ارزش دفتری کل بدهیها / ارزش بازار سهام شرکت
تصویر درباره بازار سهام (بورس اوراق بهادار)
کل دارائیها / فروش
Z= شاخص کل
اسپرینگیت در سال ۱۹۷۸ با بهره گرفتن از MDA مدلی را بر مبنای مدل آلتمن ارائه داد. مدل طراحی شده او به صورت زیر است:
که در آن:
کل دارائیها / سرمایه در گردش
کل دارائیها / سود قبل از بهره و مالیات
بدهی جاری / سود قبل از مالیات
کل دارائیها / فروش
که دقت پیش بینی این مدل حدود ۸۸ درصد بدست آمد.
شاکری (۱۳۸۲) مطالعه‌ای بر اساس مدل اسپرینگیت درمورد شرکتهای ایرانی انجام داد. او در این مطالعه از همان ضرایب مدل اسپیرینگیت استفاده کرد که البته این کار با توجه به اینکه مطالعه اسپیرینگیت در یک کشور دیگر صورت گرفته است، نادرست به نظر می‌رسد.
البته او مدل دیگری را نیز با بهره گرفتن از رگرسیون چندگانه ارائه کرده است که در این مورد نیز باید گفت، از رگرسیون چندگانه در مسائلی از نوع دستهبندی استفاده نمی‌شود.
آلتمن (۱۹۸۳) مدل اولیه خود را که مربوط به سال ۱۹۶۸ بود مورد تجدید نظر قرار داد و به منظور بکارگیری آن درمورد شرکتهای خصوصی (منظور شرکتهایی است که سهام آن ها در بازار مبادله نمی‌شود، مانند شرکت سهامی خاص)، وزن‌های دیگری را به هر یک از متغیرها اختصاص داد. یکی از محدودیت‌های مدل اولیه آلتمن این بود که برای استفاده از آن به قیمت سهام شرکت در بازار نیاز بود. در مدل تجدید نظر شده، ارزش دفتری سهام شرکت جایگزین ارزش بازار آن شد. نتایج این تحقیق نشان داد که این مدل فقط کمی نسبت به مدل اولیه قابلیت اعتماد کمتری دارد.
السون (۱۹۸۰) مدلی را با بهره گرفتن از فن لوجیت توسعه داد. هدف این مطالعه، ارائه ۳ مدل برای پیش بینی درماندگی مالی تا ۳ سال قبل از آن بود.
السون در ارتباط با مطالعات قبلی انجامشده با بهره گرفتن از MDA، ۳ انتقاد را مطرح کرد. اولین انتقاد او درمورد پیش فرض آماری توزیع بود که به مدل تحمیل می‌شد. دومین انتقاد او این بود که امتیاز بدست آمده از MDA، امکان تفسیر زیادتری را فراهم نمی‌کند و سومین انتقاد او این بود که فرایندی که برای تطبیق شرکتهای ورشکسته و غیرورشکسته استفاده می‌شود، فوایدی ندارد. تصور او این بود که با بهره گرفتن از تحلیل لوجیت می‌توان از این مشکلات اجتناب کرد.
السون در این پژوهش از ۱۰۵ شرکت ورشکسته و ۲۰۵ شرکت غیرورشکسته بین سالهای ۱۹۷۰ تا ۱۹۷۶ استفاده کرد. او ۹ نسبت مالی را به عنوان متغیر مستقل به کار برد. ۵ نسبت از این ۹ نسبت مالی، در مطالعات قبلی نیز استفاده شده بودند. ۲ متغیر دیگر تحت عنوان متغیرهای تصمیم اضافه شدند که در مورد اولی، در صورت بیشتر بودن میزان بدهیها از میزان دارائیها مقدار آن ۱ و در غیر این صورت مقدار آن صفر در نظر گرفته می‌شد. متغیر دیگر براساس سود خالص سالهای قبل از ورشکستگی تعریف شد، به این ترتیب که اگر سود خالص ۲ سال قبل از ورشکستگی منفی بود، مقدار این متغیر ۱ و در غیر این صورت صفر در نظر گرفته می‌شد.
متغیرهای مستقلی که السون از آنها استفاده کرد، عبارت بودند از:
کل دارائیها / کل بدهیها[۵۹]
کل داراییها / سرمایه در گردش
بدهیهای جاری / دارایی های جاری
کل دارائیها / درآمد خالص[۶۰]
کل بدهیها / وجوه حاصل از عملیات[۶۱]
اگر کل بدهیها بیشتر از کل دارائیها باشد، یک و در غیر آن، صفر
اگر درآمد خالص در دو سال گذشته منفی باشد، یک و در غیر آن، صفر
میزان تغییر در درآمد خالص
فریدمن، آلتمن و کااو[۶۲] اولین کسانی بودند که RPA را در مقایسه با تحلیل ممیز به کار بردند. در این مطالعه از اطلاعات ۵۸ شرکت ورشکسته و ۱۴۲ شرکت غیرورشکسته بین سالهای ۱۹۷۱ تا ۱۹۸۱ استفاده شد. در اولین مدل طراحی شده، از ۹ متغیر استفاده شد که عبارت بودند از:
برای دانلود متن کامل پایان نامه به سایت fotka.ir مراجعه نمایید.
