به منظور شبیه­سازی یک طبقه ­بندی مسأله با بهره گرفتن از شبکه­ های عصبی به روش با سرپرست (با فرض در اختیار داشتن داده ­های برچسب دار) اولین کار انتخاب ابعاد شبکه است. در لایه ورودی باید به تعداد ابعاد هر الگوی ورودی، نرون قرار دهیم. بنابراین سایز لایه ورودی را بعد داده ­های ورودی تعیین می­ کند. در لایه خروجی نیز به وضوح باید به تعداد کلاس­ها، نرون داشته باشیم. در حالت ایده آل، با آمدن ورودی مربوط به یک کلاس انتظار داریم نرون مربوط به آن کلاس مقدار ۱ و مابقی نرون­ها مقدار ۰ را به خود بگیرند. اما در عمل با توجه به تابع سیگموئید مورد استفاده، مقدار خروجی شبکه عددی بین صفر و یک است. لذا در حالت عملی نرونی از لایه خروجی که اصطلاحاً بیش از بقیه روشن شده باشد (مقدار آن بزر گتر از بقیه باشد) کلاس مربوط به آن داده را مشخص می­ کند. در مورد تعداد نرون­های لایه میانی، مبنای خاصی وجود ندارد و معمولاً با آزمون و خطا به نحوی انتخاب می­گردد که شبکه جواب معقولی در اختیار بگذارد. باید دقت داشت که اگر شبکه خیلی پیچیده باشد، دقیقاً رفتار الگوهای ورودی را یاد خواهد گرفت و لذا اگر داده­­های کمی نسبت به داده ­های آموزشی تغییر کند، شبکه به راحتی قادر به دنبال کردن آن نخواهد بود. در این حالت اصطلاحاً گفته می­ شود که شبکه عصبی قابلیت تعمیم ندارد. این چنین شبکه­ هایی را شبکه­ های Over-loaded گویند. قدم بعدی در شبیه­سازی، انتخاب نوع تابع خروجی نرون است که در شبکه­ های MLP که با الگوریتم پس­انتشار خطا کار می­ کنند، عمدتاً تابع سیگموئید استفاده می­ شود. دلیل این امر هم مشتق­گیری ساده و ارتباط مستقیم مشتق تابع با خود تابع است.
پیش از شروع شبیه­سازی، باید داده ­های ورودی را به دو گروه تقسیم نمود:
۱٫ داده ­های آموزش: این داده ­ها از میان داده ­های برچسب­دار و به منظور آموزش شبکه به­کار می­روند. عمدتاً از میان کل داده ­ها ۶۰ تا ۷۰ درصد آن­ها را (به طور تصادفی یا با یک پیش فرض) به عنوان داده ­های آموزش انتخاب می­ کنند. پس از آن­که شبکه توسط این داده ­ها آموزش دید، وزن­ها مقدار نهایی خود را یافته­اند به نحوی که شبکه برای داده ­های آموزش، کمترین خطا را بدست می­دهد.
۲٫ داده ­های تست: پس از آن­که شبکه توسط داده ­های آموزش تا رسیدن به حداقل خطا آموزش یافت، مابقی داده ­ها (۴۰ تا ۳۰ درصد باقیمانده) که در آموزش نقشی نداشته اند به عنوان ورودی به شبکه داده شده و پاسخ شبکه با پاسخ مطلوب (برچسب آن­ها) مقایسه می­گردد و بدین ترتیب راندمان شبکه آموزش دیده محک زده می­ شود.
شایان ذکر است که اگر تعداد نمونه­های آموزش به حد کافی زیاد باشد، استفاده از روش ارائه الگو جواب­های بهتری می­دهد، اما در کاربردهایی که تعداد نمونه­های برچسب­دار آموزش کم باشند، هر دو روش ارائه الگو و ارائه یک جا به یک جواب یکسان منجر خواهند شد. همچنین باید توجه داشت که در اولین گام اجرای الگوریتم، وزن تمامی لایه ­ها به طور تصادفی انتخاب می­شوند و در هر گام با بهره گرفتن از روش پس­انتشار خطا، وزن­ها تصحیح می­شوند.
