به‌کارگیری الگوریتم جنگل تصادفی به منظور رتبه‌‌بندی مؤلفه‌‌های مدیریت سرمایه در گردش مؤثر بر وقوع درماندگی مالی

مقدمه

ظهور بحران‌‌های مالی به‌خصوص در سال‌‌های اخیر، بیش از هر زمان دیگری رخ داده است. آمارهای اقتصادی حاکی‌از آن است که در دو دهۀ اخیر، درماندگی مالی و ورشکستگی به طرز بی‌‌سابقه‌‌ای گریبان‌گیر بنگاه‌‌های اقتصادی شده است. تعدد بحران‌‌های مالی در یک کشور، ازجمله شاخص‌‌های مهم اقتصادی به شمار می‌‌رود و همواره توجه عموم جامعه را به‌ویژه دربارۀ درماندگی مالی و ورشکستگی بنگاه‌‌های بزرگِ سهامی عام به خود جلب می‌‌کند؛ زیرا این دست شرکت‌‌ها، همواره سهم بیشتری در مشارکت عمومی افراد برای تأمین مالی و سرمایه‌‌گذاری به خود اختصاص می‌‌دهند؛ بنابراین، پیش‌‌بینی وقوع بحران مالی از منظر بخش خصوصی و دولت‌‌ها بسیار حائز اهمیت است؛ زیرا بروز این چالش، دست کم از تخصیص نامناسب منابع حکایت دارد. نکتۀ بینادین در خصوص درماندگی مالی و ورشکستگی این است که تعداد درخور ملاحظه‌‌ای از پژوهشگران، درماندگی مالی را معادل با ورشکستگی می‌‌دانند؛ اما این در حالی است که درماندگی مالی تنها مرحله‌‌ای از ورشکستگی را نشان می‌‌دهد. به دیگر سخن، درماندگی مالی بیانگر شکلی از زوال مالی است که قبل از ورشکستگی اتفاق می‌‌افتد و ممکن است لزوماً به ورشکستگی شرکت منتج نشود. درماندگی مالی خود را به‌سرعت آشکار نمی‌‌کند، بلکه در میان حجم فراوانی از اطلاعات غیرمالی و مالی، خود را مخفی می‌کند و می‌‌تواند در زمینه‌‌های مختلف، به‌ویژه در حوزۀ مالی پیامدهای ویرانگری را برای اقتصاد و اعتماد عمومی به همراه داشته باشد. درماندگی مالی به بیان ساده، ناتوانی یا ضعف بنگاه اقتصادی را در عمل به تعهدات خود در قبال اعتباردهندگان نشان می‌‌دهد (Gerged et al., 2022). باتوجه‌به گسترش روزافزون شرکت‌‌های سهامی و ظهور بحران‌‌های مالی شدید در ابعاد خرد و کلان اقتصادی، مالکان و ذی‌نفعان مختلف واحدهای تجاری در پی مصون‌کردن خود در برابر این‌‌گونه مخاطرات هستند؛ ازاین‌رو، استفاده از مدل‌های پیش‌‌بینی‌کننده به‌منظور ارزیابی توان مالی شرکت‌‌ها قبل از رسیدن به مرحلۀ ورشکستگی، یعنی در مرحلۀ درماندگی مالی، برای گروه‌‌های یادشده اهمیت و حساسیت ویژه‌‌ای به خود گرفته است (Pourheydari et al., 2010)؛ در این راستا، بسیاری از پژوهشگران، ازجمله: آلتمن[1]، زاوگین[2] و... با استفاده از نسبت‌‌‌‌های مالی استخراج‌شده از صورت‌های مالی، الگوهایی را برای پیش‌‌بینی درماندگی واحدهای تجاری ارائه کردندکه علاوه بر تشخیص به‌موقع درماندگی، از اتلاف منابع نیز جلوگیری کردند. با درنظرگرفتن اهمیت پیش‌‌بینی درماندگی مالی، سؤالی که مطرح می‌‌شود این است که چه عواملی می‌‌تواند در پیدایش درماندگی مالی واحدهای تجاری مؤثر باشد. در این زمینه شواهد، نشان‌‌دهندۀ آن است که مدیریت سرمایۀ در گردش از عوامل تأثیرگذار در بروز درماندگی مالی بنگاه‌‌های اقتصادی است (Wallace, 2004; Purvinis et al., 2008; Geng et al., 2015). تجربه نشان می‌‌دهد که در اغلب اوقات شرکت‌‌هایی که دچار درماندگی و ورشکستگی مالی شده‌‌اند، همواره در مدیریت سرمایه در گردش و مهم‌‌تر از آن در کنترل وجه نقد ضعف داشته‌‌اند. به گفتۀ امامی و فرید (Emami & Farid, 2016)، در صورت ضعیف‌شدن سرمایۀ در گردش، شکوفاماندن و ادامۀ فعالیت شرکت با مشکل مواجه خواهد شد. در هنگام ورشکستگی، واحدهای اقتصادی با دو مشکل عمده مواجه‌‌ می‌‌شوند: کمبود نقدینگی و وجود تعهدات مالی فراوان؛ به بیان دیگر، در وضعیت ورشکستگی جریانات نقدی ورودی حاصل از عملیات، جواب‌گوی ایفای تعهدات مالی شرکت نیست. هر دوی این موارد می‌‌تواند در نتیجۀ مدیریت ضعیف سرمایۀ در گردش رخ دهد. مدیریت سرمایه در گردش در حقیقت عامل اساسی در فعالیت‌‌های روزانۀ واحد تجاری محسوب می‌‌شود (Misbah et al., 2015). اگرچه تلاش پژوهشگران حوزۀ درماندگی مالی به معرفی مؤلفه‌‌های مؤثر بسیاری در بروز این چالش، به‌خصوص شاخص‌‌های مدیریت سرمایه در گردش منتج شده است، تاکنون در پاسخ به این سؤال مطالعات اندکی صورت گرفته است، اینکه کدام‌یک از این مؤلفه‌‌ها در پیش‌‌بینی یادشده از اهمیت بیشتری برخوردار است. رتبه‌‌بندی مؤلفه‌‌های یادشده می‌‌تواند سرعت فرایند تصمیم‌‌گیری در مقابله با وقوع درماندگی مالی را بهبود بخشد؛ ازاین‌رو، در این پژوهش تلاش شده با استفاده از الگوریتم جنگل تصادفی، ضمن پاسخ به این پرسش که آیا شاخص‌‌های مدیریت سرمایه در گردش توان پیش‌‌بینی درماندگی مالی شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار را داند یا خیر، مهم‌‌ترین مؤلفه‌‌های مدیریت سرمایه در گردش را نیز برای پیش‌‌بینی درماندگی مالی شرکت‌‌ها رتبه‌‌بندی کند. برای پاسخ به این سؤال که هدف نهایی پژوهش است، روش جنگل تصادفی برخلاف بسیاری از دیگر الگوریتم‌‌های یادگیری ماشینی[3] با اعتنا به رویکرد بسته‌بندی[4]، زیرمجموعه‌هایی از مجموعۀ کل داده‌ها ایجاد می‌کند و نتیجۀ نهایی براساس میانگین نتایج زیرمجموعه‌ها ارائه می‌شود که این امر، معضل بیش‌برازش را به شکل چشمگیری خنثی می‌کند؛ باتوجه‌به این خصوصیت، می‌توان اهمیت ویژگی‌ها را در تعیین روند متغیر هدف، رتبه‌بندی کرد که در این پژوهش نیز از این قابلیت، استفاده خواهد شد. در ادامۀ پژوهش، ابتدا مبانی نظری و پیشینه‌‌های پژوهش ارائه شده است؛ سپس روش‌‌شناسی و یافته‌‌های پژوهش تشریح و در پایان نتیجه‌‌گیری و پیشنهادهای برگرفته از پژوهش بیان شده است.

