DOI: https://doi.org/10.1371/journal.pone.0347140
PMID: https://pubmed.ncbi.nlm.nih.gov/42090426
تاريخ النشر: 2026-05-06
المؤلف: Xiao Wang وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تقدم هذه الدراسة نموذجًا مدفوعًا بالذكاء الاصطناعي مصممًا للتنبؤ بأداء إدارة الشركات من خلال دمج البيانات المالية مع الرؤى الاستراتيجية المستمدة من رسائل المدير التنفيذي في تقارير الاستدامة. من خلال تحليل مجموعة بيانات تضم 1,271 شركة مدرجة في أسواق كوسبي وكوسداك في كوريا من 2016 إلى 2023، استخدمت الدراسة ثمانية مصنفات تعلم آلي وتعلم عميق، بما في ذلك KNN وSVM وGBM وCatBoost وGAN وRNN وLSTM وTransformer. تشير النتائج إلى أن النماذج التي تستخدم كل من المتغيرات المالية والاستراتيجية تفوقت بشكل كبير على تلك التي تعتمد فقط على البيانات المالية. حقق نموذج Transformer أعلى دقة تنبؤية، مع مقاييس مثل الدقة = 0.8467، AUC = 0.8481، وF1 = 0.8572، مما يوضح القيمة المضافة لدمج المؤشرات الاستراتيجية استنادًا إلى إطار بطاقة الأداء المتوازن المستدامة (SBSC).
تناقش الدراسة الفجوات الحرجة في الأدبيات الحالية، لا سيما الأدلة التجريبية المحدودة حول القيمة التنبؤية للسرد الاستراتيجي النوعي من رسائل المدير التنفيذي والحاجة إلى منهجية شفافة لتحويل هذه السرد إلى ميزات قابلة للتنفيذ. من خلال الاستفادة من تقنيات معالجة اللغة الطبيعية، تؤكد الدراسة على رسالة المدير التنفيذي كمصدر بيانات قيم للتنبؤ بالأداء، مما يبرز أهمية الإفصاحات غير المالية في فهم استراتيجية الشركات واستدامتها. تؤكد النتائج فعالية نماذج التعلم العميق في تحليل مجموعات البيانات المعقدة التي تدمج البيانات الهيكلية وغير الهيكلية، مما يعزز دقة التنبؤات بالأداء. لا تساهم هذه الأعمال فقط في تقاطع الإدارة الاستراتيجية والتمويل الحسابي، ولكنها تقدم أيضًا تطبيقات عملية للمستثمرين والشركات والجهات التنظيمية في تقييم أداء الشركات ومواءمة الاستدامة. تشمل اتجاهات البحث المستقبلية اختبار قابلية تطبيق النموذج عبر صناعات مختلفة ودمج مصادر بيانات إضافية لتعزيز القدرات التنبؤية بشكل أكبر.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للاعتبارات البيئية والاجتماعية والحوكمة (ESG) في إدارة الشركات، مما يدفع الشركات إلى مواءمة استراتيجياتها مع هذه المبادئ. تتناول الدراسة تحدي تطوير نماذج تنبؤية دقيقة لأداء الشركات من خلال دمج التوجه الاستراتيجي النوعي في إطار تنبؤ قائم على التعلم الآلي. باستخدام تقنيات تعدين النصوص، تقوم الدراسة بت quantifying استراتيجيات الإدارة المضمنة في إفصاحات ESG، مما يعزز النماذج المالية الحالية من خلال نهج هجين يعكس نماذج الاستدامة. يهدف النموذج المقترح إلى تحسين الصلاحية التنبؤية وتقديم رؤى قيمة لمديري الشركات والمساهمين الذين يركزون على الأداء على المدى الطويل.
تتميز الدراسة من خلال دمج بيانات استراتيجية غير مالية من رسائل المدير التنفيذي في تقارير الاستدامة، وهو نهج لم يتم استخدامه سابقًا في هذا السياق. من خلال معالجة هذه الرسائل بشكل منهجي، تكشف الدراسة أنها تحتوي على إشارات استراتيجية يمكن أن تعزز بشكل كبير التنبؤات بالأداء. تستخدم المنهجية ثمانية نماذج تصنيف تعلم آلي وتعلم عميق، مما يوضح أن تلك التي تدمج بيانات رسائل المدير التنفيذي تتفوق على النماذج التقليدية التي تعتمد فقط على المتغيرات المالية. لا تساهم هذه التكاملات المبتكرة فقط في النقاش الأكاديمي من خلال سد الفجوات بين المحاسبة والإدارة الاستراتيجية وتحليلات الذكاء الاصطناعي، ولكنها تقدم أيضًا قيمة عملية لتحليل الاستثمار واتخاذ القرار في التقييمات التي تركز على ESG.
