Evaluation Of Meta-Heuristic Algorithms In Predicting Financial Distress Using Intra-Corporate Factors With Emphasis On Analyzing The Characteristics Of Size, Age, Life Cycle, Corporate Returns And Competitiveness

Document Type : Original Article

Authors
Fereydoon Moradi 1
Ahmad Yaghoobnezhad 2
amirreza keyghobadi 2
Azita Jahanshad 2
1 Department of Accounting, Tehran Central Branch, Islamic Azad University, Tehran, Iran
2 Department of Accounting, Tehran Central Branch, Islamic Azad University, Tehran, Iran.
10.30495/jik.2025.23591
Abstract
The purpose of this study is evaluating the capability of Grasshopper Optimization Algorithm (GOA) and with Ant Colony Algorithm (ACO) in predicting financial distress using Intra-corporate factors by creating a hybrid model with Multi-layer Perceptron Artificial Neural Network (MLP).The statistical population of this research includes all listed active companies on the Tehran Stock Exchange during the period 2012 to 2018 in which 289 eligible companies including 2023 year-firm observations (381 cases distressed and 1642 cases non-distressed) were screened.The results showed that the basic model (MLP) was able to predict financial distress using financial and non-financial variables and Also GOA and ACO algorithms have improved the accuracy of the basic model.While the highest accuracy was for the hybrid MLP-GOA model. Also, the Analysis of the frequency of financial distress based on some firm variables showed that the probability of financial distress in line with similar researches is affected by characteristics such as size, age and life cycle, and the effectiveness of efficiency and competitiveness was different from similar researches. The results of this research can be used by managers of companies, banks, credit, insurance and rating agencies and actual and potential investors as well as investment companies in recognition of financial distress and risk assessment (based on continuity assumption).
Keywords
"Financial Distress"
"Intra-Corporate Factors"
"Financial and Non-Financial Variables"
"Grasshopper Optimization Algorithm (GOA)"
"Ant Colony Algorithm (ACO)"
  • ابراهیمی سرو علیا، محمدحسن؛ باباجانی، جعفر؛ آخوند، محمد رضا و فاخر، اسلام (1397). ارائه الگویی برای پیش­بینی پویای درماندگی مالی با استفاده از تحلیل بقاء. فصلنامه اقتصاد مقداری (بررسی های اقتصادی سابق)، 15(3)، 167-198.
  • اسدزاده، پوریا (1393). پیش­بینی درماندگی مبتنی بر الگوریتم کاوش باکتری. پایان­نامه کارشناسی ارشد، دانشگاه بین المللی امام رضا (ع)، گروه حسابداری.
  • ایزدی نیا، ناصر؛ کیانی، غلامحسین و میرزایی، مهدی (1394). تاثیر ترکیبی ویژگی­های مراحل چرخه عمر شرکت بر عدم تقارن زمانی جریان نقدی عملیاتی. دانش حسابرسی. 15(59)، 57-76.
  • پورزمانی، زهرا و کلانتری، حسن (1392). مقایسه قدرت پیش بینی بحران مالی توسط تکنیک­های مختلف هوش مصنوعی. پژوهش­های حسابداری مالی و حسابرسی، 5(17)، 33-64.
  • پورزمانی، زهرا؛ جهانشاد، آزیتا و رحمتی، وجیهه (1388). بررسی کارایی شاخصهای کلان اقتصادی در الگوهای پیش­بینی بحران مالی در محیط اقتصادی ایران. پژوهش­های حسابداری مالی و حسابرسی، 1(2)، 87-102.
  • تقی­زاده، حسن و همت­فر، محمود (1394). بررسی کاربرد الگوریتم بهینه­سازی کلونی مورچگان پیوسته در پیش بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. دانش حسابرسی، 15(59)، 64-50.
  • حیدری سورشجانی، بهمن (1394). مقایسه دقت روش های رگرسیون گام به گام رگرسیون لجستیک و شبکه عصبی در پیش­بینی بحران مالی شرکتهای پذیرفته­شده در بورس تهران. پایان­نامه کارشناسی ارشد، دانشگاه آزاد واحد کاشان. گروه حسابداری.
