DOI: https://doi.org/10.15575/aksy.v8i1.52046
تاريخ النشر: 2026-01-14
المؤلف: Khusnul Khotimah وآخرون
الموضوع الرئيسي: التنبؤ بالضغوط المالية والإفلاس
نظرة عامة
تستكشف هذه الدراسة القدرات التنبؤية للانحدار اللوجستي (LR) والشبكات العصبية الاصطناعية (ANN) في التنبؤ بالضغوط المالية بين الشركات المصنعة المدرجة في بورصة إندونيسيا (IDX) للفترة من 2022 إلى 2024. الضغوط المالية، التي تشير إلى تدهور الصحة المالية للشركة واحتمالية الإفلاس، تتطلب نماذج تنبؤية دقيقة لأصحاب المصلحة. تستخدم الدراسة أخذ عينات هادفة لاختيار الشركات بناءً على اكتمال بياناتها المالية، معتمدة على النسب المالية الرئيسية مثل العائد على الأصول (ROA)، ونسبة الدين إلى الأصول (DAR)، والنسبة الحالية (CR) كمتغيرات تنبؤية. تكشف النتائج أن نموذج LR يتفوق على نموذج ANN، محققًا معدل استرجاع قدره 55.56%، مما يدل على فعالية أعلى في تحديد الشركات التي تعاني من ضغوط مالية.
تساهم الدراسة في نظرية الإشارة من خلال تأكيد أن النسب المالية يمكن أن تشير بشكل موثوق إلى احتمال تعرض الشركة للضغوط المالية. عمليًا، يظهر نموذج الانحدار اللوجستي المعزز بـ LASSO كأداة قيمة للكشف المبكر عن عدم الاستقرار المالي، مما يحث الشركات على مراقبة المؤشرات المالية الحرجة عن كثب. تدعو النتائج إلى اتخاذ إجراءات تصحيحية في الوقت المناسب في الشركات التي تظهر تراجعًا في الربحية أو ارتفاعًا في الرفع المالي. بالنسبة لصانعي السياسات، تؤكد الدراسة على أهمية تطوير أطر مراقبة لتحديد الشركات المعرضة للخطر بشكل استباقي. ومع ذلك، يتم الاعتراف بالقيود مثل التركيز الضيق على ثلاثة متغيرات مالية، وحجم العينة الصغيرة، ومدة الدراسة القصيرة، مما يقترح سبلًا للبحث المستقبلي لتشمل مجموعة أوسع من المؤشرات والتحليلات المقارنة مع تقنيات التعلم الآلي المتقدمة الأخرى.
مقدمة
تستعرض مقدمة ورقة البحث التحديات الاقتصادية التي تواجه إندونيسيا، مشيرة إلى تراجع الناتج المحلي الإجمالي (GDP) بنسبة 0.26% في عام 2023 وتراجع إضافي بنسبة 0.02% في عام 2024، مما زاد من الضغوط المالية على الشركات وزاد من خطر الضغوط المالية. أصبح الآلية القانونية المعروفة باسم تعليق التزامات سداد الديون (PKPU) حاسمة بالنسبة للشركات التي تعاني من ضغوط مالية، مما يسمح لها بإعادة هيكلة الديون والتفاوض مع الدائنين لتجنب الإفلاس. تشير بيانات CRIF إندونيسيا إلى انخفاض طفيف في حالات PKPU من 2023 إلى 2024، ومع ذلك، فإن الاتجاه التصاعدي في الحالات نحو نهاية 2024 يشير إلى استمرار تحديات السيولة، خاصة في الصناعات الضعيفة.
تؤكد الورقة على أهمية تقييم الضغوط المالية، التي تُعرف بأنها حالة من تدهور الصحة المالية التي يمكن أن تؤدي إلى الإفلاس إذا لم يتم التعامل معها. تم تحديد النسب المالية الرئيسية مثل العائد على الأصول (ROA)، والنسبة الحالية (CR)، ونسبة الدين إلى الأصول (DAR) كمؤشرات مهمة للتنبؤ بالضغوط المالية. تهدف الدراسة إلى مقارنة الأداء التنبؤي للانحدار اللوجستي والشبكات العصبية الاصطناعية (ANNs) في تحديد الضغوط المالية بين الشركات المصنعة المدرجة في IDX. من خلال فحص الفروق في الأداء بين هذين النموذجين بشكل مباشر، تسعى الدراسة إلى سد الفجوات في الأدبيات الحالية وتقديم رؤى قيمة لصانعي القرار في الشركات في التخطيط المالي الاستراتيجي والحفاظ على الاستقرار.
