TY - JOUR ID - 168271 TI - کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی JO - تحقیقات حسابداری و حسابرسی JA - IAAR LA - fa SN - 2251-8428 AU - هاشمی گل سفیدی, افشین AU - لشگری, زهرا AU - حاجیها, زهره AD - گروه حسابداری، واحد بین الملل کیش، دانشگاه آزاد اسلامی، جزیره کیش، ایران AD - استادیار گروه حسابداری واحد تهران مرکزی دانشگاه آزاد اسلامی AD - دانشیار گروه حسابداری دانشگاه آزاد اسلامی واحدتهران شرق، تهران، ایران Y1 - 2022 PY - 2022 VL - 14 IS - 56 SP - 171 EP - 190 KW - یادگیری ماشین KW - الگوریتم خوشه‌بندی KW - پیش بینی ورشکستگی DO - 10.22034/iaar.2022.168271 N2 - استفاده از ابزارها و روش های پیش بینی سنتی خطای بالایی داشته و در مقایسه با روش های جدیدتر و مدل های غیرخطی عملکرد ضعیف تری دارند. یکی از روش ها و الگوریتم های پرکاربرد در پیش بینی استفاده از یادگیری ماشین است. هدف اصلی این پژوهش بررسی کاربرد یادگیری ماشین در ارائه الگویی برای پیش بینی ورشکستگی 308 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1389 تا 1398(3080 سال – شرکت) می‌باشد که برای آزمون فرضیه‌ها از رگرسیون چند گانه داده‌های ترکیبی و به منظور پیاده‌سازی الگوریتم خوشه‌بندی Medians-K و محاسبات مربوطه از نرم افزار محاسبات اماری R استفاده گردید. نتایج حاصل از پژوهش نشان می­دهد از میان نسبت های مالی مشخص شده در مدل اول فقط نسبت درآمد خالص به کل دارایی و نسبت ارزش بازار حقوق صاحبان سهام به کل ارزش بازار موجب می‌توانند توانایی مدل پیش بینی ورشکستگی را بهبود ببخشند. همچنین در مدل دوم نسبت های مالی مشخص شده توانایی بهبود مدل پیش بینی ورشکستگی را داشته و با اضافه کردن متغیر Devscore برای گروه‌هایی که بر اساس صنعت و اندازه ساخته شده اند، مدل اصلاح شده و پیش بینی ورشکستگی را بهبود می بخشد. نتایج حاکی از آن است که یک شرکت در صورت داشتن نسبت های مالی مرتبط با ورشکستگی که پایین تر از میانگین همسانان خوشه‌ای خود است، احتمالاً ورشکسته می‌شود. UR - https://www.iaaaar.com/article_168271.html L1 - https://www.iaaaar.com/article_168271_e1b9dc7a3e056cae6d2392a837e3e330.pdf ER -