سود خالص به کل دارائیها
دارائیهای جاری به بدهیهای جاری
لگاریتم کل دارائیها
ارزش بازار سهام عادی به کل منابع تأمین مالی[۶۳]
دارائیهای جاری به کل دارائیها
جریان نقدی به کل بدهیها
دارائیهای سریع[۶۴] به بدهیهای جاری
سود قبل از بهره و مالیات به کل دارائیها
لگاریتم ( پوشش هزینه بهره +۱۵)
مدل دوم متشکل از ۴ متغیر بود که عبارت بودند از:
سود خالص به کل دارائیها؛
دارائیهای جاری به بدهیهای جاری؛
لگاریتم کل دارائیها؛
ارزش بازار سهام عادی به کل منابع تأمین مالی.
دقت پیش بینی این مدل ۹۰ درصد بود و عنوان شد بین این نسبتها، نسبت جریانات نقدی به کل بدهیها از همه با اهمیتتر است (فریدمن و همکاران، ۱۹۸۵).
مدل پیش بینی شبکه های عصبی مصنوعی(ANN)
اولین تلاش برای استفاده از شبکه های عصبی مصنوعی در پیش بینی ورشکستگی توسط اودوم و شاردا (۱۹۹۰) صورت گرفت. آنها در این مطالعه از یک شبکه پیشخور سه لایه[۶۵] استفاده کردند. نتایج مطالعات آنها نشان داد که شبکه های عصبی در مقایسه با تحلیل ممیز چندگانه از دقت و توان پیش بینی بیشتری برخوردارند.
سالچنبر، سینار و لش[۶۶] (۱۹۹۲) مطالعه ای را در زمینه پیش بینی درماندگی مالی موسسات مالی و اعتباری[۶۷] با بهره گرفتن از شبکه های عصبی مصنوعی انجام دادند و نتایج آن را با مدل لوجیت مقایسه کردند. در این مطالعه آنها از ۵ نسبت مالی استفاده کردند که بیانگر کفایت سرمایه[۶۸]، کیفیت دارائیها[۶۹]، کارائی مدیریت[۷۰]، سود[۷۱] و نقدینگی[۷۲] بودند. ۱۰۰ مؤسسه ورشکسته و ۱۰۰ مؤسسه غیرورشکسته براساس مکان جغرافیایی و ارزش دارائیها، بین سالهای ۱۹۸۶ و ۱۹۸۷ انتخاب شدند. نتایج این تحقیق نشان داد که شبکه های عصبی عملکرد بهتری از مدل لوجیت دارند.
کتس و فانت[۷۳] (۱۹۹۲) با بکارگیری شبکه های عصبی و اطلاعات ۴۷ شرکت درمانده مالی و ۴۷ شرکت سالم مدلی ا برای پیش بینی درماندگی مالی ارائه دادند. آنها از ۵ نسبت مالی استفاده کردند که عبارت بودند از:
نسبت سرمایه در گردش به کل دارائیها؛
نسبت سود انباشته به کل دارائیها؛
نسبت سود قبل از بهره و مالیات به کل دارائیها؛
نسبت ارزش بازار سهام عادی به ارزش دفتری کل بدهیها؛ و
نسبت فروش به کل دارائیها.
دقت پیش بینی مدل آنها در مورد شرکتهای درمانده مالی ۹۱ درصد و در مورد شرکتهای سالم ۹۶ درصد بود، درحالیکه این دقت با بهره گرفتن از MDA برای شرکتهای درمانده مالی و سالم به ترتیب ۷۲ درصد و ۸۹ درصد بود.
تام و کیانگ (۱۹۹۲) شبکه های عصبی را با مدل ممیز خطی، مدل رگرسیون لوجستیک، مدل نزدیکترین کای مجاور[۷۴] و مدل درخت تصمیم مقایسه کردند. آنها برای انجام این پژوهش از اطلاعات ۵۹ بانک ورشکسته و ۵۹ بانک غیرورشکسته بین سالهای ۱۹۸۵ و ۱۹۸۷ استفاده کردند. بانکهای ورشکسته و غیرورشکسته براساس عواملی همچون ارزش دارائیها، تعداد شعب و عمرشان با هم تطبیق داده شده اند. نتایج این پژوهش نشان داد که مدل شبکه های عصبی از تمامی مدلهای دیگر عملکرد بهتری دارد.