  • خواجوی، شکراله و قدیریان آرانی، محمدحسین (1396). نقش توانایی مدیریت در پیش­بینی بحران مالی. پژوهش­های حسابداری مالی، 9(4)، پیاپی (43)، 83-101.
  • دباغ، رحیم و شیخ بگلو، سیما (1399)، پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با روش های شبکه عصبی مصنوعی و مدل فولمر، نشریه توسعه و سرمایه، 5(2)،۱۵۳ -۱۶۸.
  • رحمانیان کوشککی، عبدالرسول و سهولت، لیلا (1399)، بررسی تاثیر هزینه حقوق صاحبان سهام بردرماندگی مالی و ارزش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه سیاستهای مالی و اقتصادی، 8(32)، ۴۷ -۷۱.
  • رحیمی، حمید؛ مینویی، مهرزاد، فتحی، محمدرضا، (1400)، تبیین متغیرهایمالی موثر در پیش بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی، تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی؛ کاربرد شبکه عصبی مصنوعی، فصلنامه صنعت لاستیک ایران، 25(101)، ۶۵ -۸۴.
  • رضایی، فرزین و نژاد تولمی، بابک (1393). مقایسه الگوریتم مورچگان با روش های تحلیل تمایزی چندگانه و لوجیت در پیش بینی درماندگی مالی. تحقیقات حسابداری و حسابرسی، 23(1)120-143.
  • سلمانیان، مریم و دارابی، رویا (1396). بررسی تحلیلی درماندگی مالی. مطالعات حسابداری و حسابرسی، 23(3)، 47-64.
  • صادقی، حسین، رحیمی، پریسا و سلمانی، یونس، (1393). تأثیر عوامل کلان اقتصادی و نظام راهبری بر درماندگی مالی شرکتهای تولیدی پذیرفته شده در بورس اوراق بهادار تهران. دوفصلنامه اقتصاد پولی، مالی (دانش وتوسعه سابق) دوره جدید، 21(8)، 107-127.
  • صفوی، سید علی اکبر؛ پور جعفریان، نرگس و صفوی، سید علی (1393). بهینه­سازی بر پایه الگوریتم­های فراابتکاری. تهران، انتشارات پژوهشگران نشر دانشگاهی، نوبت چاپ اول.
  • صوفی، منصور؛ همایون فر، مهدی؛ فدایی، مهدی، (1399)، تعیین روش بهینه پیش­بینیدرماندگی مالی شرکتها (مطالعه موردی: شرکتهای بورس اوراق بهادار تهران)، فصلنامه دانش سرمایه گذاری، 9(35)، ۸۵ -۱۰۰.
  • عینی زاده، مهدی و غریب، حجت (1400)، بررسی تاثیر نسبت هایمالی و ساختار مالکیت در پیش­بینی درماندگی مالی، نشریه چشم انداز حسابداری و مدیریت، سال 4 (41)، ۴۸ -۶۶.
  • غیور، فرزاد (1396). تبیین عوامل مالی و غیرمالی موثر بر پیش­بینی درماندگی مالی و مقایسه توانایی مدل­های پارامتریک و ناپارامتریک. رساله دکتری حسابداری دانشگاه مازندران، اساتید راهنما؛ ساسان مهرانی و یحیی کامیابی.
  • فدایی نژاد، محمد اسماعیل، شهریاری، سارا و سلیم، فرشاد (1394). معمای رابطه ریسک درماندگی مالی با بازده سهام مطالعه تجربی در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی مدیریت دارایی و تأمین مالی، 3(2)، 33-54.
  • فدایی، مهدی و هرمزی، محمد (1397)، "تاثیر درماندگی مالی بر بازده سهام در بازار فرابورس ایران"، اولین همایش ملی نگرشهای نوین در مدیریت، حسابداری و اقتصاد، رودسر.
  • فلاح­پور، سعید و ارم، اصغر (1395). پیش بینی درماندگی مالی شرکت­ها با استفاده از الگوریتم کلونی مورچگان. تحقیقات مالی دانشکدة مدیریت دانشگاه تهران، 18(2)،347-368 .