اشاره به این نکته حائز اهمیت است که پس از آن­که تمام نمونه­ها یک­بار به شبکه ارائه شدند، در بار بعدی (اپوک بعد) ابتدا داده ­های آموزشی به طور تصادفی بر زده شوند. این کار به ویژه سبب می­ شود که شبکه عصبی به ازای نمونه­های خاص بایاس نشود و همچنین از گیر کردن در می­نیمم­های محلی جلوگیری می­ کند.
پس از اجرای الگوریتم تصحیح وزن­ها تا رسیدن به می­نیمم خطای کلی، چندین معیار برای توقف الگوریتم پیشنهاد می­گردد که مهمترین آن­ها عبارتند از:
۱٫ اگر خطا (تابع هزینه) که قرار است می­نیمم شود، از یک سطح آستانه کمتر شود، می­توان پذیرفت که شبکه با خطای قابل قبولی آموزش دیده است. این شرط چنین بیان می­ شود:
۲٫ اگر میزان تغییرات خطا در طی دو گام متوالی کمتر از یک سطح آستانه باشد یا به عبارت دیگر روند کاهش خطا با سرعت کند انجام شود، می­توان چنین برداشت کرد که به حوالی می­نیمم کلی رسیده­ایم، لذا در این حالت نیز تصمیم به توقف الگوریتم آموزش گرفته می­ شود. بیان ریاضی این شرط نیز چنین است (منهاج، ۱۳۹۱):

جهت دانلود متن کامل پایان نامه به سایت azarim.ir مراجعه نمایید.

۳-۲ پیشینه پژوهش

تحقیق “بررسی کاربردی الگوهای پیش‌بینی زیمسکی و شیراتا در شرکت‌های پذیرفته­شده در بورس اوراق بهادار تهران” توسط مهرانی و همکاران (۱۳۸۴) انجام شده است. هدف این تحقیق به دست آوردن مدل‌های جدید بر مبنای الگوهای پیش ­بینی ورشکستگی زیمسکی و شیراتا متناسب با شرایط محیطی ایران بوده است. برای تعدیل الگوهای بررسی­شده دراین پژوهش فرضیه‌های تحقیق به دوگروه تقسیم شده‌اند:
فرضیه‌های گروه اول در ارتباط با توانایی طبقه‌بندی درست شرکت‌ها توسط دو الگوی زیمسکی و شیراتا طراحی شده‌اند که نتایج آزمون این فرضیه ­ها نشان داده است که هر دو الگو توانایی تقسیم شرکت‌ها را به دو گروه ورشکسته و غیرورشکسته داشته‌اند.
فرضیه‌های گروه دوم در ارتباط با تفاوت اهمیت نسبت‌های مالی به عنوان متغیرهای مستقل الگوها در پیش ­بینی ورشکستگی بوده است و نتایج آزمون این فرضیه‌ها نشان داده که متغیرهای مستقل الگوها تاثیر یکسانی در پیش‌بینی ورشکستگی شرکت‌ها نداشته‌اند.
در تحقیق مذکور جامعه آماری شرکت‌های نساجی و دارویی پذیرفته­شده در بورس اوراق بهادار تهران در سال‌های ۷۹ تا ۸۱ بوده است. براساس مبنای یاد شده ۱۲ شرکت ایران برک، ایران پوپلین، بافت آزادی، تولیدی تیم، ریسندگی و بافندگی پاکریس، ریسندگی و بافندگی کاشان، مخمل و ابریشم کاشان، نساجی غرب، نساجی قائم شهر، یزد باف، گرد باف یزد و وطن اصفهان عضو گروه شرکت­های ورشکسته و کلیه شرکت‌های داروسازی و شرکت‌های ایران مرینوس، پشم­بافی توس، نساجی مازندران و نساجی بروجرد، از صنعت نساجی به عنوان غیرورشکسته طبقه ­بندی شده‌اند. با بهره گرفتن از فنون رگرسیون لجستیک [۱۳۷]و تحلیل تمایزی[۱۳۸] مناسب‌ترین الگوها برای پیش ­بینی ورشکستگی بر اساس الگوی زیمسکی و شیراتا و بر طبق شرایط شرکت‌های پذیرفته­شده در صنایع نساجی و دارویی بورس اوراق بهادار تهران برازش شده است. معیار شناسایی ورشکستگی شرکت‌ها نیز ماده ۱۴۱ قانون تجارت بوده است. به این ترتیب که اگر در فاصله سال‌های ۷۹ تا ۸۱ شرکت بیش از دو سال متوالی مشمول ماده ۱۴۱ قانون تجارت باشد ورشکسته در نظر گرفته می‌شود.