الطرق
تستخدم الدراسة الانحدار اللوجستي والشبكات العصبية الاصطناعية (ANN) لتحليل الضغوط المالية بين الشركات المصنعة المدرجة في بورصة إندونيسيا (IDX) من 2022 إلى 2024. يتم استخدام الانحدار اللوجستي لنمذجة العلاقة بين متغير نتيجة ثنائي (الضغوط المالية) ومجموعة متنوعة من المتنبئين، مع الاعتراف بحدوده، خاصة فيما يتعلق بالتحجيم في مجموعات البيانات غير المتوازنة. في المقابل، يتم تسليط الضوء على الشبكات العصبية الاصطناعية لقدرتها على التقاط العلاقات غير الخطية المعقدة، مما يوفر دقة تنبؤية أعلى محتملة. تصنف الدراسة الشبكات العصبية الاصطناعية إلى شبكات أحادية الطبقة، ومتعددة الطبقات، وشبكات تنافسية، مع تمييز بين أنماط التعلم المراقب وغير المراقب.
تستمد البيانات للتحليل من التقارير المالية لـ 271 شركة تصنيع، حيث أسفرت أخذ العينات الهادفة عن عينة نهائية من 183 شركة و549 ملاحظة. تحدد الدراسة المؤشرات التنبؤية الرئيسية لكلا النموذجين، والتي تمت معالجتها باستخدام برنامج Python لتوليد مخرجات تشير إلى احتمال الضغوط المالية، حيث تشير القيم الأقرب إلى 0 إلى الصحة المالية وتلك الأقرب إلى 1 تشير إلى الضغوط. تشمل المتغيرات الرئيسية نسبة الدين إلى الأصول، والنسبة الحالية، والعائد على الأصول، حيث يتم تعريف كل منها وقياسه لتقييم الاستقرار المالي للشركات قيد الدراسة.
النتائج
تسلط نتائج الدراسة الضوء على فعالية تقنيات الانحدار اللوجستي المختلفة في التنبؤ بالضغوط المالية باستخدام النسب المالية المختارة. حدد الانحدار اللوجستي التدريجي العائد على الأصول (ROA) كأحد المتنبئين المهمين الوحيدين، مع قيمة معيار المعلومات بايزي (BIC) تبلغ 131.8631، مما يشير إلى أن ارتفاع ROA يرتبط بانخفاض احتمال الضغوط المالية (معامل = -22.7188، قيمة p < 0.001). على العكس، احتفظ الانحدار اللوجستي LASSO بثلاثة متغيرات مهمة: ROA، ونسبة الدين إلى الأصول (DAR)، والنسبة الحالية (CR)، مع معامل عقوبة مثالي قدره $\lambda = 0.359381$. بينما يؤثر ROA سلبًا على احتمال الضغوط، تظهر كل من DAR وCR ارتباطًا إيجابيًا، مما يشير إلى أن القيم الأعلى لهذه النسب تزيد من خطر الصعوبات المالية. كشفت تقييمات الأداء الإضافية للنماذج أن الانحدار اللوجستي LASSO تفوق على النموذج التدريجي من حيث الدقة العامة (89.13% مقابل 86.96%) ودرجة F1 (84.21% مقابل 80.00%). بالإضافة إلى ذلك، أظهر تحليل الشبكات العصبية الاصطناعية (ANN) أن LASSO ANN قدم أداءً أكثر توازنًا في اكتشاف الشركات المتعثرة مقارنةً بـ Stepwise ANN، محققًا حساسية قدرها 44.44% ودقة عامة قدرها 86.96%. بالمقابل، أظهر Stepwise ANN خصوصية مثالية ولكن بمعدل خطأ من النوع الأول مرتفع (77.78%)، مما يشير إلى حدوده في تحديد الشركات المتعثرة بدقة. بشكل عام، تؤكد النتائج على أهمية اختيار النموذج في التنبؤ بالضغوط المالية، حيث تقدم تقنيات LASSO نهجًا أكثر شمولاً.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على فعالية نموذج الانحدار اللوجستي LASSO في التنبؤ بالضغوط المالية للشركات، محققًا حساسية (استرجاع) قدرها 55.56%، مما يتجاوز النماذج الأخرى، بما في ذلك الشبكات العصبية الاصطناعية LASSO والانحدار اللوجستي التدريجي. تؤكد هذه النتيجة على أهمية الحساسية كمقياس في مجموعات البيانات غير المتوازنة، حيث تكون القدرة على تحديد الشركات المتعثرة بدقة أمرًا حاسمًا. تدعم الدراسة نظرية الإشارة من خلال إظهار أن المؤشرات المالية مثل العائد على الأصول (ROA)، ونسبة الدين إلى الأصول (DAR)، والنسبة الحالية (CR) تعمل كمؤشرات موثوقة للصحة المالية، حيث يظهر ROA كأهم متغير.