  • فلاح­پور، سعید؛ نوروزیان لکوان، عیسی و هندیجانی­زاده، محمد (1397). استفاده از روش ترکیبی انتخاب ویژگی پی­درپی پیشرو شناور و ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه تحقیقات مالی دانشکده مدیریت دانشگاه تهران، 20(3)،289-304.
  • کردستانی، غلامرضا؛ تاتلی، رضا و رشیدی، حمید (1393). ارزیابی توان پیش­بینی مدل تعدیل­شده آلتمن از مراحل درماندگی مالی نیوتن و ورشکستگی شرکت­ها، فصلنامه علمی پژوهشی دانش سرمایه­گذاری، 3(9)، 83-99.
  • کرزبر، بهرام و شاهوردیانی، شادی (1396). آزمون شاخص­های هرفیندال- هیرشمن و کیوتوبین بر تحلیل ساختار سرمایه، کارایی و رقابت بازار محصول. فصلنامه علمی پژوهشی دانش سرمایه گذاری، 6(23)، 283-298.
  • کمیته تدوین استانداردهای حسابداری و حسابرسی سازمان حسابرسی، (1394)، استانداردهای حسابرسی، تهران: انتشارات سازمان حسابرسی.
  • لطفی، فروغ (1396). پیش بینی درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم فراابتکاری، پایان نامه کارشناس ارشد موسسه آموزش عالی کوشیار، گروه حسابداری.
  • محمدزاده، پرویز و جلیلی­مرند، علیرضا (1391). پیش­بینی ورشکستگی بااستفاده از مدل لوجیت. تحقیقات مدلسازی اقتصادی، 3(8)، 1-21.
  • منصورفر، غلامرضا؛ غیور، فرزاد و لطفی، بهناز (1392). ترکیب اجزای جریان نقد و پیش بینی درماندگی مالی در بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرسی، 18(2)، 1-22.
  • مهرانی، ساسان و زارع زادگان، امید (1392)، کیفیت سود، ریسک ورشکستگی و جریان های نقد آتی. مجله بررسی های حسابداری و حسابرسی دانشکده مدیریت دانشگاه تهران، 20(1)، 93-112.
  • مومنی، منصور و فعال قیومی، علی (1394). تحلیل های آماری با استفاده از SPSS. تهران، نشر مولف، چاپ هشتم.
  • میرعلوی، سید حسین و پورزمانی، زهرا و جهانشاد، آزیتا (1398). ارائه مدلی مبتنی بر رفتار مالی سرمایه­گذاران جهت پیش­بینی قیمت سهام با استفاده از روش­های فراابتکاری شبکه­های عصبی. فصلنامه بورس اوراق بهادار، 47(3): 76-109.
  • نمازی، محمد و ابراهیمی، شهلا (1400)، پیش بینیدرماندگی مالی شرکتهای پذیرفته شده در فرابورس و بورس اوراق بهادار تهران با استفاده از ماشین بردار پشتیبان، مجله راهبرد مدیریت مالی، 1(32)، ۱۱۵ -۱۳۲.
  • نمازی، محمد؛ کاظم نژاد، مصطفی و نعمت اللهی، محمد مهدی (1395). مقایسه روش­های مختلف انتخاب متغیرهای پیش­بین برای پیش­بینی بحران مالی شرکتهای پذیرفته شده بورس اوراق بهادار. مجله مهندسی مالی و مدیریت اوراق بهادار، 29 (4)، 193-212.
  • نیکبخت، محمدرضا، بهادری محمدمراد (1391). کاربرد مدل آلتمن و لوالی با مدل لگالت و ورنانیو برای پیش­بینی تداوم فعالیت و ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه علمی پژوهشی دانش سرمایه گذاری، 1(4)، 19-46.
  • وقفی، سیدحسام و دارابی، رویا (1397). رویکرد مدل معادلات ساختاری در تحلیل سه سطحی درماندگی مالی در شرکتهای پذیرفته شده بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 6(22)،189-215.
