. Financial data were extracted from audited financial statements, annual reports, and financial databases. Two machine learning algorithms, Random Forest (RF) and Balanced Random Forest (BRF), were used to predict bankruptcy risk. Model performance was evaluated using Area Under the Curve (AUC), Accuracy, Precision, Recall, and F1-score. Feature Importance analysis was conducted to determine the contribution of each predictor, while the Generalized Method of Moments (GMM) was employed to examine dynamic relationships among variables. The results indicated that the Random Forest model achieved an overall accuracy of 0.855 with an AUC of 0.453; however, it showed limited ability to identify bankrupt firms. In contrast, the Balanced Random Forest model demonstrated superior performance in detecting financially distressed companies despite a slightly lower overall accuracy (0.824). The BRF model yielded Precision, Recall, and F1-score values of 0.333, 0.211, and 0.258, respectively. Confusion matrix results further confirmed the greater sensitivity of the balanced model toward the minority class. Feature importance analysis revealed that institutional ownership, accounts turnover ratio, earnings-to-price ratio, and cash-to-sales ratio were among the most influential variables in predicting bankruptcy risk. The findings suggest that machine learning techniques, particularly the Balanced Random Forest algorithm, provide an effective framework for the early identification of firms facing bankruptcy risk. Integrating financial indicators with ownership structure and corporate governance variables can enhance predictive performance and support more informed decision-making by investors, managers, and financial analysts.</p> <p>هدف این پژوهش، پیش‌بینی ریسک ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار با بهره‌گیری از الگوریتم‌های یادگیری ماشین و داده‌های استخراج‌شده از صورت‌های مالی و همچنین شناسایی مهم‌ترین متغیرهای مؤثر بر این پیش‌بینی بود. این پژوهش از نوع کاربردی، کمی و تجربی با رویکرد توصیفی–تحلیلی است. جامعه آماری شامل شرکت‌های پذیرفته‌شده در بورس اوراق بهادار طی سال‌های 1397 تا 1403 بود که پس از اعمال معیارهای غربالگری، شرکت‌های واجد شرایط انتخاب شدند. داده‌های مورد نیاز از صورت‌های مالی حسابرسی‌شده، گزارش‌های سالانه و پایگاه‌های اطلاعاتی مالی گردآوری شد. برای پیش‌بینی ورشکستگی از دو الگوریتم جنگل تصادفی (RF) و جنگل تصادفی متوازن (BRF) استفاده شد. عملکرد مدل‌ها با شاخص‌های AUC، Accuracy، Precision، Recall و F1 ارزیابی گردید. همچنین به‌منظور بررسی اهمیت متغیرها از شاخص Feature Importance و برای تحلیل روابط پویای متغیرها از روش گشتاورهای تعمیم‌یافته (GMM) استفاده شد. نتایج نشان داد مدل جنگل تصادفی دارای دقت کلی 0.855 و مقدار AUC برابر با 0.453 بود، اما در شناسایی شرکت‌های ورشکسته عملکرد ضعیفی داشت. در مقابل، مدل جنگل تصادفی متوازن با وجود دقت کلی کمتر (0.824)، توانست عملکرد بهتری در شناسایی شرکت‌های دارای ریسک ورشکستگی ارائه دهد و مقادیر Precision، Recall و F1 آن به‌ترتیب برابر با 0.333، 0.211 و 0.258 گزارش شد. نتایج ماتریس آشفتگی نیز نشان داد مدل متوازن نسبت به مدل استاندارد حساسیت بیشتری نسبت به طبقه اقلیت دارد. تحلیل اهمیت متغیرها آشکار ساخت که مالکیت نهادی، نسبت گردش حساب‌ها، نسبت قیمت به سود و نسبت وجه نقد به فروش از مهم‌ترین عوامل مؤثر در پیش‌بینی ورشکستگی شرکت‌ها هستند. یافته‌های پژوهش نشان داد الگوریتم‌های یادگیری ماشین، به‌ویژه جنگل تصادفی متوازن، ظرفیت مناسبی برای شناسایی زودهنگام شرکت‌های در معرض ورشکستگی دارند. ترکیب شاخص‌های مالی با متغیرهای ساختار مالکیت و حاکمیت شرکتی می‌تواند دقت مدل‌های پیش‌بینی را افزایش دهد و به سرمایه‌گذاران، مدیران و تحلیلگران مالی در مدیریت ریسک و تصمیم‌گیری آگاهانه‌تر کمک کند.</p> https://jafci.com/index.php/jafci/article/download/449/254