مبانی نظری

در ادبیات مالی تعاریف متعددی از درماندگی مالی ارائه شده است. گردون (Gordon, 1971) درماندگی مالی را کاهش قدرت سودآوری شرکت تعریف می‏کند که احتمال ناتوانی در بازپرداخت بهره و اصل بدهی را افزایش می‏دهد. ویتاکر (Whitaker, 1999) درماندگی مالی را وضعیتی در نظر می‏گیرد که در آن جریان‏های نقدی شرکت از مجموع هزینه‏های بهرۀ مربوط به بدهی بلندمدت، کمتر است. به تعبیر اقتصادی، درماندگی مالی را می‌‌توان زیان‌‌ده‌بودن شرکت عنوان کرد که در این حالت واحد تجاری در رسیدن به اهداف خود ناکام مانده است. هوآنگ (Huang, 2019) درماندگی مالی را وضعیتی عنوان می‌‌کند که در آن، شرکت توانایی عمل به تعهدات خود در قبال اعتباردهندگان را ندارد یا در انجام آن دچار مشکل باشد. این وضعیت اغلب زمانی اتفاق می‌‌افتد که یک شرکت با مشکلات نقدینگی درخور توجهی مواجه است. درماندگی مالی به‌عنوان عاملی هشداردهنده قبل از بدترین پیشامد، یعنی ورشکستگی رخ می‌‌دهد که می‌‌تواند عواقب جدی، ازجمله: کاهش یا توقف عملیات، کاهش نیروی کار و زیان‌رساندن به سهام‌داران و طلبکاران واحد تجاری را به همراه داشته باشد (Appadurai, 2020). احمد و همکاران نیز درماندگی مالی را حالتی از زوال مالی می‌‌دانند که پیش از ورشکستگی یک شرکت اتفاق می‌‌افتد (Ahamed et al., 2023)؛ بنابراین، تشخیص‌ندادن وضعیت درماندگی مالی ازسوی مدیریت یا نادیده‌گرفتن آن می‌‌تواند انحلال شرکت را به دنبال داشته باشد و در نتیجۀ آن زیان‌‌های بسیاری به سرمایه‌‌گذاران و اشخاص مرتبط با شرکت تحمیل می‌‌شود (Gerged et al., 2022)؛ ازاین‌رو، پیش‌‌بینی درماندگی مالی، همواره یکی از مباحث مهم از دیدگاه مدیریت، سرمایه‌‌گذاران، اعتباردهندگان و سایر ذی‌نفعان شرکت‌‌ها است.

باتوجه‌به اهمیت پیش‌‌بینی یا تشخیص به‌موقع درماندگی مالی، پژوهشگران حوزۀ مالی همواره تلاش کرده‌‌اند تا براساس اطلاعات درون‌‌سازمانی و برون‌‌سازمانی و شناسایی عوامل مؤثر در بروز وضعیت درماندگی بتوانند به ابزاری برای رسیدن به این هدف دست پیدا کنند؛ ازاین‌رو، مدل‌‌های بسیاری با استفاده از تکنیک‌‌های آماری و تکنیک‌‌های یادگیری ماشینی[5] برای پیش‌‌بینی درماندگی مالی ایجاد شد. ویلیام بیور (Beaver, 1966) و ادوارد آلتمن (Altman, 1968) پژوهشگران پیشگام در ارائۀ مدل‌‌های پیش‌‌بینی درماندگی مالی محسوب می‌‌شوند. آلتمن (Altman, 1968) از تحلیل تشخیصی چندگانه (MDA)[6] با استفاده از نسبت‌‌های مالی برای پیش‌‌بینی درماندگی مالی برای 33 شرکت ورشکسته و 33 شرکت غیرورشکسته استفاده کرد. نتایج نشان داد که نسبت‌های استفاده‌شده در پیش‌بینی درماندگی مالی بسیار معنادار هستند. براساس نتایج آن مطالعه، آلتمن مدل Z-score را برای پیش‌بینی درماندگی مالی با استفاده از نسبت‌هایی مانند سودآوری، نقدینگی، پرداخت بدهی و جریان نقدی پیشنهاد کرد؛ بنابراین، مشخص شد که ترکیب مدل‌های پیش‌بینی و نسبت‌های مالی می‌تواند درماندگی بالقوه شرکت‌ها را قبل از وقوع درماندگی مالی پیش‌بینی کند (Hanafi et al., 2021). در ادامۀ مطالعات بیور و آلتمن، بسیاری از پژوهشگران مدل‌‌های پیش‌‌بینی درماندگی مالی شرکت‌‌ها را با استفاده از نسبت‌‌های مالی ارائۀ کردند که در اغلب این مدل‌‌ها متغیر وابسته از نوع قطعی (درماندۀ مالی یا غیردرمانده) است و مسئلۀ پیش‌‌بینی را به محدودیتی از نوع دسته‌‌بندی مواجه می‌‌سازد؛ ازاین‌رو، نخستین‌بار مارتین (Martin, 1977) از تحلیل لاجیت[7] برای پیش‌‌بینی ورشکستگی بانک‌‌ها استفاده کرد و در ادامه توسط اولسون (Ohlson, 1980) برای پیش‌‌بینی ناتوانی تجاری به کار گرفته شد. مدل لاجیت نوعی تحلیل چندمتغیری است که به تمامی عوامل پیش‌‌بینی‌‌کنندۀ موجود در مسئله به‌صورت هم‌‌زمان توجه می‌‌کند. مدل لاجیت با اختصاص وزن‌‌هایی به متغیر مستقل، رتبۀ هریک از شرکت‌‌های نمونه را پیش‌‌بینی می‌‌کند و از این رتبه برای تعیین احتمال عضویت در یک گروه معین (درمانده یا سالم) استفاده می‌‌کند که همواره عددی بین صفر و یک است. یکی از معروف‌‌ترین مدل‌‌های پیش‌‌بینی درماندگی مالی با استفاده از تحلیل آماری لاجیت توسط کریستین زاوگین (Zavgren, 1985) ارائه شد. زاوگین با استفاده از صورت‌‌های مالی شرکت‌‌های سالم و درمانده، ضرایب متغیرهای مدل خود را برای 5 سال متوالی 1975 تا 1979 برآورد کرد؛ سپس براساس ضرایب مربوط احتمال درماندگی یک شرکت درمانده را برای نمونه بررسی کرد. مشاهدات وی حاکی‌از آن بود که در طی سال‌‌های 1975 تا 1979 احتمال درماندگی مالی در شرکت‌‌های مذکور روند صعودی داشته است.

در سال‌‌های اخیر با پیشرفت فنّاوری، پژوهشگران بسیاری از تکنیک‌‌های هوش مصنوعی برای پیش‌‌بینی درماندگی مالی استفاده کرده‌‌اند. درواقع، تکنیک‌‌های هوش مصنوعی سیستمی است که یاد می‌‌گیرد و عملکرد حل مسئلۀ خود را باتوجه‌به تجربیات گذشته بهبود می‌‌بخشد. تمرکز مدل‌‌های هوش مصنوعی در حوزۀ پیش‌‌بینی درماندگی مالی بر نشانه‌‌های ناتوانی تجاری است و این مدل‌‌ها اغلب چندمتغیره بوده و متغیرهای استفاده‌شده در آن‌‌ها از صورت‌‌های مالی شرکت استخراج می‌‌شود. ازجملۀ تکنیک‌‌های هوش مصنوعی می‌‌توان به شبکه‌‌های عصبی[8]، الگوریتم ژنتیک[9]، ماشین بردار پشتیبان[10]، الگوریتم درخت تصمیم[11] و الگوریتم جنگل تصادفی[12] اشاره کرد؛ در همین راستا، عزیزی (Azizi, 2021) از الگوریتم‌‌های هوش مصنوعی برای پیش‌‌بینی ورشکستگی مالی شرکت‌‌ها بهره گرفت و نتایج پژوهش، نشان از کارایی تکنیک‌‌های هوش مصنوعی در این حوزه دارد.