تشير النتائج إلى أن الشركات التي تعاني من تراجع في ROA، وارتفاع في DAR، وانخفاض في CR معرضة بشكل أكبر لخطر الضغوط المالية، مما يبرز الحاجة إلى إدارة مالية استباقية. تقترح الدراسة أيضًا أن نماذج الانحدار اللوجستي، وخاصة تلك المعززة بـ LASSO، توفر قابلية تفسير واستقرار أكبر مقارنةً بالشبكات العصبية الاصطناعية، التي قد تعاني من التحجيم في السيناريوهات ذات البيانات المحدودة. تحمل النتائج تداعيات عملية للشركات وصانعي السياسات، داعيةً إلى مراقبة النسب المالية الرئيسية لتخفيف مخاطر الضغوط وتطوير أنظمة إنذار مبكر. يُشجع البحث المستقبلي على توسيع نطاق المؤشرات المالية واستكشاف خوارزميات تعلم الآلة الإضافية لتعزيز القدرات التنبؤية.
DOI: https://doi.org/10.15575/aksy.v8i1.52046
Publication Date: 2026-01-14
Author(s): Khusnul Khotimah et al.
Primary Topic: Financial Distress and Bankruptcy Prediction
Overview
This study investigates the predictive capabilities of Logistic Regression (LR) and Artificial Neural Networks (ANN) in forecasting financial distress among manufacturing firms listed on the Indonesia Stock Exchange (IDX) for the period 2022-2024. Financial distress, indicative of a company’s declining financial health and potential bankruptcy, necessitates accurate prediction models for stakeholders. The research utilizes purposive sampling to select firms based on the completeness of their financial statements, employing key financial ratios such as Return on Assets (ROA), Debt-to-Assets Ratio (DAR), and Current Ratio (CR) as predictive variables. The findings reveal that the LR model outperforms the ANN model, achieving a recall rate of 55.56%, thereby demonstrating superior effectiveness in identifying financially distressed companies.
The study contributes to signaling theory by affirming that financial ratios can reliably indicate a firm’s financial distress likelihood. Practically, the enhanced LASSO logistic regression model emerges as a valuable tool for early detection of financial instability, urging companies to monitor critical financial indicators closely. The results advocate for timely corrective actions in firms exhibiting declining profitability or high leverage. For policymakers, the research underscores the importance of developing monitoring frameworks to preemptively identify at-risk firms. However, limitations such as the narrow focus on three financial variables, a small sample size, and a short study duration are acknowledged, suggesting avenues for future research to include a broader range of indicators and comparative analyses with other advanced machine learning techniques.
Introduction
The introduction of the research paper outlines the economic challenges faced by Indonesia, highlighting a decline in Gross Domestic Product (GDP) of 0.26% in 2023 and a further decrease of 0.02% in 2024, which has heightened financial pressures on companies and increased the risk of financial distress. The legal mechanism known as the Suspension of Debt Payment Obligations (PKPU) has become crucial for financially distressed firms, allowing them to restructure debts and negotiate with creditors to avoid bankruptcy. Data from CRIF Indonesia indicates a slight decrease in PKPU cases from 2023 to 2024, yet an upward trend in cases towards the end of 2024 suggests ongoing liquidity challenges, particularly in vulnerable industries.