  • Acosta, E., Fernando, G., Fernandez, R. & Hicham, G. (2019). Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data. Computational Economics, 53(1), 227-257. (First Online: 6th Sep. 2016).
  • Al-Hadi, A., Chatterjee, B., Yaftian, A., Taylor, G. and Monzur Hasan, M. (2017). Corporate social responsibility performance, financial distress and firm life cycle: evidence from Australia. Accounting and Finance, Wiley Online Library, 1-29. (https://doi.org/10.1111/acfi.12277).
  • Christopher A. Parsons, Jianfeng, Shen, Pengjie Gao (2017). Global Relation between Financial Distress and Equity. Published by Oxford University Press on behalf of The Society for Financial Studies, 1, 1-58.
  • Cladera, R., Oliver, A.M. and Fuster, B.P., (2021), Financial distress in the hospitality industry during the Covid-19 disaster, Tourism Management,85(1),1-18.
  • Conner, M.C., (1974). On the Usefulness of Financial Ratios to Investors. Journal of Accounting Review, 49(3), 551-556.
  • Daubie, M and Meskens, N, (2002). Business failure prediction:a review and analysis of the literature. Working Paper, Department of Productions and Operations Management, Catholic University of Mons, Belgium, 1(1), 71-86.
  • DeAngelo, H., L. DeAngelo, and R. M. Stulz, (2006). Dividend policy and the earned/contributed capital mix: a test of the life-cycle theory. Journal of Financial Economics, 81(1), 227–254.
  • Dickinson, V., (2011). Cash flow patterns as a proxy for firm life cycle. The Accounting Review, 86(1), 1969–1994.
  • Fosu, S., (2013). Capital structure, product market competition and firm performance: Evidence from South Africa. The Quarterly Review of Economics and Finance, 53(1), 140-151.
  • Hasan, M. M., Hossain, M. and Habib, A., (2015). Corporate life cycle and cost of equity capital. Journal of Contemporary Accounting & Economics, 11(1), 46–60.
  • Helfat, C. E. & M. A. Peteraf, (2003). The dynamic resource-based view: capabilities lifecycles. Strategic Management Journal, 24(11), 997–1010.
  • Hernandez, M.T, Wilson, N. (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, (1), 1-26. (InPress; Available online 26 Feb.)
  • Higgins, Robert C., (2007). Analysis for Financial Management. New York, McGraw-Hill Irwin.
  • Jie Luo, Huiling Chen , Qian zhang , Yueting Xu , Hui Huang , Xuehua Zhao, (2018). An Improved Grasshopper Optimization Algorithm with Application to Financial Stress Prediction. Applied Mathematical Modelling, 64(1), 654-668. (https://doi. org/10.1016/ j.apm.2018.07.044).
  • Jie Sun, Hui Li, Hamido Fujita, Binbin Fu, Wenguo Ai, (2019). Class-imbalanced dynamic financial distress prediction based on Adaboost-SVM ensemble combined with SMOTE and time weighting. Information Fusion, 54(1), 128-144.
  • Meraihi, Y. Benmessaoud G. A., Mirjalili, S.A. And Ramdane, A., (2021), Grasshopper Optimization Algorithm: Theory, Variants, and Applications, IEEE ACCESS, 9(1),5001-50024.
  • Opler, T., & Titman, S. (1994). Financial Distress and Corporate Performance. The Journal of Finance, 49 (3), 1015 - 1040.
  • Penman, Stephen H. (2013). Financial Statement Analysis and Security Valuation (Chapter 20; the Analysis of Credit Risk and Return), Columbia University, Fifth Edition.
  • Ravi Kumar, P and Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques. European Journal of Operational Research, 180(1), 1-28.
  • Saremi, Sh., Mirjalili, S., Lewis, A., (2017). Grasshopper Optimisation Algorithm: Theory and application. Advances in Engineering Software, 105(1), 30–47
  • Tsai, C. (2009).Feature Selection In Bankruptcy Prediction. Knowledge-Based Systems, 22(1), 120–127.