نوع مقاله : زبان انگلیسی

نویسندگان

• رضا طاهری هفت آسیابی ¹
• آمینه نادری ²
• پرویز پیری ³

¹ کارشناس ارشد، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران

² مدرس، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران

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

چکیده

پژوهش حاضر با هدف اصلی توسعه و طراحی یک مدل هیبریدی به‌منظور پیش‌بینی ورشکستگی بانک‌های ایرانی در بازه زمانی ۱۳۹۰ تا ۱۴۰۲ صورت گرفته است. این مدل نوآورانه، ترکیبی از تکنیک‌های هوش مصنوعی، یادگیری ماشین و رویکرد اقتصادسنجی فضایی را به کار گرفته تا علاوه بر ارتقای دقت پیش‌بینی، وابستگی‌های مکانی و سرایت ریسک بین بانک‌ها را نیز مدنظر قرار دهد. بنابراین، در این مطالعه، از مدل‌های شبکه عصبی بیزین، شبکه عصبی گاوسی، شبکه عصبی مخچه، پرسپترون چندلایه، گرادیان تقویتی و الگوریتم کلونی مورچه در بخش هوش مصنوعی و یادگیری ماشین و از مدل خودرگرسیون فضایی در حوزه اقتصادسنجی استفاده شده است. ابتدا داده‌های مالی و کلان اقتصادی گردآوری و پاک‌سازی شد و سپس مدل‌های مذکور با بهره‌گیری از شاخص‌های دقت، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا، ضریب تعیین و AUC-ROC مورد ارزیابی قرار گرفتند. در ادامه، ارتباط فضایی بین بانک‌ها با استفاده از مدل خودرگرسیون فضایی بررسی شد تا نقش وابستگی مکانی در گسترش ریسک ورشکستگی تبیین شود. بدین تریب، نتایج پژوهش نشان داد ترکیب مدل خودرگرسیون فضایی با شبکه‌های عصبی بیزین و پرسپترون چندلایه، عملکرد چشمگیری در پیش‌بینی ورشکستگی بانک‌ها دارد. همچنین، متغیرهایی نظیر نسبت هزینه به درآمد، کفایت سرمایه، نقدینگی، نسبت تسهیلات به دارایی‌ها و اندازه بانک به‌عنوان عوامل درون‌سازمانی، نقش مهمی در برآورد احتمال ورشکستگی ایفا می‌کنند. از سوی دیگر، متغیرهای کلان اقتصادی مانند رشد تولید ناخالص داخلی، نرخ تورم و چرخه‌های اقتصادی تأثیر قابل‌توجهی در تشدید یا تعدیل ریسک بانک‌ها دارند. مدل خودرگرسیون فضایی نیز تأیید کرد که سرایت ریسک بین بانک‌های مجاور، می‌تواند خطر ورشکستگی را تشدید کند. براساس یافته‌های این پژوهش، ترکیب روش‌های هوش مصنوعی و یادگیری ماشین با مدل‌های فضایی، رویکردی جامع و اثربخش در پیش‌بینی ورشکستگی بانک‌های ایرانی فراهم می‌کند. مدیریت نقدینگی، کنترل هزینه‌ها، پایش تسهیلات پرریسک و توجه به پویایی‌های اقتصاد کلان، زمانی بیشترین اثربخشی را خواهد داشت که ملاحظات جغرافیایی و سرایت ریسک نیز در نظر گرفته شود. بنابراین، توصیه می‌شود که سیاست‌گذاران پولی و مدیران بانکی، ضمن به‌کارگیری این مدل‌های ترکیبی در فرایند پایش بانک‌ها، با تقویت ساختارهای مالی و اجرای سیاست‌های اصلاحی، ثبات و سلامت نظام بانکی را بهبود بخشند.

کلیدواژه‌ها

• ورشکستگی بانک
• هوش مصنوعی
• اقتصاد سنجی فضایی
• هیبرید مدل

موضوعات

• اقتصاد پولی و بانکداری

عنوان مقاله [English]

Hybrid Model for Predicting Bankruptcy in Iranian Banks: Combining Artificial Intelligence with Spatial Econometrics

نویسندگان [English]

• Reza Taheri Haftasiabi ¹
• Ameneh Naderi ²
• parviz piri ³

¹ Master of Science, Department of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran

² Instructor, Department of Economics, Faculty of Economics and Management, Urmia University, Urmia, Iran ‏

³ Associate Professor, Department of Accounting, Faculty of Economics and Management, Urmia University, Urmia, Iran

چکیده [English]

This research aims to develop and design a hybrid model for predicting the bankruptcy of Iranian banks from 1390 (2011-2012) to 1402 (2023-2024). This innovative model combines artificial intelligence (AI), machine learning techniques, and a spatial econometrics approach to improve prediction accuracy and consider spatial dependencies and risk contagion among banks. Therefore, this study utilizes Bayesian Neural Networks, Gaussian Neural Networks, Cerebellar Model Articulation Controller (CMAC), Multilayer Perceptron (MLP), Reinforcement Gradient, and Ant Colony Optimization algorithms in the AI and machine learning sections, and a spatial autoregressive model in the econometrics domain. Initially, financial and macroeconomic data were collected and cleaned. Then, the aforementioned models were evaluated using accuracy, Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), coefficient of determination (R-squared), and AUC-ROC. Furthermore, the spatial relationship between banks was examined using the spatial autoregressive model to explain the role of spatial dependency in the spread of bankruptcy risk. The research results demonstrated that combining the spatial autoregressive model with Bayesian Neural Networks and Multilayer Perceptron yields remarkable performance in predicting bank bankruptcy. Also, variables such as cost-to-income ratio, capital adequacy, liquidity, loan-to-asset ratio, and bank size, as internal factors, play a significant role in estimating the probability of bankruptcy. On the other hand, macroeconomic variables, such as GDP growth, inflation rate, and economic cycles, have a considerable impact on exacerbating or mitigating bank risk. The spatial autoregressive model also confirmed that risk contagion among neighboring banks could intensify the risk of bankruptcy. Based on the findings of this research, integrating AI and machine learning methods with spatial models provides a comprehensive and effective approach for predicting the bankruptcy of Iranian banks. Liquidity management, cost control, monitoring high-risk loans, and attention to macroeconomic dynamics will be most effective when geographical considerations and risk contagion are also taken into account. Therefore, it is recommended that monetary policymakers and bank managers utilize these hybrid models in the bank monitoring process and improve the stability and health of the banking system by strengthening financial structures and implementing reform policies.

کلیدواژه‌ها [English]

• Bank failure
• artificial intelligence
• spatial econometrics
• hybrid model