The paper emphasizes the importance of assessing financial distress, defined as a state of deteriorating financial health that can lead to bankruptcy if not addressed. Key financial ratios such as Return on Assets (ROA), Current Ratio (CR), and Debt to Asset Ratio (DAR) are identified as significant indicators for predicting financial distress. The study aims to compare the predictive performance of logistic regression and Artificial Neural Networks (ANNs) in identifying financial distress among manufacturing firms listed on the IDX. By directly examining the performance differences between these two models, the research seeks to fill gaps in existing literature and provide valuable insights for corporate decision-makers in strategic financial planning and stability maintenance.
Methods
The research employs logistic regression and artificial neural networks (ANN) to analyze financial distress among manufacturing firms listed on the Indonesia Stock Exchange (IDX) from 2022 to 2024. Logistic regression is utilized to model the relationship between a binary outcome variable (financial distress) and various predictors, while acknowledging its limitations, particularly regarding underfitting in imbalanced datasets. In contrast, ANNs are highlighted for their ability to capture complex nonlinear relationships, offering potentially higher predictive accuracy. The study categorizes ANNs into single-layer, multilayer, and competitive networks, with a distinction between supervised and unsupervised learning paradigms.
Data for the analysis is derived from financial reports of 271 manufacturing firms, with purposive sampling yielding a final sample of 183 companies and 549 observations. The study identifies key predictive indicators for both models, processed using Python software to generate outputs indicating the likelihood of financial distress, where values closer to 0 signify financial health and those closer to 1 indicate distress. Key variables include the Debt to Asset Ratio, Current Ratio, and Return on Assets, each defined and measured to assess the financial stability of the firms under study.
Results
The results of the study highlight the effectiveness of different logistic regression techniques in predicting financial distress using selected financial ratios. The Stepwise logistic regression identified Return on Assets (ROA) as the sole significant predictor, with a Bayesian Information Criterion (BIC) value of 131.8631, indicating that higher ROA correlates with a lower probability of financial distress (coefficient = -22.7188, p-value < 0.001). Conversely, the LASSO logistic regression retained three significant variables: ROA, Debt to Asset Ratio (DAR), and Current Ratio (CR), with an optimal penalty coefficient of $\lambda = 0.359381$. While ROA negatively impacts the likelihood of distress, both DAR and CR show a positive association, suggesting that higher values of these ratios increase the risk of financial difficulties. Further performance evaluation of the models revealed that the LASSO logistic regression outperformed the Stepwise model in terms of overall accuracy (89.13% vs. 86.96%) and F1-score (84.21% vs. 80.00%). Additionally, an analysis of Artificial Neural Networks (ANN) demonstrated that the LASSO ANN provided a more balanced performance in detecting distressed firms compared to the Stepwise ANN, achieving a sensitivity of 44.44% and an overall accuracy of 86.96%. In contrast, the Stepwise ANN exhibited perfect specificity but a high type I error rate (77.78%), indicating its limitations in accurately identifying distressed firms. Overall, the findings underscore the importance of model selection in financial distress prediction, with LASSO techniques offering a more comprehensive approach.
Discussion
The discussion section of the research paper highlights the effectiveness of the LASSO logistic regression model in predicting corporate financial distress, achieving a sensitivity (recall) of 55.56%, which surpasses other models, including LASSO artificial neural networks and stepwise logistic regression. This finding underscores the importance of sensitivity as a metric in imbalanced datasets, where the ability to accurately identify distressed firms is critical. The study supports signaling theory by demonstrating that financial indicators such as Return on Assets (ROA), Debt-to-Asset Ratio (DAR), and Current Ratio (CR) serve as reliable predictors of financial health, with ROA emerging as the most significant variable.
The results indicate that firms with declining ROA, high DAR, and insufficient CR are at increased risk of financial distress, emphasizing the need for proactive financial management. The study also suggests that logistic regression models, particularly those enhanced with LASSO, provide greater interpretability and stability compared to artificial neural networks, which may overfit in scenarios with limited data. The findings have practical implications for companies and policymakers, advocating for the monitoring of key financial ratios to mitigate distress risks and develop early-warning systems. Future research is encouraged to expand the range of financial indicators and explore additional machine learning algorithms to enhance predictive capabilities.