fa ارزیابی ریسک اعتباری با استفاده از مدل ترکیبی شبکه عصبی بازشناسی الگو و الگوریتم مورچگان مدیرت دولتی Public Administration كاربردي Applicable <div style="text-align: justify;">میزان قابل‌توجه زیان مالی بالقوه ناشی از بازپرداخت نکردن تعهدهای وام‌گیرندگان است، و توسعه و بهبود روش‌های اندازه‌گیری ریسک اعتباری برای کاهش زیان مالی ناشی از نکول وام‌گیرندگان به موضوعی اجتناب&rlm; ناپذیر در ادبیات مالی تبدیل شده است. هدف مدل‌های پیش‌بینی ورشکستگی، برآورد احتمال نکول شرکت یا شخص در یک دوره زمانی است. در پژوهش حاضر، از داده‌های شرکت‌های حاضر در بورس اوراق بهادار تهران و فرابورس در سال‌های 1395-1370 استفاده می&rlm; شود و با نمونه‌ای از ۲۱۸ شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقه‌بندی و ارزیابی میزان دقت پیش‌بینی ورشکستگی استفاده می &rlm;شود. نسبت‌هایی شامل سود قبل از بهره و مالیات به فروش کل، کل حقوق صاحبان سهام به کل بدهی، نسبت جاری، نسبت وجه نقد، و نسبت حقوق صاحبان سهام به دارایی کل به عنوان موثرترین عوامل شناسایی می شوند. مدل نهایی قادر به پیش‌بینی وضعیت اعتباری شرکت‌ها، با دقت بالاتری نسبت به متوسط دقت مدل‌های متداول موجود با استفاده از داده‌های سال قبل، دو سال قبل، و سه سال قبل از سال هدف برآورد است.&nbsp;</div> A great amount of potential financial losses arise from borrowers&rsquo; abstaining from refunding their debts calls and the development and improvement of credit risk measurement techniques in the financial literature in order to decrease such losses has transformed into an&nbsp;intevitable subject. The purpose of bankruptcy forecasting models is to estimate the probability of a company or a person&rsquo;s abstaining&nbsp;during a certain period of time. This research used the data gathered from a sample of 218 active companies in Tehran Stock Exchange Market as well as Over-The-Counter for the period between 1990 and 2016. Moreover, ants&rsquo; colony algorithm was used to determine the most effective factors of credit risk and also pattern recognition&nbsp;neural network technique was applied to classify and evaluate the&nbsp;precision of bankruptcy forecasts. As a result, such ratios as profit before&nbsp;interests and taxes to total sale; total benefits of shareholders to debts; and current ratio, cash ratio and shareholders&rsquo; benefits ratio to total assets are the most effective factors. Finally, the presented model which employs data belonging to one, two and three years before the intended year is able to forecast the credit condition of companies with higher precision as compared to the average precision of current models.<strong><span dir="RTL"></span></strong> ریسک اعتباری, احتمال ورشکستگی, شبکه عصبی, الگوریتم بازشناسی الگو, الگوریتم کلونی مورچگان. Credit Risk, Bankruptcy Probability, Neural Network, Pattern Recognition Algorithm, Ants’ Colony Aalgorithm. 133 170 http://jmdp.ir/browse.php?a_code=A-10-3831-2&slc_lang=fa&sid=1 Gholamreza Jandaghi غلامرضا جندقی jandaghi@ut.ac.ir 100319475328460016797 100319475328460016797 No Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran. استاد دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، قم، ایران Alireza Saranj علیرضا سارنج alisaranj@ut.ac.ir 100319475328460016798 100319475328460016798 Yes Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran استادیار دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، قم، ایران Reza Rajaei رضا رجائی r.rajaei@ut.ac.ir 100319475328460016799 100319475328460016799 No Ph.D. Financial Management, Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran. دانشجوی دکتری، دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، قم، ایران Ahmadreza Qhasemi احمدرضا قاسمی ghasemiahmad@ut.ac.ir 100319475328460016800 100319475328460016800 No Faculty of Management and Accounting, Farabi Campus University of Tehran, Qom, Iran . استادیار دانشکده مدیریت و حسابداری، پردیس فارابی، دانشگاه تهران، قم، ایران Reza Tehrani رضا تهرانی rtehrani@ut.ac.ir 100319475328460016801 100319475328460016801 No Department of Financial Management., Faculty of Management, University of Tehran, Iran. hستاد گروه مدیریت مالی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران