بخشی از مقاله
کاربرد الگوریتم رقابت استعماری در پیش بینی ورشکستگی
چکیده:
هدف بررسی کارایی الگوریتم رقابت استعماری در پیش بینی ورشکستگی بوده ، در این مطالعه با بررسی برخی از داده های مرتبط با ورشکستگی، صورتهای مالی شرکت های موجود در بازار بورس ایران و با مشاهده تجربی و تجارب پژوهش های گذشته به انتخاب متغیرهای اصلی در پیش بینی ورشکستگی پرداخته شده، سپس به دلیل انطباق بیشتر مدل با واقعیت، با توجه به ارتباط داده های متغیرهای اصلی با دیگر داده های در دسترس، به انتخاب متغیرهایی فرعی پرداخته شده است. 6 متغیر اصلی و 18 متغیر فرعی اولیه، برای شرکت های نمونه ورشکسته با سه معیار ورشکستگی و برای شرکت های نمونه غير ورشکسته با انتخابی تصادفی، استخراج گشته است. معیارهای تعیین ورشکستگی با توجه به نگاهی فرآیندی برگزیده شده اند، معیار اول، ماده 141 قانون تجارت و معیار دوم، معیار نسبت بدهی به دارایی ها می باشد، معیار سوم که در آن نسبت جمع حقوق صاحبان سهام به ارزش اسمی سهام، معیار تشخیص ورشکستگی است برای پوشش انتقادهای وارده به این دو معیار لحاظ گردیده است، به این صورت که اگر این نسبت کمتر از یک باشد شرکت ورشکسته تلقی می گردد. بازه زمانی انتخاب نمونه سال ۱۳۸۹ بوده و بازه زمانی استخراج دادهها سالهای ۱۳۸۷ تا ۱۳۸۹ بوده است. تجزیه و تحلیل آماری روی این متغیرها منجر به حذف بعضی از آنها در معیارهای مختلف گشته و مدلی با بهره گیری از الگوریتم رقابت استعماری، متغیرهای اصلی و متغیرهای فرعی برای هر یک از سه معیار، طراحی و ارائه شده است که به نقطه آغازین وابسته نیست از این رو دسته بندی اولیه متغیرهای اصلی و فرعی تأثیری در خروجی مدل ندارد. مدل با استفاده از اطلاعات شرکت های ورشکسته و شرکت های غیر ورشکسته ارزیابی شده و نتایج نشان می دهد که ورشکستگی را می توان با دقت نسبتا بالایی با مدل حاصل پیش بینی نمود.
مقدمه:
در حال حاضر، محیط فعالیت بنگاه های اقتصادی بسیار متغیر و رقابتی است؛ بنابراین طبیعی است که این فضا منجر به خروج شرکت های ورشکسته از گردونه رقابت گردد. این امر موجبات نگرانی از تحمل زیانهای هنگفت در سطح خرد و کلان را فراهم کرده، در سطح کلان، بحران مالی شرکتها سبب کاهش تولید ناخالص داخلی، افزایش بیکاری، اتلاف منابع کشور و غیره می شود و در سطح خرد نیز نگرانی تحمل زیان برای سهامداران، سرمایه گذاران بالقوه، اعتباردهندگان، مدیران، کارکنان، عرضه کنندگان مواد اولیه و مشتریان وجود دارد. بنابراین ورشکستگی، مسئله ای است که همواره استفاده کنندگان صورتهای مالی نگران آنند. ورشکستگی شرکتها معمولا بر نقدینگی بازار سرمایه و توسعه ی اقتصاد مؤثر است. در زمان ورشکستگی، بانکها معمولا اعتباردهی به شرکت های ورشکسته را کاهش داده و در ازای وامی که به شرکت ها می دهند، بهرهی بالاتری را برای جبران ریسک اضافی درخواست می کنند. به صورت مشابهی، مؤسسات سرمایه گذاری همچون صندوق های بازنشستگی و شرکتهای بیمه، خرید سهام را کاهش داده و بیشتر به سراغ سرمایه گذاری و خرید اوراق قرضه ی بانک ها یا بازارهای مشابه آن اقدام می کنند. همه ی اینها به کاهش نقدینگی در بازارهای سرمایه، افزایش هزینه ی سرمایه ی شرکتها و کاهش رشد اقتصادی منجر خواهد شد. با توجه به تأثیرات معکوس ورشکستگی بر بازارهای سرمایه و اقتصاد، پژوهشگران و ذینفعان بر آن شدند تا با استفاده از رویکردهای مختلف، مدل های پیش بینی را ایجاد و توسعه دهند تا میزان زیانهای وارده و تأثیرهای ناشی از آن کاهش یابد (محمد رضا نیکبخت، 1389) چرا که اگر بتوانیم در مورد امکان وقوع ورشکستگی قبل از رخداد اطلاعاتی به دست آوریم، می توانیم از پیامدهای اقتصادی و اجتماعی آن کاسته و یا حتی جلوگیری کنیم. هر چند این روش ها به استفاده کنندگان اطمینان مطلق نمی دهد اما برای تصمیم گیری، آنان را یاری می رساند. به منظور اجتناب از زیانهای هنگفتی که به واسطه بحران مالی پدید می آید لازم است در این زمینه مطالعاتی صورت گیرد که کشورمان و از جمله بورس اوراق بهادار نیز به دلیل وجود شرکت هایی که طبق تعاریف ارائه شده در این پژوهش دچار درماندگی مالی هستند از این امر مستثنی نیست. پیشنهاد مدل هایی برای تصمیم گیری و پیش بینی بحران، نوعی مطالعهی مؤثر و زمینه - ای برای برنامه ریزی های لازم، جهت جلوگیری از ورشکستگی محسوب می گردد. ابزار مورد نیاز برای پیش بینی، اطلاعات می باشد که در این زمینه اطلاعات حسابداری نقش بسزایی دارد، از طرفی در بین مدل های پیش بینی تا به حال، مدل های مبتنی بر شبکه عصبی و الگوریتم های بهینه سازی به علت عدم وابستگی به فرضیه های آماری هست محدود کننده و ارائه نتایج قابل فهم، برتری دارند. بنابراین، این مطالعه با بهره گیری از چندین نسبت و شاخص مالی
بینی حائز اهمیت در پیش بینی بحران مالی و با استفاده از الگوریتم رقابت استعماری اقدام به ارائه مدل جهت پیش بحران مالی شرکت های پذیرفته شده در بورس اوراق بهادار می نماید.
ادبیات موضوع:
در زمینه کاربرد الگوریتم رقابت استعماری در پیش بینی ورشکستگی گزارش مستندی یافت نشد.
با این حال مطالعات در زمینه ورشکستگی را می توان به چند حوزه کلی تقسیم نمود:
1- مطالعات با روشی مستقل
۲- مطالعات تعمیمی: از جمله بررسی کاربرد مطالعات گذشته برای فضاهای متفاوت
٣-مطالعات مقایسه ای
4- ترکیبی از ۳ گروه بالا
در حوزه اول، روشهای آماری و هوش مصنوعی سهم بسزایی از مطالعات را به خود اختصاص داده اند. کارهای آلتمن، بیور و زاو گرن، نمونه هایی از تحقیقات آماری و کارهای والاس، دکتر مکیان، ادم و شاردا، نمونه هایی از مطالعات ورشکستگی با بهره گیری از هوش مصنوعی می باشد.
* بيور (1966)، آزمون طبقه بندی دوگانه را برای ایجاد مدل پیش بینی تک متغیره ورشکستگی انتخاب کرد.
وی شش نسبت که می توانست به تنهایی برای طبقه بندی شرکت های ورشکسته و غیر ورشکسته استفاده شود به کار گرفت. پژوهش های صورت گرفته توسط فیتزیاتریک، مروين و والتر نمونه ای از مطالعات تحلیلی تک متغيره قلمداد می شوند
(بيور1999)
* آلتمن (1968) تحلیل تک متغیره را به سبب ارائه نتایج گیج کننده و متضاد با معیارهای تفکیک کننده مورد انتقاد قرار داد و تحلیل تمایزی چندگانه را برگزید(آلتمن، 1998) آلتمن رکوردار مطالعات مربوط به ورشکستگی است و در واقع نقطه عطف کشف و شناسایی بحران های مالی، روش تجزیه و تحلیل تفکیکی چند متغیره آلتمن بود. آلتمن مدلی پیشنهاد کرد که به مدل Z - Score معروف است
. البته، این مدل بعدها توسط آلتمن، هالدمن و ناریانان، اصلاح و با عنوان مدل ریسک اعتباردهی ZETA نام گذاری شد (آلتمن و همکاران، 1977) آلتمن در سال ۲۰۰۰ مدل معکوس این مدل را ارئه کرد(آلتمن و همکار، 2000) وی تجزیه و تحلیل تفکیکی چندگانه را به عنوان یک تکنیک آماری مناسب برای طبقه بندی مشاهدات در یکی از دو گروه هدف ( شرکت های ورشکسته یا شرکت های غیر ورشکسته) انتخاب کرد. مدل Z - Score یک تابع تفکیک خطی متشکل از بعضی از معیارهایی است که به طور عینی اندازه گیری شده، به عنوان مبنایی برای طبقه بندی شرکتها در گروه ورشکسته و غیرورشکسته استفاده می شود. پژوهش های صورت گرفته توسط دیکن، اسپرینگیتا، ادمسيتر"، بلوم"، موير و... نمونه ای از پژوهش های صورت گرفته در این زمینه اند.
زاو گرن، از تکنیک لوجيت برای پیش بینی ورشکستگی استفاده نمود، مدل 82% 83 % 72% 73% 80% شرکت ها را به ترتیب در یک، دو، سه، چهار و پنج سال قبل از ورشکستگی به درستی طبقه بندی می کند (زاو گرن، 1985)
والاس یک الگو با استفاده از روش شبکه های عصبی طراحی کرد. در الگوی او از مقادیر نسبت های مالی کلیدی که در مطالعات ورشکستگی گذشته به عنوان بهترین نسبت ها گزارش شده بودند استفاده شده بود(والاس، 2006)
دکتر مکیان و همکاران، در سال ۱۳۸۸، طی پژوهشی جهت پیش بینی ورشکستگی، از مدل شبکه های عصبی به همراه مقایسه آن با دو روش آماری رگرسیون لجستیک و تحلیل ممیزی استفاده نمودند و علاوه بر معرفی شبکه های عصبی، یک مدل شبکه عصبی برای پیش بینی ورشکستگی شرکت های تولیدی استان کرمان مورد استفاده قرار دادند. اطلاعات استفاده شده مربوط به دوره زمانی ۱۳۸٦ - ۱۳۷۶ می باشد و نتایج پژوهش آنان نشان داد که مدل شبکه عصبی از دو روش آماری دیگر، دقت بالاتری در پیش بینی دارد (مکیان و همکاران، 1388)
ادم و شاردا (1990) در پژوهش خود نشان دادند که شبکه های عصبی در مقایسه با تحلیل تمایزی چندگانه از دقت و توان پیش بینی بیشتری برخوردارند(ادم و شاردا، ۱۹۹۰)
در حوزه دوم نیز می توان به کارهای شاکری(کاربرد مدل اسپرینگیت در ایران) یاریفرد(کاربرد مدلهای فولمر، اسپرینگیت و زیجوسکی در ایران) و سندین و همکارانش (کاربرد مدل آلتمن در آرژانتین) اشاره نمود. البته پژوهش های تعمیمی تنها به تعمیم مدل در فضای جدید خلاصه نمی شوند. دستهای دیگر از این مطالعات، به تعمیم پذیری مدل های حاصل از مطالعات گذشته در صنایع مختلف نیز پرداخته اند، مطالعه ی گریس و اینگرام (تعمیم پذیری مدل آلتمن در صنایع مختلف) از این نمونه است.
* شاکری، مدل اسپرینگیت را در ایران به کار برد. وی نتیجه گرفت که مدل اسپرینگیت با روش تجزیه و تحلیل بنیادی می تواند با ۸۸ درصد اطمینان ورشکستگی شرکتهای ایرانی را دو سال قبل از وقوع پیش بینی نماید(شاکری، 1382)
* یاریفرد، سه مدل فولمر، اسپرینگیت و زیمجوسکی را در محیط ایران به کار برد. برای یک سال قبل از ورشکستگی مدل فولمر، اسپرینگیت و زمیجوسکی ، به ترتیب با اطمینان درصد و برای دو سال قبل از ورشکستگی به ترتیب با اطمینان درصد و برای سه سال قبل از ورشکستگی به ترتیب با اطمینان درصد شرکت های ورشکسته را درست پیش بینی نمودند(یاریفرد، ۱۳۸۲).
*سندین و دیگران، مناسب بودن مدل آلتمن را برای پیش بینی ورشکستگی شرکت های آرژانتینی مورد ارزیابی قرار داده، آنها برای این کار از سال مبنا و سه سال قبل از آن استفاده کردند. دقت کلی مدل آلتمن در پژوهش آنها برای سال های یاد شده به ترتیب86% 86% 77% 73% ارزیابی شد (سندين و دیگران، 2007)
* گریس و اینگرام به بررسی تعمیم پذیری مدل آلتمن پرداخته و به این نتیجه رسیدند که عملکرد مدل آلتمن در صنایع مختلف متفاوت است (گریس و اینگرام، 2001)
مطالعات نیکبخت، فرانکووارتو، هانگ و همکارانش نیز، از دسته مطالعات حوزه سوم محسوب می شوند. در این گونه مطالعات دقت روش های هوش مصنوعی بیشتر مورد تأیید قرار گرفته است.
*محمدرضا نیکبخت طی پژوهش مقایسه ای خود دو روش شبکه های عصبی و تحلیل تمایزی چندگانه را با هم مقایسه نمود و به این نتیجه رسید که دقت مدل های شبکه عصبی بالاتر است (محمدرضا نیکبخت و همکار، 1389)
*فرانکووارتو، مدلی با الگوریتم ژنتیک طراحی نمود که دقت پیش بینی آن ۹۳% یک سال قبل از ورشکستگی و 91.6% دو سال قبل از ورشکستگی بود. وی مدلش را با مدل های سنتی پیش بینی مقایسه کرد و رأی به برتری فرآیند ژنتیکی داد(فرانکو وارتو، 1998)
*هانگ و دیگران به مقایسه دقت عملکرد شش مدل پیش بینی ورشکستگی پرداختند. نتیجه پژوهش آنها حاکی از عملکرد بهتر مدل های مبتنی بر سیستم های خبره مصنوعی بر روش های آماری بود(هانگ و دیگران، 2007)
مشاهده می شود که تعداد پژوهشهای بحث پیش بینی ورشکستگی تعداد محدودی نیست؛ و در طول زمان حتى گاهی روند رو به عقب نیز داشته است ولی به طور کلی اگر بررسی ساده ای در روند این پژوهش ها داشته باشیم، می۔ بینیم که اولین روش ها، روشهای آماری بودند: روش تک متغیره و سپس روش تجزیه و تحلیل چند متغیره و سپس تحليل لوجيت. این روند تکاملی استفاده از روش ها به دلیل انتقادات وارد به آن بوده است بنابراین، اگر تحلیل و پژوهشی بعد از انتقادات وارده به روش مجددا با روش مورد انتقاد انجام شده است پژوهشگر باید دلیل منطقی برای آن ارائه دهد و یا در پی هدفی معقول برای این پژوهش باشد در غیر این صورت پژوهش وی جزء پژوهشی رو به عقب چیز دیگری نیست. در میان پژوهشهای ورشکستگی تعداد این گونه پژوهش ها کم نیستند. البته در میان تحقیقات سنت شکنی های جالبی نیز وجود دارد که با وجود جای کار بسیار در آنها در نقطه آغاز متوقف شده اند.