همان‌طور که پیشتر اشاره شد، درماندگی مالی مرحله‌‌ای از رکود مالی یک شرکت، قبل از ورشکستگی و انحلال است. در وضعیت درماندگی شدید، واحد تجاری ممکن است از طریق مذاکرۀ مجدد با اعتباردهندگان یا بستانکاران برای به تعویق‌انداختن سررسید دیون، توانایی پرداخت بدهی‌‌ها را به‌صورت موقت کسب کند، اما در حالت ورشکستگی، به هیچ عنوان قادر به پرداخت بدهی‌‌های خود نیست و درواقع، ورشکستگی را می‌‌توان آخرین مرحله از چرخه حیات شرکت عنوان کرد (Lotfi et al., 2024). از منظر حقوقی، وضعیت ورشکستگی در حقوق تجارت کشورها پیش‌‌بینی شده است. در ایران نیز بحث ورشکستگی شرکت‌‌ها در مادۀ 141 قانون تجارت بیان شده است که براساس مفاد آن، اگر زیان‌‌های انباشتۀ واحد تجاری برابر با حداقل نصف سرمایۀ آن شود، هیئت‌مدیره ملزم به دعوت فوری مجمع عمومی فوق‌‌العاده صاحبان سهام می‌‌شود تا دربارۀ موضوع بقا یا منحل‌شدن شرکت شور و رأی‌گیری شود. شواهد موجود حاکی‌از آن است که در چند سال اخیر، شرکت‌‌های بسیاری به‌ویژه شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار تهران مشمول قانون مذکور شده‌‌اند. تعداد بسیاری از این شرکت‌‌ها که ازنظر عملیاتی، تأمین نقدینگی و سرمایه در گردش به مرحلۀ درماندگی رسیده‌‌اند، همچنان در حال فعالیت هستند و منابعی را مصرف می‌‌کنند که می‌‌توانست فرصت سرمایه‌‌گذاری در طرح‌‌ها و پروژه‌‌های سودمند و ارزش‌‌آفرین برای اقتصاد کشور را به همراه داشته باشد.

در هنگام ورشکستگی، واحدهای اقتصادی با دو مشکل عمده مواجه‌‌ می‌‌شوند: کمبود نقدینگی و وجود تعهدات مالی فراوان؛ به بیان دیگر، در وضعیت ورشکستگی جریانات نقدی ورودی حاصل از عملیات، جواب‌گوی ایفای تعهدات مالی شرکت نیست. هر دوی این موارد می‌‌تواند در نتیجۀ مدیریت ضعیف سرمایه در گردش رخ دهد. سرمایه در گردش یک شرکت درواقع، همان بخش جاری ترازنامه است و مؤلفه‌هایی نظیر وجه نقد، حساب‌های دریافتنی، موجودی کالا و حساب‌های پرداختنی و حصه جاری بدهی بلندمدت را شامل می‌‌شود (Aktas et al., 2015). کسیمیلی و گونِی، سرمایه در گردش را به دو نوع خالص و ناخالص تقسیم کردند (Kesimili & Gunay, 2011). سرمایه در گردش خالص، تفاوت بین دارایی‌های جاری و بدهی‌های جاری را نشان می‌‌دهد؛ درحالی‌که سرمایه در گردش ناخالص، مجموعۀ مبالغی است که در دارایی‌‌های جاری یا کوتاه‌‌مدت، از قبیل وجه نقد، اوراق بهادار قابل فروش، حساب‌های دریافتنی و موجودی مواد سرمایه‌‌گذاری می‌‌شود. براساس مبانی نظری، سرمایه در گردش متشکل از دو جزء نقدی (وجه نقد و معادل آن مانند اوراق بهادار قابل فروش) و غیرنقدی (حساب‌های دریافتنی، موجودی مواد و کالا، حساب‌های پرداختنی و سایر دارایی‌‌های جاری و بدهی‌‌های جاری غیرنقدی) است که به‌صورت توأم، جنبه‌‌های نقدینگی و عملیاتی شرکت را نشان می‌‌دهند و ترکیب آن‌ها بیانگر چگونگی عملکرد یک واحد تجاری است (Mun & Jang., 2015)؛ ازاین‌رو، مدیریت سرمایه در گردش یکی از مؤلفه‌‌های مهم در تصمیم‌‌گیری شرکت‌‌ها عنوان می‌‌شود. درحقیقت مدیریت سرمایه در گردش را می‌‌توان این‌گونه تعریف کرد: قرار تعیین حجم و ترکیب منابع و مصارف سرمایه در گردش به‌نحوی‌که موجب افزایش ثروت سهام‌داران شود. به‌‌طورکلی، سودآوری و عملکرد شرکت در گرو نظارت و بررسی فرایندهای سرمایه در گردش و نیز ترکیب کارا از سرمایه در گردش برای فعالیت‌‌های روزمره است؛ د نتیجه، درنظرگرفتن مدیریت سرمایه در گردش در برنامه‌‌ریزی‌‌های تأمین مالی شرکت امری ضروری به شمار می‌‌رود (Sepasi et al., 2017). به عقیدۀ نوین و همکاران (Nguyen et al., 2020) ایجاد تعادل مناسب بین دارایی‌‌های جاری و بدهی‌‌های جاری در قالب توانایی عمل به تعهدات مالی به‌ویژه در تاریخ سررسید آن‌ها، هدف اصلی سیاست مدیریت سرمایه در گردش در یک شرکت است؛ بنابراین، مدیریت سرمایه در گردش ازآنجایی‌که به طور مستقیم بر روی نقدینگی و سودآوری واحد‌‌های تجاری اثرگذار است، چنانچه به‌صورت کارآمد مدیریت نشود، می‌‌تواند باعث افزایش احتمال ورشکستگی شرکت‌‌ها باوجود سودآوری مثبت شود (Kargar & Blumethal., 1994). حبیب و کایانی، مطالعه‌‌ای را با هدف بررسی تأثیر بالقوۀ مدیریت سرمایه در گردش بر احتمال درماندگی مالی شرکت‌‌های اماراتی انجام دادند که نتایج آن، تأثیر منفی و معنی‌دار کارایی مدیریت سرمایه را در گردش بر احتمال درماندگی مالی شرکت‌ها نشان داد (Habib & Kayani, 2022). اپلر و همکاران بیان می‌‌کنند که مدیریت سرمایه در گردش همواره یکی از عوامل مؤثر در تعادل بین وضعیت درماندگی و سودآوری است و برای مقابلۀ شرکت‌‌ها با شرایط درماندگی مالی و افزایش ریسک ورشکستگی، مدیریت سرمایه در گردش امری ضروری به شمار می‌‌رود (Opler et al., 1999)؛ ازاین‌رو، برای بسیاری از شرکت‌‌ها مدیریت سرمایه در گردش کارا و شناخت وضعیت شرکت ازلحاظ سالم و درمانده‌بودن از موضوعات مهم مدیریتی به شمار می‌‌رود که مدیران را قادر می‌‌سازد با نگهداری سطح بهینه‌‌ای از سرمایه در گردش، موجب تداوم فعالیت و جلوگیری از درماندگی مالی شده و ارزش شرکت را افزایش دهند. باتوجه‌به مطالب عنوان‌شده، سؤال اول پژوهش بدین صورت تدوین می‌‌شود که آیا مؤلفه‌‌های مدیریت سرمایه در گردش توان پیش‌‌بینی درماندگی مالی شرکت‌‌ها را دارند.

پژوهش‌‌های انجام‌شده در حوزۀ مدیریت سرمایه در گردش، در برگیرندۀ سه دیدگاه متفاوت است (Azizi & Jokar., 2022)؛ دیدگاه اول بیان می‌‌کند که سطح عالی سرمایه در گردش به شرکت امکان می‌‌دهد فروش محصولات خود را افزایش داده و با پرداخت بدهی‌‌ها قبل از تاریخ سررسید از تخفیفات نقدی بیشتری برخوردار شوند. بدین ترتیب ارزش شرکت افزایش و احتمال اینکه شرکت دچار درماندگی مالی شود، کاهش می‌‌یابد؛ از دیدگاه دوم، برای نگهداشت سطح عالی از سرمایه در گردش، واحد تجاری باید تأمین مالی بیشتری نیز انجام دهد؛ ازاین‌رو، هزینه‌‌های مالی شرکت افزایش می‌‌یابد و احتمال درماندگی مالی و ورشکستگی قوت می‌‌گیرد. در پژوهشی که پانیگراهی (Panigrahi, 2014) رابطۀ بین سرمایه در گردش، نقدینگی، سودآوری و ریسک ورشکستگی در بورس اوراق بهادار پاکستان را برای دورۀ سال های 2000 تا 2009 بررسی کرد، به این نتیجه رسید که سیاست‌‌های جسورانه در زمینۀ سرمایه در گردش که با افزایش نرخ بدهی همراه است، ریسک نکول شرکت و درنتیجه، ریسک ورشکستگی را افزایش می‌‌دهد؛ به‌علاوه، نتایج پژوهش کلانترزاده (Kalantarzadeh, 2018) نیز نشان می‌‌دهد نگهداشت نقدینگی زیاد نه‌تنها باعث سودآوری نمی‌‌شود، بلکه باتوجه‌به وجود هزینۀ فرصت زیاد نگهداشت پول، شاهد کاهش سودآوری خواهیم بود و در نتیجۀ کاهش سودآوری، ریسک ورشکستگی شرکت افزایش خواهد یافت؛ دیدگاه سوم عقیده دارد در صورت کاهش سطح سرمایه در گردش، شرکت شکوفایی خود را از دست می‌دهد و به‌سختی می‌‌تواند فعالیت خود را ادامه دهد. یکی از علل اصلی در بروز درماندگی مالی و ورشکستگی در واحدهای تجاری کوچک در بسیاری از کشورهای درحال‌توسعه و پیشرفته، نبود سرمایه در گردش کافی عنوان می‌‌شود (Caballerol et al., 2013).

