An Intelligent Ensemble Learning Framework for Early Corporate Bankruptcy Prediction Using Financial Ratios and Market Dynamics
यह अध्ययन एक हाइब्रिड एनसेंबल मशीन लर्निंग फ्रेमवर्क प्रस्तावित करता है जो बॉम्बे स्टॉक एक्सचेंज में सूचीबद्ध फर्मों के लिए प्रारंभिक कॉर्पोरेट दिवालियापन भविष्यवाणियों की सटीकता और स्थिरता में महत्वपूर्ण सुधार करने के लिए वित्तीय अनुपातों और बाजार की गतिशीलता को एकीकृत करता है, जो पारंपरिक सांख्यिकीय मॉडलों का एक मजबूत विकल्प प्रदान करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
वित्त की जटिल दुनिया में, कंपनियाँ लगातार आर्थिक धाराओं के बीच रास्ता खोजती रहती हैं। कुछ सुचारू रूप से चलती हैं, जबकि कुछ अन्य पानी भरने लगती हैं और अंततः दिवालियापन में डूब जाती हैं। दशकों से, विशेषज्ञ यह अनुमान लगाने की कोशिश कर रहे हैं कि कौन से जहाज डूबेंगे, इसके लिए वे कंपनियों के लेखांकन रिकॉर्ड (accounting records) देखते हैं—विशेष रूप से, वित्तीय अनुपातों (financial ratios) का एक समूह। ये अनुपात एक स्वास्थ्य जांच की तरह कार्य करते हैं, जो यह मापते हैं कि एक कंपनी के पास उसके ऋणों की तुलना में कितनी नकदी उपलब्ध है, वह अपनी संपत्तियों का कितनी कुशलता से उपयोग करती है, और कितना लाभ उत्पन्न करती है। हालाँकि, ये पारंपरिक तरीके अक्सर ऐतिहासिक डेटा पर निर्भर करते हैं जो देरी से रिपोर्ट किया जाता है, जो बिल्कुल वैसा ही है जैसे इंजन के रुकने के बाद कार के स्पीडोमीटर को देखना। तेजी से बदलते बाजार में, तिमाही रिपोर्ट का इंतजार करना संकट के शुरुआती संकेतों को खोने जैसा हो सकता है। इसे हल करने के लिए, शोधकर्ताओं ने कृत्रिम बुद्धिमत्ता (artificial intelligence) की ओर रुख करना शुरू कर दिया है, इस उम्मीद में कि वे ऐसे सिस्टम बना सकें जो डेटा की विशाल मात्रा में सूक्ष्म, छिपे हुए पैटर्न को पहचान सकें जिन्हें मानव विश्लेषक शायद मिस कर दें।
भारत के संस्थानों के शोधकर्ताओं की एक टीम ने पारंपरिक वित्तीय स्वास्थ्य जांच को वास्तविक समय के बाजार संकेतों के साथ जोड़कर कॉर्पोरेट दिवालियापन की भविष्यवाणी करने का एक नया तरीका विकसित किया है। उन्होंने एक परिष्कृत कंप्यूटर प्रणाली बनाई है जो विश्लेषण के एकल तरीके पर निर्भर नहीं है। इसके बजाय, यह 'एन्सेम्बल लर्निंग' (ensemble learning) नामक एक तकनीक का उपयोग करती है, जो एक मामले की समीक्षा करने के लिए तीन अलग-अलग विशेषज्ञों के पैनल से राय लेने और फिर अंतिम निर्णय पर पहुँचने के लिए उनके विचारों को मिलाने जैसा है। इस अध्ययन में, "विशेषज्ञ" तीन शक्तिशाली मशीन लर्निंग एल्गोरिदम हैं: एक जो निर्णय वृक्षों (decision trees) का एक जंगल बनाता है, दूसरा जो कठिन मामलों पर ध्यान केंद्रित करके अपनी पिछली गलतियों से सीखता है, और तीसरा जो जटिल डेटा को संभालने में अपनी गति और सटीकता के लिए जाना जाता है। शोधकर्ताओं ने इस प्रणाली को एक विशाल डेटासेट खिलाया जिसमें बॉम्बे स्टॉक एक्सचेंज में सूचीबद्ध 2,800 कंपनियों की जानकारी शामिल थी, और 2020 से 2025 तक पांच वर्षों तक उन्हें ट्रैक किया। इस डेटा में न केवल मानक लेखांकन संख्याएँ शामिल थीं, बल्कि बाजार-आधारित संकेतक भी थे जैसे कि किसी कंपनी के शेयर की कीमत में कितना उतार-चढ़ाव होता है, जिससे मॉडल को वित्तीय स्वास्थ्य की अधिक पूर्ण और तत्काल तस्वीर मिली।
शोधकर्ताओं ने पाया कि इन विभिन्न प्रकार के डेटा को मिलाने और अपने तीन एल्गोरिदम की संयुक्त शक्ति का उपयोग करने से, वे पुराने तरीकों की तुलना में काफी उच्च प्रदर्शन के साथ दिवालियापन की भविष्यवाणी कर सकते थे। जब उन्होंने अपने नए ढांचे का परीक्षण मानक सांख्यिकीय उपकरणों और एकल मशीन लर्निंग मॉडल के विरुद्ध किया, तो हाइब्रिड प्रणाली उन सभी से बेहतर रही। इसने 0.96 के AUC के साथ वित्तीय रूप से संकटग्रस्त कंपनियों की सही पहचान की, जो पारंपरिक दृष्टिकोणों द्वारा प्राप्त लगभग 0.82 से 0.88 AUC की तुलना में एक