النتائج
تشير النتائج المقدمة في هذا القسم إلى تحسين كبير في الأداء التنبؤي لمختلف نماذج التعلم الآلي لأداء إدارة الشركات عند دمج معلومات استراتيجية الإدارة. على وجه التحديد، أظهرت نماذج مثل KNN وSVM وGBM وCatBoost وGAN وRNN وLSTM وTransformer تحسينات في الدقة والدقة والاسترجاع وAUC ودرجات F1 عند دمج بيانات استراتيجية الإدارة المستمدة من رسائل المدير التنفيذي وإطار SBSC. على سبيل المثال، تحسنت دقة نموذج RNN من 0.8218 إلى 0.8390، بينما ارتفعت دقة نموذج LSTM من 0.8315 إلى 0.8485. تؤكد هذه النتائج التأثير الإيجابي لمعلومات استراتيجية الإدارة، مع تحسينات متوسطة عبر النماذج تشير إلى أن مثل هذه البيانات تعزز القدرات التنبؤية.
علاوة على ذلك، كشفت تحليل منحنيات التعلم أنه بينما أظهرت بعض النماذج زيادة طفيفة في التكيف الزائد، أشارت الاتجاهات العامة إلى أن زيادة بيانات التدريب حسنت دقة التحقق وقللت من فجوة التعميم. أكدت تحليل الإزالة أيضًا أن تضمين ميزات استراتيجية الإدارة المتوافقة مع SBSC ساهم باستمرار في مكاسب الأداء، مع زيادات متوسطة قدرها 0.0121 في الدقة، 0.0092 في AUC، و0.0119 في درجة F1 عبر الخوارزميات. يشير هذا إلى أن الإفصاحات الاستراتيجية غير المالية يمكن أن توفر إشارات تنبؤية قيمة، مما يعزز قدرة النماذج على التنبؤ بأداء الإدارة بما يتجاوز المقاييس المالية التقليدية.
المناقشة
في هذا القسم، تناقش الدراسة المنهجية المستخدمة لتحليل أداء إدارة الشركات من خلال عدسة تقارير إدارة الاستدامة، مع التركيز بشكل خاص على رسائل المدير التنفيذي. تستخدم الدراسة تقنيات تعدين النصوص ومعالجة اللغة الطبيعية (NLP)، وتحديدًا نموذج Bag of Words (BoW) وقيم تكرار المصطلحات-تكرار الوثائق العكسية (TF-IDF)، لاستخراج الكلمات الرئيسية البارزة من هذه الرسائل. يتم تصنيف الكلمات الرئيسية وفقًا لإطار بطاقة الأداء المتوازن المستدامة (SBSC)، الذي يصنف التوجهات الاستراتيجية إلى خمس فئات: المالية، العملاء، العمليات الداخلية، التعلم والنمو، والاستدامة. يسمح هذا النهج بإنشاء مؤشرات ثنائية تعكس التركيز الاستراتيجي لكل شركة بناءً على تكرار الكلمات الرئيسية ذات الصلة في رسائل المدير التنفيذي.
تتكون مجموعة البيانات من 871 شركة غير مالية مدرجة في كوسبي وكوسداك من 2016 إلى 2023، وتم تصفيتها من خلال معايير استبعاد صارمة لضمان الاتساق وقابلية المقارنة. تستخدم الدراسة نماذج التعلم الآلي والتعلم العميق للتنبؤ بالعائد على حقوق الملكية (ROE) كمقياس لأداء الإدارة، مع دمج كل من المتغيرات المالية وغير المالية، بما في ذلك مؤشرات SBSC المستمدة. تبرز الدراسة فعالية مصنفات التعلم العميق، مثل نماذج LSTM وTransformer، في تعزيز الدقة التنبؤية، خاصة عند دمج البيانات المالية الهيكلية مع البيانات النصية غير الهيكلية. يتم استخدام تقنيات التحقق المتقاطع لتقييم أداء النموذج، مما يضمن القوة ضد التكيف الزائد والتكيف الناقص، وبالتالي التحقق من كفاية مجموعة البيانات لأهداف الدراسة.
DOI: https://doi.org/10.1371/journal.pone.0347140
PMID: https://pubmed.ncbi.nlm.nih.gov/42090426
Publication Date: 2026-05-06
Author(s): Xiao Wang et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This study introduces an AI-driven model designed to predict corporate management performance by integrating financial data with strategic insights derived from CEO messages in sustainability reports. Analyzing a dataset of 1,271 companies listed on Korea’s KOSPI and KOSDAQ markets from 2016 to 2023, the research employed eight machine learning and deep learning classifiers, including KNN, SVM, GBM, CatBoost, GAN, RNN, LSTM, and Transformer. The findings indicate that models utilizing both financial and strategic variables significantly outperformed those relying solely on financial data. The Transformer model achieved the highest predictive accuracy, with metrics such as Accuracy = 0.8467, AUC = 0.8481, and F1 = 0.8572, demonstrating the added value of incorporating strategic indicators based on the Sustainable Balanced Scorecard (SBSC) framework.