سرمایه در گردش توسط معیارهای مختلفی سنجش می‌شود که این معیارها با عنوان شاخص‌‌های مدیریت سرمایه در گردش بیان می‌‌شوند. چرخۀ تبدیل وجه نقد (CCC)[13] مؤلفۀ اصلی مدیریت سرمایه در گردش قلمداد می‌‌شود که به مدت زمان لازم برای فروش موجودی کالا و وصول مطالبات از بدهکاران و تسویه حساب‌های پرداختنی اشاره دارد (Nobanee, 2009). طولانی‌‌ترشدن چرخۀ تبدیل وجه نقد، واحد تجاری را ملزم می‌‌کند که سرمایه‌‌گذاری بیشتری در سرمایه در گردش انجام دهد. درصورتی‌که هزینۀ سرمایه‌‌گذاری در سرمایه در گردش بیشتر از منافع حاصل از سرمایه‌‌گذاری در موجودی‌‌ها و اعطای اعتبارات تجاری بیشتر به خریداران محصول باشد، می‌‌تواند سودآوری و ارزش شرکت را کاهش دهد و درنتیجه، به درماندگی مالی منجر شود (Morshed, 2020).

لی و همکاران (Le et al., 2018) تأثیر مدیریت سرمایه در گردش را با استفاده از متغیر چرخۀ تبدیل نقد (CCC) بر عملکرد مالی 69 شرکت دولتی در ویتنام طی دورۀ سه ساله از 2014 تا 2016 بررسی کردند. نتایج حاکی‌از آن است که مدیریت سرمایه در گردش تأثیر مثبتی بر عملکرد مالی شرکت‌های نمونه دارد. چرخۀ تبدیل وجه نقد، خود در برگیرندۀ سه مؤلفۀ دورۀ وصول حساب‌های دریافتنی، دورۀ گردش موجودی کالا و دورۀ پرداخت حساب‌‌های پرداختنی است که به صورت مختصر توضیح داده می‌‌شوند.

دورۀ دریافت حساب‌های دریافتنی (ACP)[14] که به دورۀ وصول مطالبات نیز معروف است، بیانگر تعداد روزهایی است که شرکت مطالبات خود را از مشتریانش جمع‌‌آوری می‌‌کند. لانگ و همکاران (Long et al., 1993) عقیده دارند فروش محصولات به‌صورت نسیه و معاملات اعتباری، ابزاری برای جذب مشتریان جدید است و ازآنجایی‌که این امکان را به مشتریان می‌‌دهد که کیفیت محصول را قبل از پرداخت وجه ارزیابی نمایند، می‌‌تواند باعث تحریک فروش شود. ازطرفی اعطای اعتبارات بیش از حد ممکن است افزایش مطالبات سوخت‌‌شده را در پی داشته باشد و احتمال درماندگی مالی را افزایش دهد؛ بنابراین، مدیریت حساب‌های دریافتنی و اعطای اعتبارات می‌‌تواند تأثیرات مهمی بر روی سودآوری واحد تجاری و درنتیجه ارزش آن داشته باشد.

دورۀ گردش موجودی کالا (ITID)[15] به فاصلۀ زمانی بین دریافت مواد اولیه، تبدیل آن به کالا و فروش محصول به مشتری گفته می‌‌شود. به عبارت دیگر، دورۀ گردش موجودی کالا تعداد روزهایی را نشان می‌‌دهد که شرکت موجودی مواد و کالا را نگهداری می‌کند. گردش کم موجودی کالا می‌‌تواند ناشی از کارایی‌نداشتن در فروش محصولات یا انباشته‌شدن کالای غیرقابل فروش در انبار باشد. ازآنجایی‌که سطح بهینه‌‌ای از گردش موجودی کالا باعث آزادشدن منابع سرمایه در گردش در چرخۀ کسب‌وکار تجاری می‌‌شود، تأثیر مستقیمی را بر سودآوری شرکت می‌‌گذارد (Lazaridis & Tryfonidis., 2006).

دورۀ پرداخت حساب‌‌های پرداختنی(APP)،[16] میانگین مدت زمانی است که واحد تجاری بدهی‌‌های خود را به طلبکاران می‌‌پردازند که همان تأمین‌‌کنندگان هستند. تأخیر در بازپرداخت بدهی‌‌ها، به شرکت‌‌ها این امکان را می‌‌دهد که از وجوه نقد بهرۀ کافی را برده و بتوانند بهترین استفاده را از سرمایه در گردش خود برای فعالیت و خلق سود بیشتر به کار گیرند (Khan et al., 2021)؛ بااین‌حال، قصور و تأخیر بیش از حد در پرداخت دیون می‌‌تواند بر رتبۀ اعتباری شرکت اثر منفی داشته باشد (Onchangwa, 2019). نجارپور و خانلاری نشان دادند که افزایش در وصول حساب‌های دریافتنی و نیز کاهش در موجودی کالا که در نتیجۀ فروش بیشتر شرکت است، احتمال درماندگی مالی را کاهش می‌‌دهد (Najarpoor & Khanlari, 2020)؛ به‌علاوه، افزایش در حساب‌های پرداختنی که نشان از افزایش تعهدات مالی شرکت دارد، باعث افزایش احتمال درماندگی مالی شرکت می‌‌شود. یافته‌‌های پژوهش کردستانی و همکاران (Kordestani et al., 2012) نیز نشان می‌دهد، شرکت‌هایی که بدهی کوتاه‌مدت بیشتر و نقدینگی کمتری از سایر شرکت‌ها دارند و از سودآوری کمتری نیز برخوردار هستند، خطر بروز درماندگی مالی در آن‌ها به مراتب بیشتر از دیگر شرکت‌هاست.

نسبت گردش سرمایۀ جاری (WCT)[17] از دیگر شاخص‌‌های مدیریت سرمایه در گردش محسوب می‌‌شود که از تقسیم فروش خالص به سرمایه در گردش خالص به دست می‌‌آید. این نسبت، چگونگی به کارگیری سرمایه در گردش در مسیر فروش را نشان می‌‌دهد(Dar & Dar, 2017) و بیان می‌‌کند که آیا مقدار سرمایه در گردش کافی و متناسب با حجم فروش و فعالیت شرکت هست یا خیر. اگر افزایش فروش سبب بالارفتن این نسبت نباشد، بی‌شک در نتیجۀ اتکای بیش از حد شرکت به اعتبارات کوتاه‌‌مدت است که می‌‌تواند مشکلات مالی را برای واحد تجاری ایجاد کند. امامی و فرید (Emami & Farid, 2016) در بررسی ارتباط بین سرمایه در گردش و عملکرد مالی شرکت‌‌ها و میزان سطح بهینۀ سرمایه در گردش به این نتیجه رسیدند که هرچه میزان سرمایه در گردش کمتر باشد، مدیران در صدد برمی‌‌آیند میزان سرمایه‌‌گذاری در سرمایه در گردش را افزایش دهند و از این طریق، باعث افزایش فروش شرکت شوند. با این تفاسیر نقطه‌عطفی در سرمایه در گردش وجود دارد که از آن نقطه به بعد هرچه سرمایه‌‌گذاری در سرمایه در گردش بیشتر شود، به دلیل افزایش هزینۀ بهره و بالارفتن ریسک اعتباری و ورشکستگی شرکت، ارزش شرکت کمتر خواهد شد. نسبت‌‌های مذکور اغلب جنبۀ عملیاتی شرکت را نشان می‌‌دهند، درصورتی‌که برای مدیریت سرمایه در گردش باید جنبه‌‌های مالی آن را نیز مد نظر قرار داد. به‌صورت کلی مدیریت سرمایه در گردش بر وضعیت نقدینگی شرکت اثر می‌گذارد؛ بنابراین، مطالعۀ تغییرات در مصارف و منابع سرمایه در گردش برای ارزیابی کارایی سرمایه در گردش در یک کسب‌وکار ضروری است.