بعد از روش های آماری، روش های هوش مصنوعی چون شبکه های عصبی، الگوریتم های بهینه سازی، منطق فازی و غیره در پیش بینی ورشکستگی جایگاهی حائز اهمیت یافته اند و تحقیقات بسیاری با این روش ها صورت گرفته است . بدین صورت که معمولا روش یکسان بوده و متغیرهای مورد استفاده متفاوت؛ و یا اینکه روش و متغیرها یکسان بوده - اند و محیط آزمایشی کار و یا قلمرو زمانی آن تغییر نموده است. تحقیقات مقایسه ای هم در این بحث بسیار است که می توان انتقادی یکسان به بیشتر این پژوهش ها وارد نمود. اکثر تحقیقات مقایسه ای به بیان نتایج کلی اکتفا نموده اند. به بیان دیگر در آنها نتایج به صورت مطلق بحث شده است و شاید به همین دلیل است که با وجود پژوهش های بسیار باز هم نیاز به این گونه پژوهش ها احساس می شود. منظور از مطلق بحث کردن این است که پژوهشگر فقط به این نکته اکتفا می کند که مدل طراحی شده در شرایطی یکسان از مدلی طراحی شده در همان شرایط اما با روشی متفاوت بهتر است، ولی آیا این کافیست؟
به نظر بهتر می رسد که در این گونه پژوهش ها گاهی در پی دلیل این برتری براییم، این که این برتری، یک برتری ذاتی در روش است، یا شرایط و متغیرهای به کارگیری، این برتری را بروز داده اند. چرا که اگر، به نتیجه برسیم که این برتری ذاتی است به نظر دیگر پژوهش هایی این چنین مقایسه ای، بی اهمیت قلمداد می گردد و فقط در حالتی ارزشمند تلقی می شوند که دلیل دیگری برای برتری بیابیم، بنابراین جای این گونه نگرش ها و بحث ها در این نوع کارها کام؟ حس می شود.
روش تحقيق:
از آن جایی که هدف، استفاده از الگوریتم رقابت استعماری با نگاهی جدید و توجه به مسائل جدیدی برای هر چه بهتر شبیه سازی کردن این فرآیند اجتماعی - سیاسی بشر؛ و بهره گیری از این الگوریتم برای پیش بینی ورشکستگی است، که در واقع هدایت الگوریتم برای مسائلی کاربردی محسوب می شود، از این رو پژوهش، از نظر هدف از نوع پژوهش های کاربردی به شمار می رود و از نظر روش شناسی پژوهشی، پژوهشی زمینه یابی محسوب می گردد.
در این تحقیق برای شناسایی متغیرهای حائز اهمیت در پیش بینی ورشکستگی، ابتدا مطالعات انجام شده در سایر کشورها و هم چنین مطالعات انجام شده در زمینه تجزیه و تحلیل های مالی بررسی شده و متغیر اصلی اولیه و ۱۸ متغير فرعی اولیه انتخاب شدند. فهرست این نسبت ها و شاخص ها در جداول شماره ۱ و ۲ آورده شده است. برای بررسی تفاوت معنادار نسبت های شناسایی شده در شرکت های دارای بحران مالی و شرکت های فاقد بحران مالی از آزمون t - test استفاده شده است. که خلاصه این نتایج در جداول ۳وع نشان داده شده است. پس از انتخاب متغیرهای حایز اهمیت در پیش بینی ورشکستگی، با استفاده از الگوریتم رقابت استعماری شبیه سازی شده در محیط نرم افزار matlab ، مدلی جهت پیش بینی بحران مالی شرکت ها ارائه شده است. که نتایج آن در نمودارهای ۱تا ۹ و جداول ہوا ، قابل مشاهده است.