The research addresses critical gaps in existing literature, particularly the limited empirical evidence on the predictive value of qualitative strategic narratives from CEO messages and the need for a transparent methodology to convert these narratives into actionable features. By leveraging natural language processing techniques, the study validates the CEO’s message as a valuable data source for performance forecasting, emphasizing the importance of non-financial disclosures in understanding corporate strategy and sustainability. The results underscore the effectiveness of deep learning models in analyzing complex datasets that merge structured and unstructured data, thereby enhancing the accuracy of performance predictions. This work not only contributes to the intersection of strategic management and computational finance but also provides practical applications for investors, corporations, and regulators in evaluating corporate performance and sustainability alignment. Future research directions include testing the model’s applicability across various industries and integrating additional data sources to further enhance predictive capabilities.
Introduction
The introduction of this research paper highlights the increasing significance of environmental, social, and governance (ESG) considerations in corporate management, prompting firms to align their strategies with these principles. The study addresses the challenge of developing accurate predictive models for corporate performance by integrating qualitative strategic orientation into a machine learning-based prediction framework. Utilizing text mining techniques, the research quantifies management strategies embedded in ESG disclosures, thereby enhancing existing financial models with a hybrid approach that reflects sustainability paradigms. The proposed model aims to improve predictive validity and offer valuable insights for corporate managers and stakeholders focused on long-term performance.
The study distinguishes itself by incorporating strategic, non-financial data from CEO messages in sustainability reports, an approach not previously utilized in this context. By systematically processing these messages, the research reveals that they contain strategic signals that can significantly enhance performance predictions. The methodology employs eight machine learning and deep learning classification models, demonstrating that those incorporating CEO message data outperform traditional models reliant solely on financial variables. This innovative integration not only contributes to the academic discourse by bridging gaps between accounting, strategic management, and AI-driven analytics but also provides practical value for investment analysis and decision-making in ESG-focused evaluations.
Results
The results presented in this section indicate a significant enhancement in the predictive performance of various machine learning models for corporate management performance when management strategy information is incorporated. Specifically, models such as KNN, SVM, GBM, CatBoost, GAN, RNN, LSTM, and Transformer showed improvements in accuracy, precision, recall, AUC, and F1 scores upon integrating management strategy data derived from CEO messages and the SBSC framework. For instance, the accuracy of the RNN model improved from 0.8218 to 0.8390, while the LSTM model’s accuracy rose from 0.8315 to 0.8485. These findings underscore the positive impact of management strategy information, with mean improvements across models indicating that such data enhances predictive capabilities.
Furthermore, the analysis of learning curves revealed that while some models exhibited mild overfitting, the overall trends suggested that increasing training data improved validation accuracy and reduced the generalization gap. The ablation analysis further confirmed that the inclusion of SBSC-aligned management strategy features consistently contributed to performance gains, with mean increases of 0.0121 in accuracy, 0.0092 in AUC, and 0.0119 in F1 score across algorithms. This suggests that non-financial strategic disclosures can provide valuable predictive signals, enhancing the models’ ability to forecast management performance beyond traditional financial metrics.
Discussion
In this section, the research discusses the methodology employed to analyze corporate management performance through the lens of sustainability management reports, particularly focusing on CEO messages. The study utilizes text mining and Natural Language Processing (NLP) techniques, specifically the Bag of Words (BoW) model and Term Frequency-Inverse Document Frequency (TF-IDF) values, to extract salient keywords from these messages. The keywords are categorized according to the Sustainability Balanced Scorecard (SBSC) framework, which classifies strategic orientations into five categories: financial, customer, internal process, learning and growth, and sustainability. This approach allows for the creation of binary indicators that reflect the strategic emphasis of each firm based on the frequency of relevant keywords in CEO messages.
The dataset comprises 871 non-financial firms listed on KOSPI and KOSDAQ from 2016 to 2023, filtered through rigorous exclusion criteria to ensure consistency and comparability. The study employs machine learning and deep learning models to predict Return on Equity (ROE) as a measure of management performance, integrating both financial and non-financial variables, including the derived SBSC indicators. The research highlights the effectiveness of deep learning classifiers, such as LSTM and Transformer models, in enhancing predictive accuracy, particularly when combining structured financial data with unstructured text data. Cross-validation techniques are employed to assess model performance, ensuring robustness against overfitting and underfitting, thereby validating the adequacy of the dataset for the study’s objectives.