نسبت جاری (CR)[18] که به نسبت سرمایه در گردش نیز معروف است از تقسیم دارایی‌‌های جاری به بدهی‌‌های جاری حاصل می‌‌شود. این نسبت علاوه بر ارزیابی یا شناسایی مشکلات نقدینگی شرکت، می‌‌تواند نحوۀ استفاده از سرمایه در گردش را نیز ارزیابی کند (Christianty & Latuconsina., 2023). افزایش نسبت جاری تأثیر مثبتی بر درماندگی مالی دارد، به‌نحوی‌که می‌‌تواند بر توانایی پرداخت کلیۀ بدهی‌‌های مالی کوتاه‌مدت در تاریخ سررسید اثرگذار باشد (Yuliana et al., 2020). نسبت جاری، نسبت خالص سرمایه در گردش به کل دارایی‌‌ها (WCTA)[19] نیز یکی دیگر از شاخص‌‌هایی است که مدیریت سرمایه در گردش را به لحاظ نقدینگی می‌‌سنجد. پژوهش‌های انجام‌شده نشان‌دهندۀ تأثیر منفی درخور توجه این نسبت بر بروز درماندگی مالی است، به طوری که بالابودن این نسبت باعث می‌‌شود که شرکت‌‌ها کمتر در معرض درماندگی مالی قرار بگیرند (Lakshan & Wijekoon., 2012; Alifiah et al., 2018). به‌علاوه، نتایج پژوهش آدیتیا و همکاران (Aditya et al., 2022) با هدف تجزیه‌وتحلیل نسبت‌‌های مالی در پیش‌‌بینی درماندگی مالی شرکت‌‌های خرده‌فروشی فهرست‌شده در بورس اوراق بهادار اندونزی بین سال‌‌های 2018 تا 2020، نشان می‌‌دهد که نسبت سرمایه در گردش به کل دارایی‌‌ها تأثیر مثبت و معناداری بر درماندگی مالی دارد. آن‌ها مشاهده کردند شرکت‌‌هایی که در طبقۀ شرکت‌‌های درمانده قرار گرفته‌‌اند، بدهی‌‌های جاری بیشتری نسبت به دارایی‌‌های جاری خود دارند. دلیل این امر می‌‌تواند بیانگر تأمین مالی بیش از حد دارایی‌‌های جاری از طریق بدهی‌‌های جاری باشد. مویگای و ناسیکو (Muigai & Nasieku, 2021) پژوهشی را برای بررسی چگونگی تأثیر مدیریت وجوه نقد، مدیریت موجودی کالا و مدیریت حساب‌های دریافتنی به‌عنوان شاخص‌‌های مدیریت سرمایه در گردش بر درماندگی مالی شرکت‌‌های غیرمالی پذیرفته‌شده در بورس اوراق بهادار نایروبی (NSE)[20] انجام دادند. این پژوهش نشان داد که مدیریت نقدینگی تأثیر مثبت و معناداری بر شاخص درماندگی مالی شرکت‌ها دارد؛ علاوه بر این، این مطالعه نشان داد که دورۀ نگهداری موجودی به طور منفی و معنی‌داری با شاخص درماندگی مالی شرکت‌ها مرتبط است؛ به‌علاوه، این مطالعه نشان داد که دورۀ پرداخت دیون بر شاخص درماندگی مالی تأثیر مثبت و معناداری دارد. این مطالعه توصیه می‌کند که مدیریت شرکت‌های غیرمالی در بورس باید از مدیریت مناسب اجزای سرمایه در گردش اطمینان حاصل کند تا از مصادیق مشکلات مالی شرکت محافظت کند. باتوجه‌به متعددبودن مؤلفه‌‌های مدیریت سرمایه در گردش، سؤال دوم پژوهش بدین صورت مطرح می‌‌شود که کدامیک از مؤلفه‌‌های سرمایه در گردش اهمیت بیشتری در شناسایی و پیش‌‌بینی درماندگی مالی شرکت‌‌ها دارد.

روش‌‌ پژوهش

هدف اول پژوهش حاضر پاسخ به این سؤال است که آیا با استفاده از معیارهای سرمایه در گردش می‌‌توان به نحو مطلوبی درماندگی مالی در شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار تهران را پیش‌‌بینی کرد. پژوهش حاضر از بُعد هدف کابردی و از منظر ماهیت و روش پژوهش توصیفی _ همبستگی با استفاده از داده‌‌های کمّی به شمار می‌‌رود. داده‌‌های استفاده‌شده در پژوهش به روش کتابخانه‌‌ای با استفاده از پایگاه داده نرم‌افزار ره‌آورد نوین و وب‌سایت کدال گردآوری شده‌‌ و حجم نمونۀ آماری با استفاده از روش حدف نظام‌‌مند (سیستماتیک) برای انجام فرایند پژوهش آماده‌‌سازی شده است. بر همین اساس، نمونۀ آماری این پژوهش، شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار تهران هستند که در درجۀ اول، تا پایان اسفند ماه سال 1401 در بورس اوراق بهادار تهران پذیرفته شده باشد و به‌منظور افزایش قابلیت قیاس‌پذیری و برای پیشگیری از ناهمگونی، سال مالی آن‌ها منتهی به بیست‌و‌نهم اسفندماه باشد؛ به‌علاوه، به سبب متفاوت‌بودن ماهیت فعالیت شرکت‌های خدماتی نظیر سرمایه‌گذاری‌ها و چندرشته‌ای‌ها، بانک‌ها، لیزینگ، بیمه و خدمات رایانه‌ای و نیز شرکت‌های فعال در حوزۀ عرضۀ انرژی (برق و گاز) نمونۀ انتخابی، این‌گونه شرکت‌ها را شامل نمی‌شود؛ زیرا این‌گونه شرکت‌ها فاقد موجودی کالا به‌عنوان یکی از اقلام اساسی دارایی‌های جاری و به‌تبع آن سرمایه در گردش، هستند؛ درنهایت، برای انجام فرایند پژوهش ضروری است که اطلاعات مالی لازم شرکت‌‌ها طی سال‌‌های 1397 تا 1401 در دسترس باشد.

پس از اعمال محدودیت‌‌های فوق تعداد 167 شرکت برای نمونه در دسترس قرار گرفت که با لحاظ سری زمانی 5 ساله (دامنۀ زمانی بین سال‌‌های 1397 تا 1401) مد نظر پژوهش، در کل تعداد 835 داده به دست آمد. به‌منظور انجام پژوهش داده‌‌های استخراج‌‌شده که به شکل داده‌‌های خام صورت‌‌های مالی هستند، پس از گردآوری ابتدا در نرم‌‌افزار Excel به‌صورت منظم و ساختاریافته مرتب می‌‌شوند؛ سپس با استفاده از همان نرم‌‌افزار، به شکل اطلاعات قابل استفاده، یعنی نسبت‌‌های مالی مورد نظر برای انجام پژوهش در می‌‌آیند.

در ابتدا برای تعیین وضعیت درماندگی مالی شرکت‌‌های نمونه به‌عنوان متغیر هدف (Lable) از مدل زاوگین (1985) استفاده شده است که به‌صورت رابطۀ (1) ارائه می‌‌شود.