جامعه و نمونه آماری:
جامعه شرکت های پذیرفته شده در بورس اوراق بهادار تهران
در ابتدا جامعه با فروض زیر تعدیل شده است:
1- حداقل از سال ۱۳۸۷ در بورس اوراق بهادار پذیرفته شده باشند،
۲- پایان سال مالی آن ها 12.29 هر سال باشد،
٣- از نوع شرکت های واسطه گری نباشند.
سپس برای انتخاب نمونه به صورت زیر عمل نموده ایم
نمونه دو دسته نمونه داریم: شرکت های ورشکسته و شرکت های غیر ورشکسته
جهت انتخاب شرکت های ورشکسته،3 معیار با بررسی دقیق رفتار شرکت ها برگزیده شده، 4 بار انتخاب نمونه تکرار می شود، شرکت های حائز معیارها به صورت مستقل و شرکت های حائز هر ۳ معیار، تا از این طریق خطای کاری انتخاب معیار کاسته شود.
این معیارها به شرح زیر می باشند
1- زیان انباشته شرکت بیش از ۵۰ درصد سرمایه باشد (مشمول ماده 141 قانون تجارت شده باشد )
۲- نسبت بدهی ها به کل دارایی ها بیشتر از یک باشد
٣- نسبت مجموع حقوق صاحبان سهام به ارزش اسمی سهام کمتر از یک باشد.
معیار اول در واقع معیار قانون است که در بیشتر تحقیقات در ایران از این معیار استفاده شده است، با بررسی روند فعالیت شرکت های مشمول این معیار مشخص می شود که این معیار ورشکستگی کامل را تعیین نمی کند بلکه هشداری برای قبل از ورشکستگی کامل است از این رو پیش بینی شرکتهای حائز این معیار در واقع پیش بینی ورشکستگی در مراحل قبل از ورشکستگی کامل است که از این رو می تواند بسیار مفید باشد. معیار دوم، با توجه به طبقه بندی نیوتن از مراحل ورشکستگی، در واقع مرحله ورشکستگی کامل یا بسیار نزدیک به این مرحله محسوب می شود، این پیش بینی نیز حائز اهمیت است اما هر چه زودتر مطلع شدن از افتادن در چاه ورشکستگی، شانس نجات دادن از مضرات آن را بیشتر می کند.
معیار سوم، که در واقع با بررسی روند عملکرد تمام شرکت های موجود در بورس از ابتدای فعالیتشان تا زمان در دسترس از نظر اطلاعات، حاصل شده است. از این لحاظ مد نظر قرار گرفته شده که برای معیار نخست انتقادهایی، از جمله این که در زمان مشمولیت شرکت به ماده ۱۶۱ قانون تجارت، شرکت در شرایطی در بورس قرار می گیرد که دیگر حمایت های لازم برای نجات واقعی وی از چاه ورشکستگی، کمرنگ می شود. از این رو در بررسی های شرکت۔ ها با این دیدگاه اولیه که شرکت برای افزایش سرمایه اولیه مدنظر سهامداران است و شرکتی موفق محسوب می شود که بتواند حقوق صاحبان سهامی بیش از سرمایه اولیه ایجاد کند و اگر غیر این شود دچار بحران مالی می گردد، مشاهده گردید که تقریبا در بیشتر موارد می توان با این معیار، زودتر از معیار اول پی به شروع سقوط برد و از این طريق تا حدودی انتقاد به معیار اول را پوشش داد.
البته با اشتراک گیری شرکت های مشمول هر یک از معیارها پی به اشتراک شرکت های نزدیک به مرحله ورشکستگی کامل بردیم، که این خود نشان دهنده این مطلب است که گاهی شرکتها بدون طی تمام مراحل ورشکستگی به ورشکستگی کامل می رسند.
