اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 2 پیاپی 8 1405 04 01 Developing a Bankruptcy Prediction Model for Banks and Financial Institutions Using Recurrent Neural Networks and Financial Soundness Indicators ارائه مدل پیش‌بینی ورشکستگی بانک‌ها و مؤسسات مالی با استفاده از شبکه‌های عصبی بازگشتی و شاخص‌های سلامت مالی 1 13 FA علیرضا نجفی منش گروه اقتصاد، دانشگاه شیراز، شیراز، ایران سارا سادات کمالی نیا گروه اقتصاد، دانشگاه شیراز، شیراز، ایران Journal Article <p>This study aimed to develop a conceptual-analytical model for predicting bankruptcy in banks and financial institutions using recurrent neural networks and financial soundness indicators from the perspective of banking, financial, and fintech experts. This study employed a qualitative exploratory design. The participants consisted of 22 banking experts, risk managers, financial analysts, fintech specialists, university faculty members, and supervisory experts in Tehran, selected through purposive and snowball sampling. Data were collected using semi-structured interviews and continued until theoretical saturation was achieved. The data were analyzed through thematic analysis using NVivo software. To enhance the trustworthiness of the findings, member checking, peer coding, constant comparison, analytical memoing, and an audit trail were used. Data analysis resulted in five main categories: fundamental indicators of financial soundness, quality and integration of banking data, the capability of recurrent neural networks in identifying hidden temporal patterns, governance and explainability of prediction models, and implementation requirements for an early-warning system in the banking sector. Participants emphasized that capital adequacy, asset quality, liquidity, profitability, maturity mismatch, non-performing loans, loan concentration, and cash-flow volatility should be analyzed as time-series indicators. LSTM and GRU models were considered suitable because of their ability to learn temporal dependencies and detect gradual financial deterioration before formal failure. The findings indicate that bank bankruptcy prediction cannot rely solely on static financial ratios; rather, it requires the integration of financial soundness indicators, sequential data, deep learning algorithms, human supervisory judgment, and model governance mechanisms. The proposed model may provide a foundation for developing early-warning systems, improving banking risk management, and strengthening financial stability.</p> <p>هدف این پژوهش ارائه یک مدل مفهومی-تحلیلی برای پیش‌بینی ورشکستگی بانک‌ها و مؤسسات مالی بر پایه شبکه‌های عصبی بازگشتی و شاخص‌های سلامت مالی از دیدگاه خبرگان بانکی، مالی و فناوری مالی بود. این مطالعه با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکت‌کنندگان شامل 22 نفر از خبرگان بانکی، مدیران ریسک، تحلیلگران مالی، متخصصان فناوری مالی، اعضای هیئت علمی و کارشناسان نظارتی در شهر تهران بودند که به روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت. تحلیل داده‌ها با روش تحلیل مضمون و با استفاده از نرم‌افزار NVivo انجام شد. برای افزایش اعتبار یافته‌ها از بازبینی مشارکت‌کنندگان، کدگذاری همزمان توسط دو پژوهشگر، مقایسه مستمر داده‌ها و ثبت مسیر تصمیم‌گیری تحلیلی استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: شاخص‌های بنیادین سلامت مالی، کیفیت و یکپارچگی داده‌های بانکی، قابلیت شبکه‌های عصبی بازگشتی در شناسایی روندهای پنهان، حکمرانی و توضیح‌پذیری مدل پیش‌بینی، و الزامات پیاده‌سازی مدل هشدار زودهنگام در نظام بانکی. مشارکت‌کنندگان تأکید داشتند که نسبت کفایت سرمایه، کیفیت دارایی‌ها، نقدینگی، سودآوری، شکاف سررسید، مطالبات غیرجاری، تمرکز تسهیلات و نوسان جریان‌های نقدی باید به‌صورت سری زمانی تحلیل شوند. همچنین، مدل‌های LSTM و GRU به دلیل توانایی در یادگیری وابستگی‌های زمانی، برای پیش‌بینی زودهنگام ناتوانی مالی بانک‌ها مناسب ارزیابی شدند. نتایج نشان داد که پیش‌بینی ورشکستگی بانک‌ها صرفاً با اتکا بر نسبت‌های مالی ایستا امکان‌پذیر نیست و نیازمند تلفیق شاخص‌های سلامت مالی، داده‌های زمانی، الگوریتم‌های یادگیری عمیق، نظارت انسانی و چارچوب حکمرانی مدل است. مدل پیشنهادی می‌تواند مبنایی برای طراحی سامانه هشدار زودهنگام، ارتقای مدیریت ریسک و تقویت ثبات مالی در بانک‌ها و مؤسسات مالی باشد.</p> https://jsaefm.com/index.php/jsaefm/article/download/45/43