یادگیری ماشین در تشخیص نشانه‌های اولیه بحران بانکی: کاربرد داده‌های حسابرسی شده مطابق با استانداردهای ملی در نظام بانکی ایران و عراق

نویسندگان

1 گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران

2 گروه حسابداری، دانشکده اقتصاد و مدیریت،دانشگاه ارومیه، ارومیه . ایران

3 گروه حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران.

doi
چکیده

هدف: این پژوهش با هدف تشخیص نشانه‌های اولیه بحران بانکی در نظام‌های بانکی ایران و عراق از طریق ترکیب تکنیک‌های پیشرفته یادگیری ماشین با داده‌های حسابرسی شده مطابق با استانداردهای ملی انجام شد. بحران بانکی در این مطالعه بر اساس معیارهای صندوق بین‌المللی پول و کمیته بال شامل نسبت کفایت سرمایه کمتر از 8 درصد، نسبت مطالبات معوق بیش از 10 درصد، نسبت نقدینگی کمتر از 100 درصد و Z-score کمتر از 81/1 تعریف شده است. هدف اصلی، بهبود دقت پیش‌بینی بحران‌های بانکی و ارائه سیستم هشدار زودهنگام برای نهادهای نظارتی و بانک‌های مرکزی است. داده‌های مالی حسابرسی شده 22 بانک ایرانی و 42 بانک عراقی طی دوره 20 ساله (2004 الی 2023) مورد تحلیل قرار گرفت. روش‌شناسی پژوهش: مدل‌های یادگیری ماشین شامل گرادیان تقویتی، جنگل تصادفی، حافظه طولانی کوتاه‌مدت، ترانسفورمر و مدل هیبریدی توسعه یافته و با رگرسیون لجستیک سنتی مقایسه شدند. متغیرهای کمی و کیفی حسابرسی (نوع نظر حسابرس، شدت شرط‌های احتیاطی، کیفیت افشا) به‌همراه شاخص‌های کلان اقتصادی مورد استفاده قرار گرفتند. کیفیت داده‌های حسابرسی شده در ایران (نرخ کامل بودن 2/94 درصد) به‌طور معناداری بالاتر از عراق (6/78 درصد) بود که منجر به دقت بهتر مدل‌ها در ایران شد. روش SHAP برای تفسیرپذیری مدل‌ها و اعتبارسنجی متقابل پنج لایه برای ارزیابی پایداری به کار رفت. یافته‌ها: نتایج نشان داد که مدل گرادیان تقویتی با دقت 1/96 درصد در ایران و 8/94 درصد در عراق، برترین عملکرد را نشان داد که به‌طور معناداری از رگرسیون لجستیک (15/90 درصد و 2/88 درصد) بهتر بود. مدل ترانسفورمر با دقت 9/95 درصد در ایران و 6/94 درصد در عراق، عملکرد تقریباً برابر با گرادیان تقویتی داشت و در شناسایی بحران‌های آهسته‌رخ برتری نشان داد (87 درصد در مقابل 73 درصد). تحلیل SHAP نشان داد کفایت سرمایه، مطالبات معوق و بازده دارایی مهم‌ترین عوامل پیش‌بینی‌کننده هستند. کیفیت داده‌های حسابرسی شده نقش تعیین‌کننده‌ای در بهبود دقت مدل‌ها داشت. مدل‌های ایران از AUC-ROC بالاتری (978/0 در مقابل 956/0) برخوردار بودند. اصالت / ارزش‌افزوده علمی: الگوریتم‌های یادگیری ماشین با توانایی شناسایی الگوهای غیرخطی و پیچیده، ابزار قدرتمندی برای پیش‌بینی بحران‌های بانکی هستند. کیفیت داده‌های حسابرسی شده نقش حیاتی در عملکرد مدل‌ها دارد. توسعه سیستم‌های هشدار زودهنگام مبتنی بر این یافته‌ها و تقویت زیرساخت‌های حسابرسی توصیه می‌شود.