برای برازش الگوهای ورشکستگی در این تحقیق نیاز به اطلاعات دو گروه شرکت ورشکسته و غیرورشکسته بوده که شرکت‌های نساجی به دلیل این که در پژوهش‌های قبلی در زمینه ورشکستگی به عنوان شرکت‌های ورشکسته شناسایی شده بودند گزینش شده‌اند. شرکت‌های داروسازی نیز به علت بازار انحصاری محصولات و حمایت دولت از آنها و کشش کم محصولات، به عنوان شرکت‌های غیرورشکسته در نظر گرفته شده‌اند. به علت عدم دسترسی به اطلاعات دقیق صورت‌های مالی شرکت‌های ورشکسته و غیرورشکسته خارج از بورس اوراق بهادار تهران، جامعه آماری این پژوهش از میان شرکت‌های پذیرفته­شده در بورس اوراق بهادار گزینش شده است.
متغیرهای پیش‌بینی­کننده ورشکستگی شامل متغیرهای مدل‌های اصلی شیرتا و زیمسکی بوده است که عبارتند از: سود خالص به دارایی‌ها، کل بدهی­ها به کل دارایی­ ها، دارایی جاری به بدهی جاری، سود انباشته به کل دارایی‌ها، درصد تغییر در بدهی­های و حقوق صاحبان سهام، متوسط هزینه تأمین مالی، متوسط حساب­های پرداختنی ضرب در ۱۲ تقسیم بر فروش.
تصویر درباره بازار سهام (بورس اوراق بهادار)
نتیجه تحقیق نشان داد که الگوی شیراتا تا ۷/۹۴ درصد و الگوی زیمسکی تا ۴/۹۷ درصد پیش‌بینی‌ها را به درستی انجام داده‌اند و متغیرهای مستقل حاصل از نسبت‌های سودآوری بیشترین تأثیر را در پیش‌بینی ورشکستگی دارند. همچنین نتایج تحقیق آنها نشان داد که نسبت‌های سود­آوری نسبت به سایر نسبت‌ها از قابلیت پیش‌بینی بالاتری برخوردار هستند.
تحقیق “کاربرد مدل‌های شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌های بازار بورس” توسط کمیجانی و سعادت‌فر (۱۳۸۵) انجام شده است. هدف این تحقیق به­کا­رگیری مدل‌های شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌های بورس و آزمون قدرت پیش‌بینی این مدل‌ها است. در این تحقیق نیز معیار ورشکستگی شرکت‌ها ماده ۱۴۱ قانون تجارت محسوب می‌شود.
عکس مرتبط با اقتصاد
مقصود از ورشکستگی در این تحقیق، ورشکستگی اقتصادی است و زمانی رخ می‌دهد که بر اثر زیان­های وارده، حداقل نیمی از سرمایه شرکت از میان برود یا به عبارت دیگر شرکت مشمول ماده ۱۴۱ قانون اصلاحی تجارت شود.
متغیرهای پیش‌بینی­کننده ورشکستگی در این تحقیق سه نسبت‌ مالی بوده که عبارتند از: نسبت جاری، حاشیه سود ناخالص، نسبت سود خالص به بدهی جاری. دوره زمانی تحقیق مربوط به سال‌های ۱۳۶۸تا ۱۳۸۴ است. اطلاعات مربوط به دو سال قبل از ورشکستگی شرکت‌ها نیز برای پیش‌بینی جمع­آوری شده است. تعداد ۵۳ شرکت ورشکسته و ۵۳ شرکت غیرورشکسته برای آموزش شبکه عصبی انتخاب شده‌اند که سال وقوع ورشکستگی آنها بین سال‌های ۱۱۳۷۰ تا ۱۳۸۱ بوده است. تعداد ۲۵ شرکت ورشکسته و ۲۵ شرکت غیرورشکسته بین سال‌های ۱۳۸۲ تا ۱۳۸۴ برای آزمون شبکه عصبی انتخاب شده‌اند و پیش‌بینی ورشکستگی در سال ۸۵ با بهره گرفتن از اطلاعات شرکت‌ها در سال‌های ۸۳ و ۸۴ انجام پذیرفته است.
