DOI: https://doi.org/10.1016/j.trip.2024.101043
تاريخ النشر: 2024-02-16
المؤلف: Khaled Halteh وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تبحث هذه الدراسة في توقع الضغوط المالية في صناعة الطيران، وخاصة في سياق جائحة COVID-19، باستخدام تقنيات التعلم الآلي المتقدمة. تحلل الدراسة مجموعة بيانات عالمية لشركات الطيران لتطوير نماذج تنبؤية، مع التركيز على نماذج الغابات العشوائية (RF) وتعزيز التدرج العشوائي (SGB)، التي أظهرت دقة متفوقة في التنبؤ بالضغوط المالية. تشمل المؤشرات الرئيسية المحددة نسبة الدين إلى حقوق الملكية، والعائد على رأس المال المستثمر، ونسبة الدين، مما يبرز أهمية العوامل الخاصة بالشركة على الظروف الاقتصادية الكلية في التأثير على الاستقرار المالي.
تكشف النتائج أنه بينما شهد قطاع الطيران ضغوطًا مالية متزايدة خلال الجائحة، بدأت عملية التعافي في عام 2021. تسلط الدراسة الضوء على أهمية نماذج التنبؤ بالإفلاس لشركات الطيران، والتي يمكن أن تسهل التعرف المبكر على المشكلات المالية وتدعم استراتيجيات الإدارة الاستباقية. بالإضافة إلى ذلك، تقدم توصيات سياسية قابلة للتنفيذ، مثل تنفيذ أنظمة إنذار مبكر مدفوعة بالتعلم الآلي وتقييمات المخاطر الديناميكية، لتعزيز المرونة والاستدامة في قطاع الطيران. بشكل عام، تؤكد الدراسة على الدور الحاسم للرؤى المستندة إلى البيانات في إبلاغ اتخاذ القرار لأصحاب المصلحة في الصناعة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الأهمية الحاسمة للتنبؤ بدقة بالضغوط المالية، وخاصة في صناعة الطيران، التي تكون عرضة بشدة للتقلبات الاقتصادية والصدمات الخارجية، مثل جائحة COVID-19. لقد تسببت الجائحة في تعطيل كبير لقطاع الطيران، مما أدى إلى خسائر كبيرة في الإيرادات وضرورة إجراء تحقيق شامل في عواقبها المالية. تهدف هذه الدراسة إلى تطوير نماذج قوية لتنبؤ الضغوط المالية (FDP) باستخدام تقنيات التعلم الآلي المتقدمة، بما في ذلك أشجار القرار (DTs)، والغابات العشوائية (RFs)، وتعزيز التدرج العشوائي (SGB)، المطبقة على مجموعة بيانات عالمية لشركات الطيران. الهدف هو تزويد أصحاب المصلحة – مثل المستثمرين وصانعي السياسات – بأدوات موثوقة للتنبؤ بالضغوط المالية وتسهيل اتخاذ قرارات مستنيرة.
تسلط الدراسة الضوء على المساهمة الكبيرة لصناعة الطيران في الاقتصاد العالمي، حيث تولد إيرادات كبيرة وتوفر فرص عمل، وتؤكد على ضرورة فهم نقاط ضعفها المالية التي تفاقمت بسبب الجائحة. من خلال الريادة في تطبيق أساليب التعلم الآلي لتقييم الضغوط المالية في قطاع الطيران قبل وبعد COVID، تملأ هذه الدراسة فجوة في الأدبيات الحالية. إنها لا تقيم فقط أداء نماذج التنبؤ المختلفة ولكن أيضًا تؤكد على دور العوامل الخاصة بالشركة على المتغيرات الاقتصادية الكلية في تعزيز المرونة ضد الانكماشات الاقتصادية. من المتوقع أن تكون النتائج مفيدة لمختلف أصحاب المصلحة في اتخاذ قرارات استراتيجية للتخفيف من المخاطر المالية في صناعة الطيران.
الطرق
تتكون منهجية هذه الدراسة من مكونين رئيسيين يهدفان إلى تقييم الصحة المالية لشركات الطيران وتوقع الضغوط المالية. يتضمن المكون الأول تطبيق درجة Z لألتمن لتقييم الوضع المالي للشركات داخل مجموعة البيانات لكل عام من 2018 إلى 2021. تعتبر هذه المقياس المالي مؤشرًا حاسمًا لاحتمالية إفلاس الشركة.
يركز المكون الثاني على تطوير ثلاثة نماذج تعلم آلي متميزة: أشجار القرار (DT)، والغابات العشوائية (RF)، وتعزيز التدرج العشوائي (SGB). يتم استخدام هذه النماذج لتحديد النهج الأكثر دقة لتوقع الضغوط المالية بين شركات الطيران. بالإضافة إلى ذلك، تهدف الدراسة إلى تحديد المتغيرات الأكثر أهمية التي تؤثر على توقع الضغوط المالية (FDP) في هذا القطاع. سيتم تقديم مزيد من التفاصيل حول هذه المنهجيات في الأقسام الفرعية التالية.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور وفعالية نماذج مختلفة لتوقع الإفلاس وفشل الشركات، وخاصة في صناعة الطيران. وضعت النماذج المبكرة، مثل تحليل التمييز الأحادي لبيفر وتحليل التمييز المتعدد لألتمن (MDA)، منهجيات أساسية لتقييم الضغوط المالية. أظهر نموذج درجة Z لألتمن، الذي يصنف الشركات بناءً على درجة موزونة مشتقة من خمسة نسب مالية، دقة تنبؤية عالية على المدى القصير (95%) ولكنه واجه قيودًا في التنبؤات على المدى الطويل. كانت التحسينات اللاحقة، بما في ذلك نموذج زيتا ونماذج الانحدار اللوجستي، تهدف إلى معالجة هذه العيوب، حيث حققت النماذج اللوجستية دقة توقع تصل إلى 90% من خلال دمج البيانات غير المالية.
