思考的イノベーション戦略に基づくノーザンゴシャーク最適化器で強化した極限学習機による倒産予測問題

なぜ事業の危機予測が重要なのか

企業が突然倒産すると、従業員は職を失い、投資家は損失を被り、銀行は大きな損失を抱えます。もし財務上の問題を数年前に見抜ければ、貸し手、規制当局、経営陣は対応のための時間をより多く確保できます。本論文は、高速な機械学習と猛禽類の狩り行動に着想を得た探索戦略を組み合わせて、どの企業が倒産しやすいかを予測する新しい手法を提示します。

貸借対照表を早期警報信号に変える

著者らは、銀行や監査担当者が日々直面する課題に焦点を当てます。それは詳細な数値記録に基づき、企業が財務的に健全か崩壊寸前かを判断することです。これは二択の意思決定問題として扱われ、各企業は倒産か非倒産のいずれかに分類されます。ニューラルネットワークやサポートベクターマシンといった現代の人工知能手法は既にこの種のタスクを実行しますが、訓練に時間がかかり、内部パラメータの選び方に非常に敏感です。Kernel Extreme Learning Machine（KELM）という新しい手法は学習がはるかに速く、財務比率における複雑で非線形なパターンを扱えますが、その精度は手動で調整するのが難しい二つの重要な内部設定に強く依存します。

鳥の狩りから学ぶ

これらの隠れた設定を調整するために、研究者たちはメタヒューリスティックアルゴリズムと呼ばれる最近の探索手法群に目を向けます。全ての可能性を試す代わりに、これらの方法は選択肢の空間をより賢く巡り、しばしば自然界の戦略を模倣します。本研究では、ノーザンゴシャーク最適化器に着想を得ています。これはこれらの鷹が獲物を見つけ追跡する方法にヒントを得たものです。基本版では、複数の候補解が探索空間を巡り、「獲物」（有望なパラメータ候補）を攻撃・追跡します。しかし、多くのこの種のアルゴリズムと同様、元のバージョンは序盤でランダムにさまよいがちで、その後中途半端な解に早く収束してしまうことがあります。

思考・多様化・境界感覚を付与する

本論文はTIS_NGOと呼ぶ強化バリアントを導入し、鷹に着想を得た探索に三つの「賢さ」の層を加えます。第一に、思考的イノベーション戦略は、これまでに試したことや得た知見を追跡することで、群れが同じ地点を何度も再評価して時間を無駄にするのを防ぎ、探索が進むにつれて蓄積される「知識の深み」を活用できるようにします。第二に、新しい獲物攻撃戦略は差分進化（Differential Evolution）から借用した発想を取り入れ、各候補が自分の位置と一つの目標だけで動くのではなく、複数の近傍解の差分を考慮することで新たな変異を導入し、局所的な行き詰まりから脱出する助けになります。第三に、重心ベースの境界制御は、許容範囲の外に流された候補を探索領域の中心に穏やかに戻すことで、無益な領域で時間を浪費するのを減らします。

より賢い探索の試験

実際の企業データに適用する前に、著者らはTIS_NGOを国際競技で用いられる厳しい数学的テスト問題群と比較します。CEC2017およびCEC2022のベンチマークからの数十の関数にわたり、新規アルゴリズムはより良い解をより頻繁に見つけ、より速く収束し、粒度のばらつき（実行ごとの差異）が小さいことを、粒子群最適化（PSO）、グレイウルフ最適化、ホエール最適化アルゴリズム、そして元のノーザンゴシャーク手法といった競合より示します。重要なのは、全体の計算コストを同程度の桁で保ちながらこれを達成している点です。研究チームはその後、TIS_NGOをKELMと組み合わせて完全な倒産予測システムを構築し、240社について30の財務比率を含む古典的なポーランドのデータセットを含む2つの実データセットで評価しました。

誤報を減らしながらより鋭い警告

これらの実データセット上で、TIS_NGO–KELMモデルは、従来モデル（サポートベクターマシンや一般的な勾配ブースティング法など）や他の最適化されたKELMバリアントに比べ、精度が高く、問題企業の検出と誤警報の回避のバランスが良く、繰り返し試験における性能の安定性も優れていました。倒産企業が稀な場合に特に有益な指標であるマシューズ相関係数（MCC）も一貫して高く、健全な企業と倒産しそうな企業の識別性が強いことを示しています。平たく言えば、この手法は早期に真の困難を見抜く一方で、健全な企業を不当に危険と誤判定することが少ないのです。著者らは、高速学習器とより「思慮深い」探索過程の組合せが金融の早期警戒システムにとって実用的な新しいツールを提供すると主張し、今後より大規模で多様なデータセットへの拡張や、より広範な経済指標の取り込みを計画していると述べています。

引用: 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

キーワード: 倒産予測, 金融リスク, 機械学習, メタヒューリスティック最適化, 早期警戒システム