برای طراحی مدل از شبکه عصبی پرسپترون سه لایه و چهار لایه با الگوریتم بهینه­سازی پس انتشار خطا استفاده شده است. متغیرهای پیش‌بینی­کننده در تحقیق نسبت دارایی جاری به بدهی جاری، نسبت سود ناخالص به فروش، نسبت سود خالص به بدهی جاری است. نتیجه تحقیق نشان داده که از میان همه ساختارهای شبکه عصبی سه لایه بررسی­شده، مدل پرسپترون با ساختار سه نرون در لایه ورودی، نه نرون در لایه میانی و یک نرون در لایه خروجی با الگوریتم یادگیری پس انتشار خطا بیشترین قدرت پیش‌بینی را داشته است.
همچنین به منظور تعیین خصوصیات پرسپترون چهار لایه مناسب برای پیش‌بینی ورشکستگی شرکت‌ها، ساختارهای بسیار زیادی از این مدل بررسی گردیده که از میان آنها، پرسپترون چهار لایه با سه نرون در لایه پنهان اول و نه نرون در لایه پنهان دوم همراه با الگوریتم اصلا­ح­شده پس انتشار خطا عملکرد بهتری را ثبت نموده است. بنابراین ساختار اصلی پرسپترون سه لایه و چهار لایه منتخب برای پیش‌بینی ورشکستگی شرکت‌ها به مدل‌هایی شبیه یکدیگر منتهی شده‌اند که بین آنها شبکه سه لایه از نظر قدرت پیش‌بینی بر شبکه چهار لایه برتری داشته است. مقایسه نتایج پیش‌بینی مدل شبکه عصبی با مدل‌های پروبیت و لاجیت نشان می‌دهد که مدل شبکه عصبی میانگین مربع خطای کمتری نسبت به سایر مدل‌ها دارد بنابراین می‌توان نتیجه گرفت که قابلیت پیش‌بینی مدل شبکه عصبی از سایر مدل‌ها بالاتر است.
نتایج پیش‌بینی برای سال‌های آتی نشان می‌دهد از ۳۶۲ شرکتی که صورت‌های مالی آنها در سال ۱۳۸۳ در دسترس می‌باشد ۱۱۶ شرکت در سال ۱۳۸۵ از نظر اقتصادی ورشکسته می‌شوند. همچنین از ۱۷۰ شرکتی که صورت‌های مالی آنها در سال ۱۳۸۴ در دسترس می‌باشد، ۴۱ شرکت در سال ۱۳۸۶ از نظر اقتصادی ورشکسته خواهند شد.
تحقیق “کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با بهره گرفتن از نسبت‌های مالی” توسط راعی و فلاح­پور (۱۳۸۷) انجام­شده است. در این تحقیق معیار درماندگی شرکت‌ها ماده ۱۴۱ قانون تجارت بوده و محدوده زمانی این تحقیق مربوط به سال‌های ۱۳۷۵ تا ۱۳۸۰ است.
جامعه مورد مطالعه در این پژوهش شرکت‌های تولیدی پذیرفته­شده دربورس اوراق بهادار تهران بوده‌اند. نمونه مورد استفاده متشکل از ۸۰ شرکت تولیدی می­باشد که مشمول ماده ۱۴۱قانون تجارت بودند. اما از آنجا که دسترسی به اطلاعات تنها ۴۰ شرکت وجود داشت بنابراین نمونه به همان شرکت‌ها محدود گردید. ۴۰ شرکت تولیدی سالم نیز به صورت تصادفی انتخاب گردیده‌اند.
برای پیش‌بینی درماندگی مالی نیز از نسبت‌های مالی استفاده شده است. این نسبت‌ها عبارتند از: نرخ بازده دارایی، نرخ بازده فروش حقوق صاحبان سهام به بدهی، سرمایه درگردش به بدهی‌ها، سرمایه در گردش به دارایی‌ها، نسبت جاری. دو معیار مهم برای انتخاب این نسبت‌ها مورد نظر بوده است. اول اینکه میانگین این نسبت‌ها در گروه شرکت‌های سالم و درمانده مالی از نظر آماری متفاوت باشد و دوم اینکه امکان دسترسی به اطلاعات وجود داشته باشد. آزمون برابری میانگین‌ها نشان داده که بین میانگین تمامی متغیرهای دو گروه در سطح اطمینان ۹۹ درصد تفاوت وجود دارد.