تستكشف الورقة أيضًا تقنيات التعلم الآلي المتقدمة، مثل الشبكات العصبية الاصطناعية (ANN)، والغابات العشوائية (RF)، وتعزيز التدرج العشوائي (SGB)، التي ظهرت كبدائل أكثر قوة للنماذج التقليدية. لا تعتمد هذه الأساليب على الافتراضات المقيدة لـ MDA وقد أظهرت قدرات تنبؤية محسنة. تشير النتائج إلى أنه بينما تعتبر المقاييس المالية مثل نسبة الدين إلى حقوق الملكية والعائد على رأس المال المستثمر مؤشرات حاسمة للضغوط المالية، فإن المتغيرات الاقتصادية الكلية كان لها تأثير ضئيل على نماذج التنبؤ. تؤكد الدراسة على أهمية الدعم المستمر لقطاع الطيران، خاصة في ضوء جائحة COVID-19، التي أثرت بشكل كبير على الصحة المالية للشركات، مع زيادة ملحوظة في الشركات المتعثرة خلال عام 2020.
DOI: https://doi.org/10.1016/j.trip.2024.101043
Publication Date: 2024-02-16
Author(s): Khaled Halteh et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This research investigates the prediction of financial distress in the aviation industry, particularly in the context of the COVID-19 pandemic, utilizing advanced machine learning techniques. The study analyzes a global dataset of aviation companies to develop predictive models, with a focus on Random Forest (RF) and Stochastic Gradient Boosting (SGB) models, which demonstrated superior accuracy in forecasting financial distress. Key predictors identified include debt-to-equity ratio, return on invested capital, and debt ratio, underscoring the significance of company-specific factors over macroeconomic conditions in influencing financial stability.
The findings reveal that while the aviation sector experienced heightened financial distress during the pandemic, recovery began in 2021. The research highlights the importance of bankruptcy prediction models for airlines, which can facilitate early identification of financial issues and support proactive management strategies. Additionally, it provides actionable policy recommendations, such as implementing machine learning-driven early warning systems and dynamic risk assessments, to enhance resilience and sustainability in the aviation sector. Overall, the study emphasizes the critical role of data-driven insights in informing decision-making for stakeholders in the industry.
Introduction
The introduction of this research paper emphasizes the critical importance of accurately forecasting financial distress, particularly in the aviation industry, which is highly vulnerable to economic fluctuations and external shocks, such as the COVID-19 pandemic. The pandemic has significantly disrupted the aviation sector, leading to substantial revenue losses and necessitating a thorough investigation into its financial repercussions. This study aims to develop robust Financial Distress Prediction (FDP) models using advanced machine learning techniques, including Decision Trees (DTs), Random Forests (RFs), and Stochastic Gradient Boosting (SGB), applied to a global dataset of aviation companies. The objective is to provide stakeholders—such as investors and policymakers—with reliable tools to predict financial distress and facilitate informed decision-making.
The research highlights the aviation industry’s substantial contribution to the global economy, generating significant revenue and employment, and underscores the necessity of understanding its financial vulnerabilities exacerbated by the pandemic. By pioneering the application of machine learning methods to assess financial distress in the aviation sector pre-and post-COVID, this study fills a gap in existing literature. It not only evaluates the performance of various predictive models but also emphasizes the role of company-specific factors over macroeconomic variables in enhancing resilience against economic downturns. The findings are expected to be instrumental for various stakeholders in making strategic decisions to mitigate financial risks in the aviation industry.
Methods
The methodology of this research consists of two primary components aimed at assessing the financial health of aviation companies and predicting financial distress. The first component involves the application of Altman’s Z-score to evaluate the financial standing of the companies within the dataset for each year from 2018 to 2021. This financial metric serves as a critical indicator of a company’s likelihood of bankruptcy.
The second component focuses on the development of three distinct machine learning models: Decision Trees (DT), Random Forest (RF), and Stochastic Gradient Boosting (SGB). These models are employed to identify the most accurate approach for predicting financial distress among aviation companies. Additionally, the research aims to determine the most significant variables influencing financial distress prediction (FDP) in this sector. Further details regarding these methodologies will be provided in subsequent subsections.
Discussion
The discussion section of the research paper highlights the evolution and effectiveness of various models for predicting bankruptcy and corporate failure, particularly in the aviation industry. Early models, such as Beaver’s univariate discriminant analysis and Altman’s multivariate discriminant analysis (MDA), established foundational methodologies for assessing financial distress. Altman’s Z-score model, which classifies companies based on a weighted score derived from five financial ratios, demonstrated high short-term predictive accuracy (95%) but faced limitations in long-term predictions. Subsequent enhancements, including the Zeta model and logistic regression approaches, aimed to address these shortcomings, with logistic models achieving up to 90% prediction accuracy by incorporating non-financial data.
The paper further explores advanced machine learning techniques, such as Artificial Neural Networks (ANN), Random Forests (RF), and Stochastic Gradient Boosting (SGB), which have emerged as more robust alternatives to traditional models. These methods do not rely on the restrictive assumptions of MDA and have shown improved predictive capabilities. The findings indicate that while financial metrics like debt-to-equity and return on invested capital are crucial predictors of financial distress, macroeconomic variables had minimal impact on the predictive models. The study underscores the importance of continued support for the aviation sector, especially in light of the COVID-19 pandemic, which significantly affected the financial health of companies, with a notable increase in distressed firms during 2020.