تطبيقات نماذج الذكاء الاصطناعي للتنبؤ بمخاطر التعثر المالي في المؤسسة الاقتصادية - دراسة حالة

Abstract

تهدف هذه الدراسة إلى التعرف على مدى فعالية نماذج تطبيقات الذكاء الاصطناعي في التنبؤ بالتعثر المالي لمجموعة من المؤسسات الاقتصادية الجزائرية المسجلة بـــ CNRC خلال الفترة (2011- 2018)، وذلك باستخدام نموذجي الشبكات العصبية العميقة (DNN) والخوارزمية الجينية (GA) التي تم تصميمها وتدريبها بالغابات العشوائية، متجهات الدعم الآلي والشبكات العصبية الاصطناعية، ولتحقيق ذلك، تم اختيار مجموعة من المؤسسات تضمنت 141 مؤسسة منها 90 سليمة و51 متعثرة، بالاعتماد على 23 نسبة مالية، والاستعانة ببرنامج (Colab) Python. توصلت هذه الدراسة إلى مجموعة من النتائج كما يلي: قدرة نموذج الشبكات العصبية العميقة على التصنيف بنسبة97,34%، في حين أن نتيجة نموذج الخوارزميات الجينية كانت أفضل عند تدريبها بالغابات العشوائية وكانت نسبتها 99,46%، كما توصلنا إلى أن نسب المردودية في النموذجين كالعائد على الأصول، العائد على الخصوم، الربحية الاجمالية، العائد على اجمالي الاصول الثابتة، المردودية الماليةهي التيتعبرعن الحالة المالية للمؤسسات الاقتصادية الجزائرية بدرجة كبيرة، لما لها من قدرة عالية على التمييز بين المؤسسات السليمة والمتعثرة. .

Abstract

This study aims to identify the effectiveness of Artificial Intelligence application models in predicting the financial distress of a group of Algerian economic institutions registered with CNRC during the period (2011-2018),Using the deep neural network (DNN) and genetic algorithm (GA) models designed and trained by random forests, automated support vectors and synthetic neural networks. To achieve this, A set of institutions was selected, including 141 institutions, including 90 sound and 51 distress, based on 23 financial ratios, and using the "Colab" Python program. This study came up with a set of findings: The Deep Neural Network's model's ability to classify 97.34%, while the genetic algorithm model's result was better when trained in random forests and was 99.46%. We have also found that the profitability ratios of the two models, such as return on assets, return on liabilities, total profitability, return on total fixed assets, and financial returns, reflect the financial situation of Algerian economic institutions to a large extent, as they have a high capacity to distinguish between sound and distressed institutions. . Résume

Cette étude vise à identifier l’efficacité des modèles applicatifs d’Intelligence Artificielle dans la prédiction de la détresse financière d’un groupe d’institutions économiques algériennes enregistrées auprès de CNRC pendant la période (2011-2018), Utilisation du réseau neuronal profond (DNN) et algorithme génétique (GA) conçus et formés par des forêts aléatoires, des vecteurs de soutien automatisés et des réseaux de neurones synthétiques. Pour ce faire, un ensemble d’institutions a été sélectionné, comprenant 141 institutions, dont 90 saines et 51 en détresse, sur la base de 23 ratios financiers, et en utilisant le programme Python "Colab". Cette étude a abouti à un ensemble de résultats : La capacité du modèle du Réseaux neuronaux profondsà classer 97,34 %, tandis que le résultat du modèle d’algorithme génétique était meilleur lorsqu’il était formé dans des forêts aléatoires et était de 99,46 %. Nous avons également constaté que les ratios de rentabilité des deux modèles, tels que le rendement de l’actif, le rendement du passif, la rentabilité totale, le rendement de l’actif fixe total et le rendement financier, reflètent dans une large mesure la situation financière des institutions économiques algériennes, car ils ont une grande capacité à distinguer les institutions saines des institutions en difficulté.