هدف اصلی تحقیق بررسی کارایی استفاده از ماشین بردار پشتیبان[۱۳۹] در مقایسه با مدل آماری رگرسیون لجستیک در پیش‌بینی ورشکستگی شرکت‌ها بوده است. یافته‌های تحقیق حاکی از آن است که دقت مدل مبتنی بر ماشین بردار پشتیبان به طور معنی‌داری از رگرسیون لجستیک بیشتر است و به­علاوه توانایی تعمیم‌پذیری بالاتری نیز دارد. در این تحقیق مدل مبتنی بر ماشین بردار پشتیبان توانسته است با دقت ۹۶ درصد پیش‌بینی را به درستی انجام دهد. همچنین، نتایج حاصل از این پژوهش نشان داد که نسبت‌های مالی می‌توانند پیش‌بینی­کننده خوبی برای ورشکستگی شرکت‌ها باشند و از میان نسبت‌های مالی نسبت‌های سود­آوری بهترین پیش‌بینی­کننده‌ها هستند.
تحقیق انجام شده توسط فلاح­پور و راعی (۱۳۸۳) به مقایسه قدرت پیش‌بینی­کنندگی شبکه‌های عصبی در مقایسه با روش تفکیک­کننده خطی چند متغیره پرداخته‌ است. آنها شرکت‌هایی که مشمول ماده ۱۴۱ قانون تجارت بوده اند، را از سالی که مشمول این ماده شده‌اند به عنوان شرکت‌های درمانده مالی تعریف کرده‌اند و با بهره گرفتن از اطلاعات مالی سنوات قبل، ورشکستگی شرکت‌ها را پیش‌بینی کرده‌اند. پنج متغیر مورد بررسی در تحقیق آنها عبارتند از: نسبت جاری، نسبت سود قبل از بهره و مالیات به دارایی‌ها، حقوق صاحبان سهام به بدهی ها، سرمایه در گردش به کل دارایی­ ها و نسبت سود قبل از بهره و مالیات به فروش .اطلاعات جمع­آوری شده مربوط به ۴۰ شرکت درمانده مالی در سال‌های ۱۳۷۳تا ۱۳۸۰ بوده و به همین تعداد نیز شرکت غیرورشکسته انتخاب شده است. میانگین صحت پیش ­بینی مدل تفکیک­کننده خطی ۹۳ درصد و صحت پیش‌بینی شبکه عصبی ۹۵ درصد بوده است. در نهایت چنین نتیجه ­گیری کرده‌اند که مدل شبکه عصبی در پیش‌بینی ورشکستگی به طور معنی­داری نسبت به مدل تفکیکی چند متغیره از دقت پیش‌بینی بیشتری برخوردار است.
تحقیق “ارائه مدل برای پیش بینی عملکرد شرکت های پذیرفته­شده در بورس اوراق بهادار تهران با بهره گرفتن از اطلاعات مالی منتشره” نیز در زمینه ورشکستگی انجام شده است )بهرام­فر و ساعی، ۱۳۸۴).
