حل مساله توزیع داده‌های نامتوازن در پیش‌بینی ورشکستگی به روش یادگیری حساس به هزینه

نویسندگان

1 گروه حسابداری، دانشکده حسابداری، موسسه آموزش عالی سناباد گلبهار، گلبهار، ایران.

2 گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهراء، تهران، ایران

doi
چکیده

هدف از پژوهش حاضر افزودن تکنیک یادگیری حساس به هزینه به مدل‌های پیش‌بینی ورشکستگی مبتنی بر داد‌ه‌های نامتوازن به منظورکاهش خطای نوع اول و افزایش معیار میانگین هندسی دقت‌ است تا بتوان هزینه‌های طبقه‌‌بندی اشتباه شرکت‌های ورشکسته را بر ذینفعان کاهش داد. بدین منظور خطای نوع اول، خطای نوع دوم و معیار میانگین هندسی دقت مدل‌های پیش‌بینی ورشکستگی مبتنی بر یادگیری حساس به هزینه با مدل‌های پیش‌بینی ورشکستگی با داده به شدت نامتوازن مقایسه شدند، نمونه آماری شامل 1200 سال-شرکت در بازه زمانی سال 1380 الی سال 1399 شامل %90 شرکت‌های سالم و %10 شرکت‌های ورشکسته است، نتایج آزمون فرضیه‌ها‌ بیانگر آن است که افزودن تکنیک یادگیری حساس به هزینه به مدل‌های پیش‌بینی ورشکستگی منجر به کاهش معنادار خطای نوع اول، افزایش معنادار خطای نوع دوم و افزایش معنادار معیار میانگین هندسی دقت مدل‌های مبتنی بر داده‌های نامتوازن در سطح اطمینان %95 شد، همچنین با افزایش مقدار هزینه طبقه‌بندی اشتباه شرکت‌های ورشکسته، خطای نوع اول روند نزولی و خطای نوع دوم روند صعودی و میانگین هندسی دقت روند صعودی دارند