جدول (1):. متغیرهای استفاده شده در مدل درماندگی مالی زاوگین (1985)

Table (1) The variables of the financial distress of Zawgin (1985)

این فرایند در نرم‌افزار Excel انجام می‌‌گیرد؛ بدین ترتیب که در ابتدا نسبت‌‌های لازم که در جدول (1) به آن‌ها اشاره شده است، برای محاسبۀ Y با استفاده از داده‌‌های خام صورت‌‌های مالی ساخته می‌‌شوند؛ سپس با جایگذاری آن‌‌ نسبت‌‌ها در مدل زاوگین، Y به دست می‌‌آید. پس از محاسبۀ Y، با استفاده از فرمول زیر احتمال درماندگی مالی شرکت‌‌ها (P_i) برآورد می‌‌شود:

مقدار (e) برابر با 71828/2 در نظر گرفته شده است. خروجی مدل عددی در دامنۀ بین صفر و یک است و احتمال درماندگی مالی را نشان می‌‌دهد. ازآنجایی‌که در مدل فوق افزایش متغیرهای با ضرایب مثبت e^-y را به سمت صفر کاهش می‌‌دهد، باعث نزدیک‌شدن تابع احتمال درماندگی به سمت 1 یا 100درصد شده و درنتیجه احتمال درماندگی مالی را افزایش می‌‌دهد؛ به همین ترتیب، افزایش متغیرهای با ضرایب منفی منجر به کاهش احتمال درماندگی مالی می‌‌شود. باتوجه‌به اینکه خروجی مدل فوق عددی بین صفر و یک ارائه می‌‌دهد، اگر احتمال محاسبه‌شده بیشتر از 5/0 باشد، مطالعۀ حاضر این مشاهدات را درماندۀ مالی تلقی کرده و اگر احتمال محاسبه‌شده کمتر از 5/0 باشد، مشاهده شرکت غیردرمانده یا سالم طبقه‌‌بندی می‌‌شود (Waqas & Md-Rus, 2018). پس از تعیین وضعیت و طبقه‌‌بندی شرکت‌‌ها به دو گروه درمانده و سالم، توان پیش‌‌بینی درماندگی مالی براساس معیارهای مدیریت سرمایه در گردش با استفاده از الگوریتم جنگل تصادفی سنجیده می‌‌شود.

در این پژوهش از 7 مؤلفه‌‌ به‌عنوان مؤلفه‌‌های مدیریت سرمایه در گردش و متغیرمستقل (Feature) استفاده می‌‌شود که به ترتیب عبارت‌اند از: دورۀ وصول مطالبات (ACP) که از تقسیم متوسط حساب‌‌های دریافتنی به فروش ضربدر 365 حاصل می‌‌شود؛ دورۀ گردش موجودی کالا (ITID) که از تقسیم متوسط موجودی کالا بر بهای تمام‌شدۀ کالای فروش‌رفته ضربدر 365 حاصل می‌‌شود؛ دورۀ پرداخت حساب‌‌های پرداختنی (APP) که از تقسیم متوسط حساب‌های پرداختنی بر بهای تمام‌شدۀ کالای فروش‌رفته ضربدر 365 به دست می‌آید؛ چرخۀ تبدیل وجه نقد (CCC) که ازطریق کسرکردن دورۀ پرداخت حساب‌های پرداختنی از مجموع دورۀ وصول مطالبات و دورۀ گردش موجودی کالا محاسبه می‌‌شود؛ نسبت گردش سرمایه جاری (WCT) که برابر است با فروش تقسیم بر خالص سرمایه در گردش؛ نسبت جاری (CR) که برابر است با تقسیم دارایی‌‌های جاری بر بدهی‌‌های جاری و درنهایت، نسبت خالص سرمایه در گردش به کل دارایی‌‌ها (WCTA) که از تقسیم خالص سرمایه در گردش بر کل دارایی‌‌ها به دست می‌آید.

رگرسیون جنگل تصادفی ابتدا توسط هو (Ho, 1998) معرفی شد؛ سپس توسط بریمن (Breiman, 2001) و نیز کاتلر و ژائو ( (Cutler & Zhao, 2001 در پژوهش‌های جداگانه‌ای توسعه یافت. این روش مبتنی بر یادگیری جمعی[21] است که برای مسائل طبقه‌بندی[22] و رگرسیونی کاربرد دارد و جزء الگوریتم‌های یادگیری نظارت‌شده[23] قرار می‏گیرد. در روش‌های نظارت‌شده عموماً داده‌ها به دو گروه داده‌های تمرین[24] و داده‌های آزمون[25] تقسیم می‌شوند. در مرحلۀ یادگیری، مدل تلاش می‌کند الگوی تبعی موجود یا به بیانی نحوۀ ارتباط متغیر وابسته را با هریک از متغیرهای توضیحی شناسایی کند که میزان اعتبار این یادگیری به‌وسیلۀ داده‌های آزمون سنجیده می‌شود. در فرایند یادگیریِ الگوریتم جنگل تصادفی، درختان به‌صورت مستقل و موازی آموزش می‌بینند؛ به این معنی که هنگام ساخت درختان، هیچ تعاملی بین آن‌ها وجود ندارد. روش جنگل تصادفی با ساخت تعداد زیادی از درختان تصمیم در زمان آموزش، نتایج پیش‌بینی هر درخت را ترکیب کرده و نتیجۀ نهایی را ارائه می‌دهد. (شکل 1)

شکل(1):. عملکرد روش جنگل تصادفی

جنگل تصادفی را می‌توان حالت گسترش‌یافتۀ روش درخت تصمیم[26] دانست. یک درخت تصمیم مشتمل بر سه نوع گره، شامل گرۀ اصلی[27]، گرۀ تصمیم[28] و گرۀ برگ[29] است. گرۀ اصلی گره‌ای است که تقسیم‌بندی از آن شروع می‌شود. گره‌هایی که پس از تقسیم‌ گرۀ اصلی ایجاد می‌شوند، گره‌های تصمیم و گره‌هایی که در آن‌ها تقسیم بیشتر امکان‌پذیر نیست، گرۀ برگ نامیده می‌شوند. درخت تصمیم از روندنگار[30] درختی برای ارائۀ یک پیش‌بینی مبتنی بر ویژگی‌ها استفاده می‌کند که از گرۀ اولیه شروع و به برگ‌های نهایی حاصل از هر تقسیم‌بندی اطلاعاتی ختم می‌شود.

 به طور معمول، درخت تصمیم دارای مشکل بیش‌برازش است؛ درحالی‌که روش جنگل تصادفی با اعنتا به رویکرد بسته‌بندی،[31] زیرمجموعه‌هایی از مجموعۀ کل داده‌ها ایجاد می‌کند و نتیجۀ نهایی براساس میانگین نتایج زیرمجموعه‌ها ارائه می‌شود که این امر، معضل بیش‌برازش را به شکل چشمگیری خنثی می‌کند. یکی از ویژگی‌های درخور توجه این است که می‌توان اهمیت ویژگی‌ها را در تعیین روند متغیر هدف رتبه‌بندی کرد که در این پژوهش نیز از این قابلیت برای پاسخ به سؤال دوم پژوهش استفاده خواهد شد.

یافته‌‌ها

برای برآورد مقادیر پیش‌‌بینی درماندگی مالی به کمک نرم‌افزار پایتون،[32] به‌صورت تصادفی 80درصد داده‌ها، داده‌های تمرین و 20درصد از داده‌ها، داده‌های آزمون منظور ‌شد. در میان تعداد 167 شرکت داده‌‌های آزمون، باتوجه‌به تعیین نقطۀ برش 5/0 برای تعیین درماندگی مالی، تعداد 116 شرکت واقعاً سالم و تعداد 51 شرکت از 167 شرکت واقعاً درماندۀ مالی هستند. معیار دقت،[33]  یکی از معیارهای استفاده‌شده در ارزیابی مدل است که نسبت تشخیص‌‌های درست مدل به کل تشخیص‌‌ها را نشان می‌‌دهد و از طریق رابطۀ (3) به دست می‌‌‌‌آید.

دقت به‌دست‌آمده از تخمین، عدد 85درصد را نشان می‌‌دهد؛ به این معنا که باتوجه‌به آنچه مدل با استفاده از داده‌های تمرین در مرحلۀ یادگیری آموخته است، توانسته به طور متوسط 85درصد درماندگی یا عدم درماندگی مالی شرکت‌ها را به درستی از میان داده‌های آزمون پیش‌بینی کند. (جدول 2)

جدول(2): گزارش معیارهای ارزیابی طبقه‌‌بندی به روش جنگل تصادفی

Table (2) The report of the criteria for classification evaluation using random forest

به‌علاوه معیار F1-Score بیانگر مقدار برازندگی مربوط به تخمین مدل است که مطابق با رابطۀ (4) به‌‌دست می‌‌آید:

در رابطۀ (4) مقدار F1-Score از ترکیب صحت[34] و پوشش[35] حاصل می‌‌شود که به ترتیب در رابطۀ 5 و 6 به آن‌ها اشاره شده است:

به‌طورکلی، رابطۀ (5) بیانگر این است که وقتی مدل، نتیجه را مثبت پیش‌‌بینی می‌‌کند، این نتیجه تا چه اندازه درست است؛ به‌علاوه، رابطۀ (6) توانایی مدل طبقه‌بندی‌‌کننده در یافتن تمام نمونه‌های مثبت را نشان می‌‌دهد؛ بنابراین، F1-Score را می‌‌توان میانگین هارمونیک وزنی صحت و پوشش تفسیر کرد که در بهترین حالت، یک و در بدترین حالت به صفر می‌‌رسد. یافته‌‌های پژوهش نشان می‌‌دهد که معیار F1-Score به‌‌دست‌آمده در تخمین مدل، برای شناسایی شرکت‌‌های سالم 89/0 و برای پیش‌‌بینی شرکت‌‌های درمانده 76/0 است که باتوجه‌به نزدیک‌بودن به عدد 1 می‌‌توان گفت باتوجه‌به این معیار نیز تخمین مدل با دقت خوبی انجام شده است.