این تحقیق، دو مسأله اصلی را دنبال می‌کند. “آیا خلاصه‌های آماری قابل استخراج از گزارشات مالی، در بین شرکت‌های موفق و ناموفق تفاوت معنی­داری دارند؟” و “آیا می‌توان با بهره گرفتن از اطلاعات تاریخی منتشره در صورت‌های مالی، رتبه عملکرد شرکت‌ها را پیش‌بینی و آنها را تفکیک کرد؟”
قلمرو زمانی این تحقیق سال‌های ۷۴ تا ۸۲ و قلمرو مکانی تحقیق مربوط به شرکت‌های بورس اوراق بهادار تهران می‌باشد. در تحقیق مذکور تفاوت متوسط برخی از ویژگی‌های مالی شرکت‌های موفق و ناموفق، مورد بررسی تحلیلی قرار گرفته و دو مدل مجزا برای پیش‌بینی شرکت‌های موفق و ناموفق ارائه گردیده است. یکی از مدل‌ها با بهره گرفتن از تحلیل­های آماری لاجیت، احتمال تعلق یک شرکت به گروه شرکت‌های موفق یا ناموفق را از نظر بازده سهام (عملکرد بازار) پیش‌بینی نموده و مدل دیگر با بهره گرفتن از روش­شناسی مشابه، به پیش‌بینی بازده حقوق صاحبان سهام (عملکرد مالی) پرداخته است. یافته‌های تحقیق، در مورد تحلیل معنی­دار­بودن تفاوت اطلاعات مالی منتشره شرکت‌های موفق و ناموفق، چنین نشان داده که از نظر شاخص‌های فعالیت، وضعیت بدهی‌ها، متوسط اندازه ارزش دفتری دارایی‌ها، و نوع صنعت، تفاوت‌های آماری با اهمیتی وجود دارد. هرچند تفاوت وضعیت نقدینگی این دو گروه با اهمیت نیست، صحت پیش‌بینی مدل‌های تعیین­شده برای پیش‌بینی رتبه عملکرد بازده سهام و عملکرد بازده حقوق صاحبان سهام، چه در نمونه تعیین مدل و چه در نمونه کنترل، از نظر آماری با اهمیت بوده‌اند. هرچند آماره‌های مدل پیش‌بینی بازده حقوق صاحبان سهام بهتر از مدل پیش‌بینی بازده سهام بوده است. همچنین در این تحقیق، با توجه به این واقعیت که پیش ­بینی بازده سهام و بازده حقوق صاحبان سهام مورد علاقه استفاده­کنندگان و افراد ذینفع از گزارشات مالی است، مدل‌هایی برای پیش‌بینی رتبه شرکت‌ها از نظر این دو معیار ارائه شده است. نتایج استفاده از این مدل‌ها نشان می‌دهد که اطلاعات مالی منتشره برای رتبه ­بندی شرکت‌های موفق و ناموفق، بار اطلاعاتی مناسبی دارند. این بار اطلاعاتی در مورد نسبت‌های فعالیت و نسبت‌های بدهی، اندازه شرکت و نوع صنعت بسیار بیشتر از نسبت‌های نقدینگی شرکت بوده است.
امیری (۱۳۸۱) با بهره گرفتن از پرسش­نامه نظر پرسش­شوندگان را در مورد قابلیت پیش‌بینی­کنندگی مجموعه‌ای از ۱۵ متغیر مالی و ۱۰ متغیر غیرمالی در پیش‌بینی ورشکستگی شرکت‌ها (یا آن گونه که در تحقیق ایشان آمده عدم موفقیت را) جویا شده است و در نهایت در یک مدل نوع تفکیک­کننده خطی ۱۵ متغیر مالی را مورد بررسی قرار داده و در نهایت به این نتیجه رسیده‌ است که نسبت‌های جریان نقدی عملیاتی هر سهم به سود، وجه نقد حاصل از عملیات به حقوق صاحبان سهام، نسبت موجودی کالا به دارایی‌های جاری و دارایی­ های جاری به بدهی­های جاری از اهمیت بیشتری در پیش‌بینی موفقیت یا عدم موفقیت بنگاه‌های ایرانی برخوردار هستند.
تحقیق دیگری با عنوان “پیش‌بینی ورشکستگی شرکت‌ها با بهره گرفتن از مدل برنامه ­ریزی ژنتیک” توسط فرج زاده دهکردی (۱۳۸۶) انجام شده است. در این تحقیق که جامعه آماری آن شرکت‌های پذیرفته­شده در بورس اوراق بهادار تهران می‌باشند نیز شرکت‌های مشمول ماده ۱۴۱قانون تجارت به عنوان شرکت‌های ورشکسته در نظر گرفته شده‌اند. محدوده زمانی تحقیق مربوط به سال‌های ۱۳۷۶تا ۱۳۸۴ می‌باشد. متغیرهای پیش‌بینی ورشکستگی در این تحقیق نیر نسبت‌های مالی بوده است که با بررسی پیشینه تحقیق ۴۳ نسبت مالی از شرکت‌های ورشکسته و غیرورشکسته برای پیش‌بینی ورشکستگی مورد استفاده قرار گرفته است.
