سابقه و هدف: بازار سرمایه به‌عنوان رکن اصلی تأمین مالی و ارتقای شفافیت اقتصادی، نقشی اساسی در پایداری بنگاه‌ها ایفا می‌کند. باوجود پیشرفت‌های قابل‌توجه در تحلیل‌های مالی، اغلب مطالعات پیشین بر ارزیابی تک‌بعدی شاخص‌های مالی متمرکز بوده و کمتر به تفاوت ساختاری میان شرکت‌ها و شناسایی الگوهای پنهان توجه داشته‌اند. از سوی دیگر، پژوهش‌های انجام‌شده در بورس ایران عمدتاً مبتنی بر مدل‌های سنتی و آماری بوده‌اند که توان محدودی در مدل‌سازی روابط غیرخطی و پیچیده دارند. هدف این پژوهش ارائه چارچوبی یکپارچه برای شناسایی خوشه‌های متمایز مالی و پیش‌بینی وضعیت پایداری شرکت‌ها با استفاده از رویکرد ترکیبی خوشه‌بندی و یادگیری ماشین است.
روش: ابتدا مجموعه داده‌ای شامل هشت شاخص کلیدی پایداری مالی گردآوری شد. داده‌ها پس از ‌پردازش شامل حذف مقادیر پرت، جایگزینی داده‌های گمشده با روش KNN و استانداردسازی، وارد الگوریتم K-Means شدند. برای تعیین تعداد خوشه‌ها، شاخص سیلوئت محاسبه و مقدار بهینه سه خوشه شناسایی شد. سپس برچسب‌های حاصل به‌عنوان متغیر هدف در سه مدل یادگیری ماشین (XGBoost، جنگل تصادفی و درخت تصمیم) استفاده شد و عملکرد آن‌ها با معیارهای دقت، صحت، یادآوری و F1-Score ارزیابی گردید. درنهایت، با تحلیل اهمیت ویژگی‌ها، متغیرهای اثرگذار در تمایز خوشه‌ها شناسایی شدند.
یافته‌ها: نتایج خوشه‌بندی نشان داد که سه الگوی ساختاری متمایز از شرکت‌ها قابل‌شناسایی است: خوشه‌ای با سودآوری و ارزش‌افزوده اقتصادی بالا و ریسک پایین؛ خوشه‌ای با رشد و بازده بالا همراه با ریسک و هزینه سرمایه زیاد؛ و خوشه‌ای با سودآوری ضعیف و ارزش‌افزوده محدود. مقایسه مدل‌های یادگیری ماشین نشان داد که الگوریتم XGBoost با صحت 97/0 و F1-Score برابر 96/0 بهترین عملکرد را در پیش‌بینی خوشه‌ها داشته است. تحلیل اهمیت ویژگی‌ها نیز حاکی از آن بود که ROA در هر سه مدل مهم‌ترین شاخص در تفکیک خوشه‌ها است و پس‌ازآن WACC و EVA به‌عنوان عوامل کلیدی در پایداری مالی شناخته شدند.
نتیجه‌گیری: پژوهش حاضر بیانگر آن است که رویکرد ترکیبی خوشه‌بندی و یادگیری ماشین می‌تواند ابزاری مؤثر برای شناسایی ناهمگنی ساختاری در بازار سرمایه باشد. نتایج نشان می‌دهد که تمرکز مدیران بر بهبود ROA و کاهش WACC از طریق مدیریت بهینه ساختار سرمایه، همراه با افزایش EVA، راهبردی کلیدی در ارتقای پایداری مالی شرکت‌هاست.