Bayesian Modeling of Corporate Financial Distress Risk in Emerging Markets with Evidence from Moroccan Firms
تقترح هذه الدراسة وتتحقق من صحة نموذج لوجستي هرمي بايزي باستخدام محاكاة مونت كارلو عبر سلاسل ماركوف (MCMC) لتعزيز التنبؤ بالتعثر المالي للشركات بين الشركات المغربية المدرجة، مما يظهر استقراراً تنبؤياً وتحديداً للكميات غير المؤكدة يتفوق على الطرق التقليدية في سياق تقلبات الأسواق الناشئة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل، تشبه الشركات الكائنات الحية التي يجب أن تدير مواردها باستمرار من أجل البقاء. فتماماً كما يحتاج جسم الإنسان إلى قدر كافٍ من الدم ليصل إلى كل طرف وإلى طاقة كافية لإبقاء القلب ينبض، تحتاج الشركة إلى سيولة نقدية كافية لسداد فواتيرها وأرباح كافية لاستمرار نموها. وعندما تنفد الأموال من الشركة أو تتحمل ديوناً طائلة، تدخل في حالة تُعرف بالتعثر المالي. هذه حالة خطيرة حيث تكافح الشركة للوفاء بالتزاماتها، وغالباً ما تكون بمثابة علامة تحذير من احتمال حدوث انهيار كامل أو إفلاس. ويعد التنبؤ بموعد حدوث ذلك مهمة بالغة الأهمية للبنوك والمستثمرين والجهات التنظيمية، لأن الفشل المفاجئ يمكن أن يمتد أثره عبر الاقتصاد، مما يضر بالمقرضين والعمال على حد سواء. ولعقود من الزمن، حاول الخبراء بناء أدوات رياضية لرصد علامات التحذير هذه مبكراً، وعادةً من خلال النظر في التقارير المالية للشركة لمعرفة ما إذا كانت أرقامها تتحول إلى اللون الأحمر. ومع ذلك، غالباً ما تواجه هذه الأدوات التقليدية صعوبة في الأماكن التي يكون فيها الاقتصاد غير مستقر أو حيث يصعب العثور على المعلومات، لأنها تميل إلى معاملة كل شركة كما لو كانت متطابقة تماماً وتفشل في مراعاة عدم اليقين الذي يأتي مع البيانات الواقعية.
لقد شرع باحث في تحسين هذه العملية من خلال التركيز على الصحة المالية للشركات المدرجة في البورصة في المغرب. وقد أدرك أن الأساليب القياسية المستخدمة في الاقتصادات الغنية والمستقرة غالباً ما تفشل في الأسواق الناشئة مثل المغرب، حيث يمكن أن تتغير الظروف الاقتصادية بسرعة وتتفاوت الشركات بشكل كبير في حجمها وهيكلها. وبدلاً من الاعتماد على الصيغ القدة والجامدة التي تعطي إجابة واحدة وثابتة، بنى الباحث نوعاً جديداً من النماذج التي تتقبل عدم اليقين. لقد استخدم نهجاً إحصائياً يُسمى الاستدلال البايزي (Bayesian inference)، والذي يعمل بشكل مختلف عن الأساليب التقليدية. وبينما يحاول النموذج القياسي إيجال رقم واحد دقيق لتمثيل المخاطر، يعامل هذا النهج الجديد الإجابة كمدى من الاحتمالات، ويقوم بتحديث معتقداته كلما نظر في البيانات. الأمر يشبه كيف قد لا يكتفي خبير الأرصاد الجوية بالقول "سوف تمطر"، بل يشرح احتمالية هطول الأمطار بناءً على الظروف الحالية والأنماط الماضية، ويعدل ذلك التنبؤ مع ورود معلومات جديدة. وهذا يسمح للنموذج بأن يكون أكثر مرونة وصدقاً بشأن مدى تأكده، وهو أمر مهم بشكل خاص عند التعامل مع بيانات محدودة.
جمع الباحث السجلات المالية لأوّلي أربعين وأربعين شركة غير مالية مدرجة، وتتبعها على مدار عشر سنوات من 2015 إلى 2024. وقد اختار بعناً مؤشرات مالية محددة لتعمل كـ "عيون" للنموذج، حيث راقب مقدار السيولة النقدية التي تمتلكها الشركات، وحجم ديونها، ومدى ربحيتها، ومدى قدرتها على توليد النقد من عملياتها اليومية. ولضمان أن النموذج يتنبأ بالمستقبل وليس مجرد وصف للماضي، استخدم البيانات المالية لعام واحد للتنبؤ بما إذا كانت الشركة ستواجه مشاكل في العام التالي. وقد عرّف الشركة بأنها في حالة تعثر مالي إذا أظهرت علامتين على الأقل من علامات المشاكل، مثل خسارة الأموال لعامين متتاليين، أو امتلاك سيولة نقدية ضئيلة جداً مقارنة بديونها، أو تحمل عبء ديون يتجاوز سبعين بالمائة من إجمالي أصولها. ومن بين 420 سجلاً سنوياً للشركات التي حللها، تم تحديد حوالي 105 سجلات على أنها في حالة تعثر، مما منح الباحث مجموعة صلبة من الأمثلة لاختبار منهجه الجديد ضدها.