تحقیق مذکور برای انتخاب نمونه شرکت‌های غیرورشکسته در مقایسه به شرکت‌های ورشکسته به اندازه شرکت‌ها و نوع صنعت آنها توجهی نشده است و صرفا انتخاب شرکت­های ورشکسته و غیرورشکسته صرفا بر اساس سال مالی با هم منطبق هستند. همچنین نتایج به دست آمده در این تحقیق با روش تجزیه و تحلیل تفکیک چند متغیره مورد مقایسه قرار گرفته است. مقایسه نتایج نشان می‌دهد که برنامه ­ریزی ژنتیک قابلیت پیش‌بینی تا ۹۰ درصد از ورشکستگی‌ها در نمونه آزمون دارد در حالی­که تجزیه و تحلیل تفکیکی چند متغیره تا ۷۳ درصد از ورشکستگی شرکت‌ها را می‌تواند پیش‌بینی نماید.
تحقیق دیگری با عنوان “مقایسه کارایی نسبتهای مالی مبتنی بر روش نقدی و روش تعهدی در پیش ­بینی درماندگی مالی شرکت­های پذیرفته شده در بورس اوراق بهادار تهران ” در سال ۱۳۹۰ توسط کردستانی و همکاران انجام شد. آنان در پژوهش خود از نسبتهای نقدینگی استخراج شده از صورت جریان وجوه نقد و نسبتهای مالی مبتنی بر ترازنامه و سودوزیان به منظور پیش ­بینی درماندگی مالی شرکت­هااستفاده کردند. مدل مورد استفاده آنان رگرسیون لوجیت و مدل تحلیل ممیزی برای ۲۷ شرکت ورشکسته و ۲۷ شرکت غیرورشکسته طی سالهای ۱۳۸۰ تا ۱۳۸۶ بود. نتایج پژوهش آنان حاکی از کارایی بیشتر نسبتهای مالی مبتنی بر ترازنامه و سودوزیان در مقایسه با نسبتهای مبتنی بر صورت جریان نقدی بود.
در سال ۱۳۸۴ بهرامفر و مهرانی پژوهشی را با عنوان “بررسی رابطه بین نسبت­های نقدینگی سنتی و نسبت­های حاصل از صورت جریان وجوه نقد جهت ارزیابی تداوم فعالیت شرکت­ها” انجام دادند. قلمرو زمانی پژوهش سالهای بین ۱۳۷۶ تا ۱۳۸۰ و روش مورد استفاده همبستگی بین متغیرها بود. نسبتهای مالی مورد استفاده به چهار قسمت تقسیم ­بندی میشد: نسبتهای نقدینگی، نسبتهای مخارج سرمایه، نسبت تحصیل سرمایه و نسبت سرمایه ­گذاری به تامین مالی. نتایج پژوهش آنان نشان داد که بین نسبت­های نقدینگی تعهدی و مخارج سرمایه­ای همبستگی معنی داری وجود ندارد و ارائه آنان در کنار یکدیگر تصویر روشن­تری از برقراری فرض تداوم فعالیت واحد تجاری ارائه می­دهد.
جدول ۴-۲: تحقیقات مربوط به پیش‌بینی ورشکستگی انجام شده در بورس اوراق بهادار تهران

نام محقق
سال‌تحقیق عنوان تحقیق قلمرو زمانی ورشکستگی روش تحقیق متغیرهای پیش ­بینی کننده نتیجه
مهرانی
۱۳۸۴ بررسی کاربردی الگوهای پیش‌بینی زیمسکی و شیراتا سال های
۷۹ تا ۸۱ شرکتی که بیش از دو سال متوالی مشمول ماده ۱۴۱ باشد. الگوی طبقه بندی شیرتا و زیمسکی نسبت های مالی مدل شیرتا و زیمسکی که شامل ۸ نسبت مالی مطرح شده در مدل اصلی بوده است هر دو مدل توانایی پیش‌بینی ورشکستگی را دارند.مدل زیمسکی تا ۹۷٫۴ درصد صحت پیش بینی دارد
کمیجانی و سعادت فر
۱۳۸۵ کاربرد مدل‌های شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌ ها سال های

حق انحصاری © 2021 مطالب علمی گلچین