شکل (2) که به‌عنوان confusion_matrix شناخته می‌‌شود، چگونگی طبقه‌‌بندی داده‌‌ها توسط الگوریتم جنگل تصادفی با استفاده از داده‌‌های آزمون را نشان می‌‌دهد.

شکل (2):. confusion_matrix مربوط به مدل جنگل تصادفی در نمونۀ آزمایشی

Figure (2) Confusion matrix related to random forest model in the experimental sample

شکل (2) بیان می‌‌کند که الگوریتم جنگل تصادفی، تعداد 102 شرکت غیردرماندۀ مالی یا سالم را که با عدد صفر نشان داده شده است، به‌درستی در طبقۀ شرکت‌‌های سالم جای داده است (TN)؛[36] به‌علاوه، تعداد 40 شرکت دچار درماندگی مالی را که با عدد 1 نشان داده شده است، به‌درستی درماندۀ مالی پیش‌‌بینی کرده است (TP).[37]  این مدل تعداد 14 شرکت سالم را به غلط درماندۀ مالی (FN)[38] و تعداد 11 شرکت دچار درماندگی مالی را سالم پیش‌‌بینی کرده است (FN).[39]  برای درک بهتر مطالب عنوان‌شده جدول (3) ارائه شده است.

جدول (3):. نتایج حاصل از برآورد به روش جنگل تصادفی در نمونۀ آزمایشی

Table (3) The results of the estimation using the random forest model in the experimental sample

جدول(3)، نشان می‌‌دهد که از میان 167 شرکت نمونه مدل پژوهش توانسته است تعداد 142 (102+40) شرکت را به‌صورت درست طبقه‌‌بندی کند؛ به‌این‌ترتیب، الگوریتم جنگل تصادفی به طور متوسط تا 85درصد در پیش‌‌بینی درماندگی مالی شرکت‌‌ها موفق بوده است.

برای سنجش نتایج حاصل از مدل‌‌های طبقه‌‌بندی‌‌کننده، نظیر الگوریتم جنگل تصادفی به‌منظور ارزیابی میزان قابلیت مدل در شناسایی طبقۀ مورد نظر استفاده از نمودار ROC[40] است (نمودار 1). این نمودار که به منحنی مشخصۀ عملکرد معروف است، ارتباط بین میزان موارد درست طبقه‌‌بندی‌‌شده و نادرست طبقه‌‌بندی‌‌شده را نشان می‌‌دهد. هرچه میزان انحراف از خط مبنا برای یک طبقۀ خاص در منحنی ROC بیشتر باشد، کارایی الگوریتم جنگل تصادفی در آن طبقه بیشتر است؛ بدین ترتیب، بررسی نمودار ROC مربوط به الگوریتم جنگل تصادفی در این پژوهش که در ذیل آورده شده است، نشان از حساسیت و دقت زیاد مدل در تشخیص درست طبقه‌‌ها دارد. نتیجه حاکی‌از آن است که مؤلفه‌‌های مدیریت سرمایه در گردش عملکرد مطلوبی در شناسایی شرکت‌‌های درمانده و سالم دارد.

نمودار (1):. ROC، مربوط به مدل الگوریتم جنگل تصادفی در نمونۀ آزمایشی

Diagram (1) The ROC related to random forest algorithm in the experimental sample

برای پاسخ به سؤال دوم پژوهش، یکی از خصوصیات مهم الگوریتم جنگل تصادفی، رتبه‌‌بندی میزان اهمیت هریک از مؤلفه‌‌های مدیریت سرمایه در گردش برای رسیدن به نمرۀ 85درصد در تشخیص درست شرکت‌‌های درمانده و سالم است. نمودار (2) میزان اهمیت هریک از مؤلفه‌‌های مدیریت سرمایه در گردش را پیش‌‌بینی درماندگی مالی شرکت‌‌ها نشان می‌‌دهد.

نمودار (2):. میزان اهمیت مؤلفه‌‌های مدیریت سرمایه در گردش در پیش‌‌بینی درماندگی مالی

Diagram (2) The importance of the working capital variables in financial distress prediction

مبنای محاسبۀ اهمیت ویژگی‌‌ها در الگوریتم جنگل تصادفی، اطلاعاتی است که هر ویژگی برای دسته‌‌بندی صحیح متغیر هدف ارائه می‌‌دهد. نحوۀ عملکرد رتبه‌‌بندی ویژگی‌‌ها بدین صورت است که با حذف هر ویژگی، عملکرد مدل براساس معیارهای خوبی برازش تا چه اندازه تضعیف می‌‌شود؛ درنتیجه، با بهره‌‌گیری از این خصوصیت می‌‌توان ویژگی‌‌ها را براساس ارائۀ اطلاعات مفید برای دسته‌‌بندی صحیح متغیر هدف، رتبه‌‌بندی کرد. نمودار(2) نشان می‌‌دهد که دورۀ وصول مطالبات (ACP) به شکل چشمگیری اهمیت بیشتری از سایر شاخص‌‌های مدیریت سرمایه در گردش در پیش‌‌بینی درماندگی مالی شرکت‌‌ها دارد. پس از دورۀ وصول مطالبات، نسبت جاری (CR) در جایگاه دوم مهم‌‌ترین مؤلفۀ سرمایه در گردش در پیش‌‌بینی درماندگی مالی قرار دارد. دورۀ پرداخت حساب‌های پرداختنی (APP) و دورۀ گردش کالا و مواد (ITID) نیز دارای رتبه‌‌های سوم و چهارم درجۀ اهمیت در شناسایی و پیش‌‌بینی درماندگی مالی شرکت‌‌ها هستند. بر همین اساس، می‌‌توان عنوان کرد نقطۀ شروع مشکلات مالی شرکت، وصول‌نشدن مطالبات شرکت در موعد مقرر است که افزایش در دورۀ وصول مطالبات را در پی دارد و اگر مدیریت شرکت برای حل این مشکل راه‌‌ حل مناسبی نداشته باشد، مشکلات دیگر نیز بروز خواهند کرد که درنهایت، واحد تجاری را به درماندگی مالی دچار می‌‌کند.

