استراتيجية ابتكارية مفكرة مبنية على مُحسِّن الصقر الشمالي مع آلة تعلّم متطرفة محسّنة لمشكلات التنبؤ بالإفلاس

لماذا يهم التنبؤ بمشاكل الشركات

عندما تنهار شركة فجأة وتُعلن إفلاسها، يفقد العمال وظائفهم، ويتكبد المستثمرون خسائر، وتتحمل البنوك خسائر مؤلمة. لو أمكن كشف المتاعب المالية قبل سنوات، لكان لدى المقرضين والمنظمين والمديرين وقت أطول لاتخاذ إجراءات. تعرض هذه الورقة نهجًا جديدًا للتنبؤ بالشركات الأكثر عرضة للفشل، عبر مزيج من تعلم آلي سريع واستراتيجية بحث مستوحاة من الطبيعة تُحاكي سلوك افتراس طائر جارح.

تحويل القوائم المالية إلى إشارات إنذار مبكر

يركز المؤلفون على مهمة تواجهها البنوك والمدققون يوميًا: تقرير ما إذا كانت شركة تبدو سليمة ماليًا أم قريبة من الانهيار استنادًا إلى سجلات رقمية مفصلة. تُعامل هذه المسألة كمشكلة قرار بنعم أو لا: تُصنّف كل شركة كإفلاس أو غير إفلاس. تقنيات الذكاء الاصطناعي الحديثة مثل الشبكات العصبية وآلات المتجهات الداعمة تقوم بمثل هذه المهام بالفعل، لكنها قد تكون بطيئة في التدريب وحساسة جدًا لاختيارات الإعدادات الداخلية. طريقة أحدث تُسمى آلة التعلم المتطرفة النواتية (KELM) تستطيع التعلم أسرع والتعامل مع أنماط غير خطية معقّدة في النسب المالية، لكن دقتها تعتمد بشكل كبير على إعدادين داخليين رئيسيين يصعب ضبطهما يدويًا.

التعلّم من صيد طائر

لضبط هذه الإعدادات المخفية، يلجأ الباحثون إلى فئة حديثة من تقنيات البحث تُعرف بالخوارزميات الميتاهيرستيك. بدل محاولة كل احتمال، تتجول هذه الطرق في فضاء الخيارات بذكاء أكبر، غالبًا مقلدة استراتيجيات موجودة في الطبيعة. هنا يبني الفريق على مُحسِّن الصقر الشمالي، المستوحى من كيفية تحديد هذه الطيور للطريد ومطاردته. في النسخة الأساسية، يستكشف سرب من الحلول المرشّحة فضاء البحث، مهاجمًا وملاحقًا «الفرائس» التي تمثل اختيارات معلمة واعدة. مع ذلك، مثل العديد من هذه الخوارزميات، قد يتجول الإصدار الأصلي عشوائيًا جدًا في البداية ثم يستقر بسرعة على حل متوسط الجودة.

إضافة التفكير والتنوّع والحس بالحدود

تقدم الورقة نسخة مطوّرة تُسمى TIS_NGO، تضيف ثلاث طبقات من «الذكاء» إلى البحث المستوحى من الصقور. أولًا، استراتيجية ابتكارية مفكرة تحتفظ بما تم تحربته وتعلمه حتى الآن، بحيث لا يضيع السرب وقتًا في إعادة تقييم نقاط متشابهة جوهريًا ويمكنه الاستفادة من «عمق المعرفة» المتزايد مع تقدّم البحث. ثانيًا، استراتيجية هجوم جديدة على الطريدة تستعير من التطور التفاضلي: بدل التحرك اعتمادًا على موضعه الخاص وهدف واحد فقط، يأخذ كل مرشح في الاعتبار أيضًا الفروقات بين عدة جيران، ما يحقن تنوّعًا جديدًا ويساعد السرب على الهروب من المآزق المحلية. ثالثًا، تحكم حدودي قائم على المركز يدفع برفق أي مرشح ينحرف خارج النطاق المسموح نحو مركز منطقة البحث النشطة، مما يقلل الوقت المنقضي في أجزاء غير مفيدة من المشهد البحثي.

اختبار البحث الأكثر ذكاءً

قبل تطبيق طريقتهم على شركات حقيقية، واجه المؤلفون TIS_NGO بمجموعة من المُحسّنات القياسية على مسائل اختبار رياضية صعبة تُستخدم في منافسات دولية. عبر العشرات من هذه الدوال من معايير CEC2017 وCEC2022، تعثر الخوارزمية الجديدة على حلول أفضل بشكل متكرر، وتتقارب أسرع، وتُظهِر تقلبًا أقل بين التشغيلات مقارنة بمنافسين مثل تحسين سرب الجسيمات، ومحسِّن الذئب الرمادي، وخوارزمية تحسين الحيتان، والإصدار الأصلي لمُحسِّن الصقر الشمالي. والأهم أنها تفعل ذلك مع الحفاظ على تكلفة حوسبية إجمالية ضمن نفس رتبة الحجم. ثم يجمع الفريق TIS_NGO مع KELM لتشكيل نظام كامل للتنبؤ بالإفلاس ويقيّمه على مجموعتي بيانات ماليّتين حقيقيّتين، بما في ذلك مجموعة بيانات بولندية كلاسيكية تتضمن 30 نسبة مالية لـ240 شركة على مدى عدة سنوات.

إنذارات أدق مع عدد أقل من الإنذارات الكاذبة

على هذه المجموعات البيانية الواقعية، يقدم نموذج TIS_NGO–KELM دقة أعلى وتوازنًا أفضل بين كشف الشركات المتعثرة وتجنّب الإنذارات الكاذبة، وأداءً أكثر استقرارًا عبر اختبارات متكررة مقارنة بالنماذج التقليدية (مثل آلات المتجهات الداعمة وطرق التعزيز التدرجي الشائعة) وبنسخ أخرى مُحسّنة من KELM. درجات معامل ارتباط ماثيوز—وهو مقياس مفيد بشكل خاص عندما تكون الشركات المفلسة نادرة—أعلى باستمرار، مما يدل على تمييز أقوى بين الشركات الصحية والمفلسة. بعبارات بسيطة، الطريقة أفضل في اكتشاف الضائقة الحقيقية مبكرًا دون وصم الشركات السليمة على نحو مفرط بأنها غير آمنة. يجادل المؤلفون بأن هذا المزيج من متعلّم سريع وعملية بحث «أكثر تفكيرًا» يقدم أداة عملية جديدة لأنظمة الإنذار المالي المبكر، ويعرضون خططًا مستقبلية لتوسيعها إلى مجموعات بيانات أكبر وأكثر تنوعًا وإضافة إشارات اقتصادية أوسع.

الاستشهاد: Jiang, K., Zhao, X., Li, Y. et al. A thinking innovation strategy based Northern goshawk optimizer enhanced extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 9628 (2026). https://doi.org/10.1038/s41598-025-34452-y

الكلمات المفتاحية: التنبؤ بالإفلاس, المخاطر المالية, تعلم الآلة, تحسين ميتاهيرستيك, أنظمة الإنذار المبكر