در خصوص انتخاب گروه دوم (شرکت های غیرورشکسته) با توجه به عدم محدودیت در خصوص تعداد شرکت های این گروه، تلاش شده انتخاب دقیقی از شرکت های غیر ورشکسته صورت گیرد و این شرکت ها از میان شرکت هایی که حائز هیچ یک از ۳ معیار فوق نیستند به صورت تصادفی برگزیده شده اند.
متغیر وابسته نهایی: متغير ورشکستگی است که بین صفر درصد تا صد درصد تغییر می کند و میزان دقت الگوریتم در پیش بینی ورشکسته شدن هر شرکت را بیان می نماید. اگر مقدار بالاتر از ۵۰ درصد بگیرد شرکت را ورشکسته، یا به عبارتی دیگر مشمول معیار مورد نظر اعلام می دارد و مقدار کمتر از ۵۰ درصد آن، معرف غير ورشکسته بودن شرکت است، یا به بیان دیگر شرکت از ورشکسته شدن به اندازه کافی دور است.
در انتخاب متغیرهای اولیه، مسائل گوناگونی لحاظ شده است. برای انتخاب متغیرهای اصلی در ابتدا روند عملکردی چند شرکت به صورت دستی بررسی گشت و داده هایی که روند تغییراتشان علامتی برای ورشکستگی محسوب می شد انتخاب و مجددا با توجه به متغیرهای کاربردی در پژوهش های گذشته در این زمینه و هم چنین بررسی در دسترس بودن این متغیرها، تعدیلاتی در انتخاب های ابتدایی صورت پذیرفت و با این فرآیند متغیرهای اصلی اولیه انتخاب شد. برای انتخاب متغیرهای فرعی نیز سعی شده متغیرهایی لحاظ شود که به نوعی حداقل با یکی از متغیرهای اصلی در ارتباط باشد.
الگوریتم رقابت استعماری شبیه سازی شده
شبیه سازی رقابت استعماری با بررسی حواشی این پدیده در واقعیات آغاز گشت بعد از تحلیل های تئوری، کار در چند قسمت اصلی خلاصه گشت. در واقع در این شبیه سازی سعی بر آن است تا با دسته بندی این رفتارها و با کشف نظم درونی آنها و در نهایت مدل سازی ریاضی واکنش های متقابل مستعمرات و استعمارگران، این پدیده ی پیچیدهی اجتماعی را در قالب یک الگوریتم بهینه سازی ریاضی بریزیم.
در ابتدا با توجه به ارتباط متغیرهای اصلی با متغیرهای فرعی، متغیرهای فرعی بین متغیرهای اصلی توزیع می شود تا قدرت نهایی برای هر متغیر اصلی لحاظ شود. قدرت هر متغیر اصلی از قدرت ذاتی خودش و قدرت اکتسابی از متغیرهای فرعی به دست آورده اش حاصل می شود. تابع هدف با توجه به داده های آموزشی و هر نقطه شروع دلخواهی تشکیل می شود و رقابت استعماری برای یافتن متغير ورشکستگی آغاز می گردد. شروع شدن از هر نقطه دلخواه برای الگوریتم مزیت شناخته می شود چرا که به نقطه اولیه حساس نیست و در صورتی که در انتخاب ضرایب و قدرت ها اشتباه کرده باشیم خود الگوریتم ضرایب را اصلاح نموده و با توجه به آموزش واقعیت را می یابد که خود بیانگر هوشمندی الگوریتم است.
بیان این نکته نیز ضروری می نماید که پارامتری در تابع هدف لحاظ گردیده تا بتوان از این طریق تأثیر عوامل خارجی را هم در کار لحاظ نمود، مقدار این پارامتر از ۰ تا 0.5 لحاظ شده است و برای هر شرکت متناسب با فعالیتش توسط الگوریتم در این بازه تخمین زده می شود.
در روند الگوریتم، اگر مستعمره ای قدرت بالاتری نسبت به استعمارگر داشته باشد جای آنها تعویض می گردد. سپس برای شروع