نتیجه‌‌گیری

هدف این مطالعه بررسی توان شاخص‌‌های مدیریت سرمایه در گردش در پیش‌‌‌‌بینی درماندگی مالی است؛ به‌علاوه، پژوهش حاضر در تلاش است به این پرسش پاسخ دهد که کدام‌یک از مؤلفه‌‌های سرمایه در گردش اهمیت بیشتری در پیش‌‌بینی مد نظر دارند. بدین منظور، از اطلاعات مالی شرکت‌‌های پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی سال‌‌های 1397 تا 1401 استفاده شد که پس از اعمال محدودیت‌‌های سیستماتیک تعداد 167 شرکت و برای 5 سال در مجموع 835 شرکت برای نمونۀ نهایی استخراج شد. پس از آن برای انجام مدل 80درصد داده‌‌ها برای داده‌‌های تمرین و 20درصد داده‌‌‌‌ها برای داده‌‌های آزمون منظور شد. تجزیه‌وتحلیل داده‌‌ها با استفاده از الگوریتم جنگل تصادفی به کمک نرم‌‌افزار پایتون بررسی شد و نتایج به‌دست‌آمده حاکی‌از آن است که شاخص‌‌های مدیریت سرمایه در گردش تا 85درصد توان پیش‌‌بینی درماندگی مالی شرکت‌‌ها را دارد. این نتیجه همسو با مطالعاتی همچون حبیب و کایانی (Habib & Kayani, 2022)، مرشد (Morshed, 2020)، لی و همکاران (Le et al., 2018) است؛ بنابراین، هرچه شرکتی ازنظر مدیریت سرمایه در گردش کارآمدتر عمل کند، احتمال بروز درماندگی مالی و درنتیجه، احتمال ورشکستگی کمتر خواهد بود. این نتیجه، تصمیم‌‌گیرندگان را ایجاب می‌‌کند که برای جلوگیری از بروز وضعیت درماندگی و کاهش ریسک ورشکستگی در شرکت توجه ویژه‌‌ای به شاخص‌‌های مدیریت سرمایه در گردش داشته باشند. در راستای هدف دوم پژوهش، به‌منظور رتبه‌‌بندی اهمیت هرکدام از مؤلفه‌‌های مدیریت سرمایه در گردش در پیش‌‌بینی درماندگی مالی، یافته‌‌های پژوهش نشان می‌‌دهد که دورۀ وصول مطالبات (ACP) به شکل چشمگیری بیشتر از سایر مؤلفه‌‌ها در پیش‌‌بینی درماندگی مالی مؤثر است. ازآنجایی‌که بسیاری از پژوهشگران نظیر نوبانی (Nobanee, 2009) و مرشد (Morshed, 2020) دورۀ گردش وجه نقد را مؤلفۀ اصلی مدیریت سرمایه در گردش می‌‌دانند، این یافته نشان می‌‌دهد که دورۀ وصول مطالبات به‌عنوان یکی از اجزای تشکیل‌دهندۀ دورۀ گردش وجه نقد، از اهمیت بیشتری از خود گردش وجه نقد در تحلیل پیش‌‌بینی درماندگی مالی برخوردار است؛ بنابراین، می‌‌توان عنوان کرد نقطۀ شروع مشکلات مالی شرکت، وصول‌نشدن مطالبات شرکت در موعد مقرر است که افزایش در دورۀ وصول مطالبات را منتج می‌‌شود. این یافته می‌‌تواند به مدیریت شرکت کمک کند که به‌منظور مقابلۀ آنی و به‌موقع با وقوع درماندگی مالی، دورۀ وصول مطالبات را به‌صورت مستمر و ویژه بررسی و تحلیل کند. با افزایش دورۀ وصول مطالبات، خطر سوخت‌شدن مطالبات نیز جدی می‌‌شود و شرکت با مشکلات جدی در نقدینگی مواجه خواهد شد؛ ازاین‌رو، تلاش مدیریت شرکت در راستای تأمین سرمایه در گردش لازم برای انجام عملیات خود، ممکن است نرخ هزینۀ سرمایه را بالا ببرد و ازطرف دیگر شرکت نتواند بازدهی مناسب برای پوشش هزینه‌‌های تأمین مالی سرمایه در گردش را به دست آورد و درنهایت، به درماندگی مالی دچار شود. این یافتۀ پژوهش، همسو با دیدگاه دوم سیاست مدیریت سرمایه در گردش، همچون پانیگراهی (Panigrahi, 2014) است که بیان می‌‌کند سیاست‌‌های جسورانه در زمینۀ سرمایه در گردش که با افزایش نرخ میانگین موزون هزینۀ سرمایه[41] همراه است، ریسک نکول شرکت و درنتیجه، ریسک وقوع درماندگی مالی را افزایش می‌‌دهد. پس از دورۀ وصول مطالبات، نسبت جاری (CR) در جایگاه دوم مهم‌‌ترین شاخص سرمایه در گردش در پیش‌‌بینی درماندگی مالی قرار دارد. در راستای افزایش دورۀ وصول مطالبات و مواجه‌شدن شرکت با مشکلات نقدینگی، مدیریت شرکت برای حل این مشکل، ممکن است به دریافت وام‌های کوتاه‌‌مدت روی آورد. در زمان بازپرداخت این وام‌‌ها هنگامی که حساب‌های دریافتنی هنوز وصول نشده‌‌اند، واحد تجاری را در عمل به تعهدات مالی خود دچار بحران می‌‌کند. این نتیجه، همسو با پژوهش یولیانا و همکاران (Yuliana et al., 2020) است که بیان می‌‌‌‌کند کاهش نسبت جاری می‌‌تواند بر توانایی پرداخت بدهی‌‌های مالی کوتاه‌مدت در تاریخ سررسید اثر منفی داشته باشد و شرکت را دچار درماندگی مالی کند. دورۀ پرداخت حساب‌‌های پرداختنی (APP) که در جایگاه سوم میزان اهمیت قرار دارد، نشان می‌‌دهد که مادامی که شرکت با کمبود وجه نقد در نتیجۀ وصول‌نشدن مطالبات مواجه است، به احتمال قوی در عمل به انجام تعهدات خود در مقابل تأمین‌‌کنندگان مواد اولیه دچار ضعف خواهد شد. همین امر می‌‌تواند علاوه بر بی‌‌اعتبارشدن شرکت در مقابل تأمین‌‌کنندگان و ضعف در تهیۀ مواد اولیه، عملیات اصلی شرکت که همان تولید محصول و فروش آن است را دچار مشکل کند؛ بدین ترتیب، روشن است دورۀ گردش موجودی کالا (IDIT) نیز در نتیجۀ ضعیف‌شدن سه مؤلفۀ قبلی با بحران مواجه می‌‌شود؛ بنابراین، این مؤلفه در جایگاه چهارم قرار گرفته است. با در نظرگرفتن اهمیت دورۀ وصول مطالبات در وقوع درماندگی مالی شرکت‌‌ها، ضروری است که شرکت در تعیین سیاست‌‌های فروش اعتباری و میزان حجم حساب‌‌های دریافتنی، سود حاصل از فروش نسیه را متناسب با نرخ بازده مورد انتظار شرکت قرار دهد؛ به‌علاوه، مدیران شرکت‌‌ها باید به سیاست‌‌های اعطای اعتبارات تجاری به مشتریان توجه ویژه داشته باشند و در این خصوص، اقدام به رتبه‌‌بندی مشتریان کنند و اعطای اعتبار تجاری، براساس رتبۀ تعلق‌‌گرفته به هرکدام از آن‌‌ها انجام گیرد؛ علاوه بر این، پیشنهاد می‌‌شود در صورت افزایش حجم حساب‌های دریافتنی، با واگذاری حساب‌های دریافتنی به بانک و گرفتن تسهیلات خرید دین، به افزایش نقدینگی و نیز کاهش سوخت مطالبات واحد تجاری خود کمک کنند. به سرمایه‌‌گذاران نیز توصیه می‌‌شود در راستای ارزیابی وضعیت مالی شرکت‌‌ها و تشخیص فرصت‌‌های مناسب سرمایه‌‌گذاری برای اتخاذ تصمیمات سرمایه‌‌گذاری در شرکت‌‌های فعال در بورس اوراق بهادار تهران، توجه ویژه‌‌ای به مدیریت سرمایه در گردش شرکت، بالاخص دورۀ وصول مطالبات شرکت‌‌، ولو با سودآوری عالی شرکت داشته باشند؛ درنهایت، به مؤسسات مالی فعال در بازار پول و سرمایه پیشنهاد می‌‌شود برای اعطای تسهیلات و سرمایه‌‌گذاری در شرکت‌‌ها، بیش‌ازپیش مدیریت سرمایه در گردش شرکت‌‌ها را مد نظر قرار دهند.

1. Altman
2. Zavgren

[3]. Machine Learning

[4].bagging

[5]. Machine Learning

[6]. Multiple Discriminant Analysis

[7]. Logit

[8]. Neural Networks

[9]. Genetic algorithm

[10]. Support vector machine

[11]. Decision tree algorithm

[12]. Random forest algorithm

[13]. Cash Conversion Cycle

[14]. Average Collection Period

[15] Inventory Turnover in Days

[16] Average Payment Period

[17] Working Capital Turnover

[18] Current Ratio

[19]. Working Capital to Total Aset

[20]. Nairobi Securities exchange

[21]. Ensemble learning method

[22]. Classification

[23] .Supervised learning algorithms

[24].Training data

[25]. Test data

[26]. decision tree

[27]. Root node

[28]. Decision node

[29]. Leaf node

[30]. Flowchart

[31]. bagging

[32]. Pytho

[33]. Accuracy

[34]. precision

[35]. recall

[36]. True Negative (TN)

[37]. True Positive (TP)

[38]. False Negative (FN)

[39]. False Positive (FP)

[40]. receiver operating characteristic curve

[41]. Weighted average cost of capital