उल्लेखनीय उछाल है। यह प्रणाली विशेष रूप से उन कंपनियों को पहचानने में अच्छी थी जो वास्तव में मुसीबत में थीं, जो निवेशकों और ऋणदाताओं के लिए एक महत्वपूर्ण कौशल है जिन्हें बुरे ऋणों से बचने की आवश्यकता होती है। अध्ययन ने पुष्टि की कि सबसे विश्वसनीय शुरुआती चेतावनी संकेत केवल एक या दो संख्याएँ नहीं थे, बल्कि कारकों का एक विशिष्ट संयोजन था: एक कंपनी जो अपने अल्पकालिक बिलों का भुगतान करने के लिए संघर्ष कर रही है, दैनिक संचालन से नकदी की कमी, अपनी स्वयं की वैल्यू की तुलना में ऋण की अत्यधिक मात्रा, और अपनी संपत्तियों को लाभ में बदलने की क्षमता में निरंतर गिरावट।
अध्ययन के सबसे प्रकट पहलुओं में से एक यह था कि इसने कैसे पहचाना कि विशिष्ट कारक सबसे अधिक मायने रखते हैं। शोधकर्ताओं ने कम महत्वपूर्ण डेटा बिंदुओं को हटाने के लिए एक विधि का उपयोग किया, जिससे केवल सबसे मजबूत संकेत ही बचे। उन्होंने पाया कि ऋण और इक्विटी का अनुपात (debt to equity ratio) विफलता का सबसे प्रभावशाली भविष्यवक्ता था, जिसके ठीक बाद तरलता अनुपात (liquidity ratios) और लाभप्रदता के माप आए। यह सुझाव देता है कि एक कंपनी की पूंजी संरचना और नकदी उत्पन्न करने की उसकी क्षमता उसके अस्तित्व का आधार है। अध्ययन ने यह भी रेखांकित किया कि विभिन्न उद्योग जोखिम के विभिन्न स्तरों का सामना करते हैं। वित्तीय सेवा क्षेत्र सबसे संवेदनशील के रूप में उभरा, जिसमें दिवालियापन की उच्च अनुमानित दर देखी गई, जो संभवतः इसके भारी उत्तोलन (leverage) पर निर्भरता और आर्थिक बदलावों के प्रति संवेदनशीलता के कारण है। इसके विपरीत, फास्ट-मूविंग कंज्यूमर गुड्स और फार्मास्यूटिकल्स जैसे क्षेत्रों ने बहुत कम जोखिम दिखाया, जो उनकी स्थिर मांग और लचीली परिचालन क्षमता को दर्शाता है।
डेटा की समयरेखा ने एक अन्य स्तर की अंतर्दृष्टि प्रदान की, जो दिखाया कि वित्तीय संकट पांच साल की अवधि में कैसे विकसित हुआ। जोखिम स्कोर 2020 में सबसे अधिक थे, विशेष रूप से तीसरी तिमाही में, जो वैश्विक महामारी के कारण होने वाले गंभीर आर्थिक व्यवधानों को दर्शाता है। जैसे-जैसे वर्ष आगे बढ़े, कंपनियों के औसत जोखिम स्कोर में लगातार गिरावट आई, जो बाजार में क्रमिक सुधार और बेहतर वित्तीय लचीलेपन का सुझाव देता है। 2025 तक, अनुमानित दिवालियापन की घटनाओं की संख्या चरम वर्षों की तुलना में काफी कम हो गई। यह रुझान इंगित करता है कि मॉडल संकट से उबरने वाले अर्थव्यवस्था के बदलते आयामों को पकड़ने के लिए पर्याप्त संवेदनशील है।
इस कार्य के निहितार्थ अकादमिक सिद्धांत से परे हैं। शोधकर्ता प्रस्तावित करते हैं कि उनका ढांचा बैंकों, निवेशकों और कॉर्पोरेट प्रबंधकों के लिए एक शक्तिशाली प्रारंभिक चेतावनी प्रणाली के रूप में कार्य कर सकता है। वास्तविक समय के बाजार व्यवहार के साथ पारंपरिक वित्तीय विवरणों को एकीकृत करने वाली प्रणाली का उपयोग करके, ये हितधारक कंपनियों के ढहने से पहले ही उन्हें पहचान सकते हैं, जिससे ऋण पुनर्गठन या निवेश पोर्टफोलियो को समायोजित करने जैसे सक्रिय उपाय संभव हो पाते हैं। अध्ययन स्पष्ट रूप से नोट करता है कि हालांकि उनका मॉडल अत्यधिक प्रभावी है, लेकिन यह कोई 'क्रिस्टल बॉल' (भविष्य बताने वाला यंत्र) नहीं है; यह प्रदान किए गए डेटा की गुणवत्ता पर निर्भर करता है और वर्तमान में भारत की सार्वजनिक रूप से सूचीबद्ध कंपनियों पर प्रशिक्षित है। लेखक सुझाव देते हैं कि भविष्य के संस्करणों को गैर-वित्तीय कारकों, जैसे कॉर्पोरेट गवर्नेंस की गुणवत्ता या पर्यावरणीय नीतियों को शामिल करके और जटिल संबंधों को मॉडल करने के लिए और भी उन्नत कृत्रिम बुद्धिमत्ता तकनीकों का उपयोग करके सुधारा जा सकता है। हालाँकि, फिलहाल, यह अध्ययन एक सशक्त प्रदर्शन है कि विविध डेटा स्रोतों को बुद्धिमान, बहु-एल्गोरिदम प्रणालियों के साथ जोड़ना, संख्याओं को अलग-थलग देखने की तुलना में कॉर्पोरेट स्थिरता का कहीं अधिक स्पष्ट दृश्य प्रदान करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।