عندما قام الباحث بتشغيل نموذجه الجديد، أثبت أنه أداة قوية لرصد المشاكل. فقد نجح النموذج في تحديد الشركات المتعثرة بدقة بلغت 85.7 بالمائة، مما يعني أنه كان صحيحاً في تنبؤاته في غالبية الحالات. وقد تفوق في أدائه على الطريقتين التقليتين اللتين تمت مقارنته بهما: "درجة ألتمان زد" (Altman Z-score) الشهيرة، وهي صيغة محاسبية كلاسيكية، ونموذج إحصائي قياسي تستخدمه العديد من البنوك. حقق النموذج الجديد درجة قدرها 0.887 في قدرته على التمييز بين الشركات السليمة والمتعثرة، مقارنة بـ 0.770 للصيغة الكلاسيكية و0.860 للنهج الإحصائي القياسي. والأهم من ذلك، أن النموذج لم يكتفِ بإعطاء إجابة بسيطة بـ "نعم" أو "لا"، بل قدم احتمالاً، موضحاً للمستخدمين مدى احتمالية فشل الشركة. فعلى سبيل المثال، خصص احتمالية عالية للتعثر للشركات التي كانت تعاني بالفعل، واحتمالية منخفضة للشركات السليمة، مما أظهر فصلاً واضحاً بين المجموعتين.
كان أحد أهم النتائج هو أن النموذج يمكنه مراعاة الاختلافات الفريدة بين الشركات الفردية. في الماضي، كانت النماذج تفترض غالباً أن مستوى الديون المرتفع يعني الشيء نفسه لكل عمل تجاري. ومع ذلك، أدرك هذا النهج الجديد أن بعض الشركات قد تكون أكثر عرضة للخطر بطبيعتها بسبب عوامل غير ظاهرة في الأرقام، مثل أسلوب الإدارة أو خصوصيات الصناعة. ومن خلال السماح للنموذج بالتعلم من التاريخ المحدد لكل شركة، أصبح أفضل بكثير في التعامل مع الواقع المعقد للسوق المغربي. وقد أكد التحليل أن الديون المفرطة كانت أقوى مؤشر على التعثر المالي، تليها عن كثب الربحية الضعيفة والتدفق النقدي الضعيف. فالشركات التي لم تستطع توليد نقد كافٍ لسداد ديونها أو التي كانت تخسر الأموال كانت أكثر عرضة بكثير للدخول في حالة التعثر. كما أظهر النموذج أن امتلاك سيولة قوية، أو سهولة الوصول إلى النقد، كان عاملاً وقائياً رئيسياً.
وقد حرص الباحث على الإشارة إلى أنه رغم فعالية نموذجه العالية، إلا أنه لم يكن كرة بلورية (تتنبأ بالمستقبل بدقة مطلقة). فالبيانات التي استخدمها جاءت من مجموعة محددة من الشركات المدرجة، لذا قد لا تنطبق النتائج تماماً على الشركات الأصغر غير المدرجة. بالإضافة إلى ذلك، ولأن النموذج قد تم تدريبه على نسب مالية مرتبطة ببعضها البعض، فإن جزءاً من نجاحه قد يعود إلى حقيقة أن الظروف المالية تميل إلى البقاء ثابتة من سنة إلى أخرى، بدلاً من قدرة عميقة على التنبؤ بالتغيرات المفاجئة. ومع ذلك، أظهرت الدراسة أن استخدام نهج احتمالي مرن يعد خطوة كبيرة للأمام في تقييم المخاطر في الأسواق الناشئة. فمن خلال تقديم صورة أوضح لعدم اليقين ومراعاة الطبيعة الفريدة لكل شركة، يوفر هذا الإطار الجديد للبنوك والمستثمرين والجهات التنظيمية وسيلة أكثر موثوقية لرصد التعثر المالي قبل أن يتحول إلى أزمة. وهو ما يشير إلى أنه في عالم يسوده عدم اليقين الاقتصادي، فإن أفضل طريقة للتنبؤ بالمستقبل ليست البحث عن إجابة واحدة ثابتة، بل فهم نطاق الاحتمالات واحتمالية وقوع كل منها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.