نیتایا گاستوات[۷۵] (۱۹۹۴) مدلی را با بهره گرفتن از شبکه های عصبی مصنوعی ارائه کرد که نمونه آموزشی آن شامل ۱۷۳ شرکت ورشکسته و ۱۵۷۸ شرکت غیرورشکسته و نمونه آزمایشی آن شامل ۶۰ شرکت ورشکسته و ۵۴۷ شرکت غیرورشکسته بود. دقت کلی پیش بینی مدل ارائه شده ۸۰ درصد بود. نتایج این تحقیق نشان داد که شبکه های عصبی مصنوعی عملکرد بهتری از تحلیل لوجیت و RPA دارد.
لی، هان و کوان[۷۶] (۱۹۹۶) از مدل ترکیبی[۷۷] شبکه های عصبی مصنوعی برای پیش بینی ورشکستگی استفاده کردند. آنها از شبکه عصبی ترکیب شده با MDA[78] ، شبکه عصبی ترکیب شده با ID3 و شبکه عصبی ترکیب شده با [۷۹]SOFM استفاده کردند. در این مطالعه از اطلاعات ۱۶۶ شرکت کرهای (متشکل از ۸۳ شرکت ورشکسته و ۸۳ شرکت غیرورشکسته) بین سالهای ۱۹۷۹ تا ۱۹۹۲ استفاده شد. شرکتهای هر دو دسته بر اساس ارزش دارائیها، تعداد کارکنان، عمر شرکت و میزان سرمایه با هم تطبیق داده شدند. دقت کلی پیش بینی مدل شبکه های عصبی مصنوعی ترکیبی با MDA، ۸/۷۷ درصد و با ID3، ۲/۷۵ درصد بدست آمد. ولی دقت پیش بینی MDA و ID3 به ترتیب ۶/۶۸ درصد و ۳/۷۴ درصد بود. دقت پیش بینی در مورد ANN ترکیبی با SOFM(MDA) و با SOFM(ID3) به ترتیب ۵/۸۰ درصد و ۷/۷۶ درصد بدست آمد.
مطالعه دیگری توسط سرانو، سینکا[۸۰] (۱۹۹۷) با بهره گرفتن از پرسپترون چندلایه (MLP) صورت گرفت. در این مطالعه از ۳۷ بانک غیرورشکسته و ۲۹ بانک ورشکسته در طول سالهای ۱۹۷۷ تا ۱۹۸۵ استفاده شد. برای انجام این پژوهش از ۹ نسبت مالی استفاده گردید که عواملی همچون نقدینگی، ظرفیت تأمین مالی داخلی[۸۱]، سود نسبت به اقلام مختلف ترازنامه، سود ناخالص و جریانات نقدی نسبت به بدهیها را میسنجیدند. در این تحقیق MLP با MDA مورد استفاده قرار گرفت. دقت کلی پیش بینی با بهره گرفتن از MDA، ۸۶ درصد و با بهره گرفتن از MLP، ۹۴ درصد بدست آمد.
ژانگ، هو، پاتوا و ایندرو[۸۲] (۱۹۹۹) براساس اطلاعات ۲۲۰ شرکت (متشکل از ۱۱۰ شرکت ورشکسته و ۱۱۰ شرکت غیرورشکسته) مدلی را با بهره گرفتن از شبکه های عصبی مصنوعی ارائه دادند. آنها از ۶ متغیر که ۵ مورد آن همان ۵ متغیر پیشنهادی آلتمن بود استفاده کردند. متغیر ششمی که آنها به مدل اضافه کردند نسبت دارائیهای جاری به بدهیهای جاری بود. در این پژوهش نمونهها براساس کدهای SIC[83] و ارزش دارائیهایشان با هم تطبیق داده شدند. نتایج این تحقیق نشان داد که دقت کلی پیش بینی شبکه های عصبی از رگرسیون لوجستیک بیشتر است. گفتنی است که در این مطالعه، از MLP به همراه الگوریتم یادگیری GRG2 استفاده شد.
شاه و مرتزا[۸۴] (۲۰۰۰) مدلی را با بهره گرفتن از شبکه های عصبی مصنوعی برای پیش بینی ورشکستگی ارائه دادند. در این مطالعه از اطلاعات ۶۰ شرکت ورشکسته و ۵۴ شرکت غیرورشکسته بین سالهای ۱۹۹۲ تا ۱۹۹۴ استفاده شد. آنها از ۸ نسبت مالی استفاده کردند که عبارت بودند از:
دارائیهای جاری به بدهیهای جاری؛
فروش به وجوه نقد؛
فروش به متوسط حسابهای دریافتی؛
