پیش بینی پویا در ورشکستگی مالی با استفاده از روش مالم کوئیست (مورد مطالعه: شرکت های پذیرفته شده در بورس اوراق بهادارتهران)

نوع مقاله : مقاله پژوهشی (کاربردی)

نویسندگان

1 استادیار، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران.

2 دانشجوی دکتری مهندسی مالی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران

3 دانشجوی دکتری مهندسی صنعتی گرایش مالی، واحد رودهن، دانشگاه آزاد اسلامی، رودهن، ایران.

چکیده

ارزیابی درماندگی مالی شرکت‌ها بسیار حایز اهمیت است؛ زیرا شکست شرکت، هزینه‌هـای مسـتقیم و غیرمستقیم بسیاری را برای ذی‌نفعان به همراه دارد. ارزیابی و پیش‌بینـی بـه‌موقـع و صـحیح مـی‌توانـد تصمیم‌گیرندگان را در یافتن راه‌حل بهینه و پیشگیری از درماندگی مالی یاری کند. تاکنون از الگوهـای گوناگونی برای ارزیابی درماندگی مالی استفاده شده است. الگوهای به‌کـار گرفتـه‌شـده در ایـن زمینـه، کاربرد بسیار زیادی در تصمیم‌های فعالان بازار مالی دارد. همواره سعی شده است تا دقت پیش‌بینـی و ارزیابی این الگوها با استفاده از روش‌های پیشرفته‌تر، بهبـود پیـدا کند. در همین راستا لی و همکاران بر اساس مطالعه اخیر خود نشان دادند که بهره‌گیری از روش‌هـای پویا می‌تواند دقت بالاتری را نسبت به روش‌های پیشین داشته باشد. در این میان، به بهره‌گیری از مدل مالم‌کوئیست برای تبیین درماندگی مالی شرکت‌های پذیرفته شده در بورس پرداخته شده است که نشان می‌دهد که این روش، از توانایی بالایی در تشخیص درماندگی مالی شرکت‌ها دارد و مسئله ناکارآمـدی روش‌های پیشین را رفع می‌کند. بر همین اساس، در ادامه، به منظور تشریح بیشتر موضـوع تحقیـق بـه ارائه بیان مسئله و ضرورت انجام تحقیق پرداخته شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Dynamic forecasting of financial bankruptcy using the Malm Quest method (Case Study: companies listed on the Tehran Stock Exchange )

نویسندگان [English]

  • Alireza mirarab bayegi 1
  • hashem mokari 2
  • Arash Azariyon 3
1 Assistant Professor, Roudehen Branch, Islamic Azad University, Roudehen, Iran.
2 PhD Student of Financial Engineering, Roudehen Branch, Islamic Azad University, Roudehen, Iran.
3 PhD Student of Industrial Management - Financial Orientation, Roudehen Branch, Islamic Azad University, Roudehen, Iran.
چکیده [English]

It is important to assess the financial difficulties of companies because the failure of the company has many direct and indirect costs for stakeholders. Timely and accurate assessment and forecasting can help decision makers find the optimal solution and prevent financial distress. So far, paragliding has been used to assess financial distress. The patterns used in this field are very useful in the decisions of financial market participants. Efforts have always been made to accurately predict and evaluate these patterns using more advanced methods. In this regard, Lee et al. demonstrated in their recent study that using dynamic methods can be more accurate than previous methods. The MalmQuist model has been used to explain the financial helplessness of companies listed on the stock exchange, which shows that this method has a high ability to recognize the financial helplessness of companies and solves the inefficiency of previous methods. Accordingly, in order to further investigate the subject matter of the research, the problem is presented and the necessity of conducting the research is discussed.

کلیدواژه‌ها [English]

  • financial helplessness
  • Inefficiency
  • Bankruptcy
  • Neural Network
  • laziness probation

مقدمه

ارزیابی درماندگی مالی شرکت‌ها بسیار حایز اهمیت است؛ زیرا شکست شرکت، هزینه‌هـای مسـتقیم و غیرمستقیم بسیاری را برای ذی‌نفعان به همراه دارد. ارزیابی و پیش‌بینـی بـه‌موقـع و صـحیح مـی‌توانـد تصمیم‌گیرندگان را در یافتن راه‌حل بهینه و پیشگیری از درماندگی مالی یاری کند. تاکنون از الگوهـای گوناگونی برای ارزیابی درماندگی مالی استفاده شده است. الگوهای به کـار گرفتـه شـده در ایـن زمینـه کاربرد بسیار زیادی در تصمیم‌های فعالان بازار مالی دارند. همواره سعی شده است تا دقت پیش‌بینـی در ارزیابی این الگوها با استفاده از روش‌های پیشرفته‌تر بهبـود پیـدا کند.

رسـتمی و همکـاران (1390) نشان دادند که بهره‌گیری از روش‌هـای پویا می‌تواند دقت بالاتری را نسبت به روش‌های پیشین داشته باشد. در این میان، به بهره‌گیری از مدل مالم‌کوئیست برای تبیین درماندگی مالی شرکت‌های پذیرفته‌شده در بورس پرداخته شده است که نشان می‌دهد که این روش، از توانایی بالایی در تشخیص درماندگی مالی شرکت‌ها دارد و مسئله ناکارآمـدی روش‌های پیشین را رفع می‌کند؛ بر همین اساس، در ادامه، به منظور تشریح بیشتر موضـوع تحقیـق، بـه ارائه بیان مسئله و ضرورت انجام تحقیق پرداخته شده است.

هدف اصلی این پژوهش، ارزیابی محتوای اطلاعاتی نسبت‌های صورت جریان وجه نقد در تشخیص ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی است. جامعه آماری این پژوهش، شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در دوره زمانی از سال‌های 1391 تا 1397 است. برای این منظور 84 شرکت شامل 42 شرکت ورشکسته و 42 شرکت سالم انتخاب شدند. شبکه عصبی این پژوهش پرسپترون سه لایه است که با روش الگوریتم پس انتشار خطا آموزش دیده است. براساس نتایج پژوهش، مدل شبکه عصبی با نسبت جریان نقدی عملیاتی به بدهی‌های جاری، نسبت پوشش جریان نقدی عملیاتی به بهره، نسبت بازده نقدی دارایی‌ها، نسبت کیفیت سود و نسبت آنی بیشترین قدرت پیش‌بینی را نسبت به ورشکستگی شرکت‌ها در ایران دارد. همچنین، یافته‌ها نشان می‌دهند که دقت پیش‌بینی مدل برای سال ورشکستگی 99 درصد و در مجموع مراحل ورشکستگی در یک، دو و سه سال قبل از ورشکستگی به ترتیب با دقت 91، 85 و 70 درصد است (اسمعیلی و گوگردچیان، 1397)

روش و مواد

پژوهش حاضر از نظر هدف، علمی- کاربردی است. این تحقیق از نظر ماهیت، نوع و امکانات اجرایی نیز در دسته پژوهش‌های توصیفی- همبستگی قرار می‌گیرد. شایان ذکر است که به منظور تعیین میزان دقت دو روش به‌کارگرفته شده در مطالعه حاضر و تعیین روش دقیق‌تر از ماده 141 قانون تجارت شرکت‌های ورشکسته (شرکت‌هایی که زیان انباشته آنها بیشتر از 50 درصد سرمایه آنها باشد) نسبت به بررسی کارایی دو مدل مورد نظر اقدام می‌گردد. برای این منظور در مطالعه حاضر، شرکت‌های تولیدی مطابق با ماده 141 قانون تجارت، بررسی و شناسایی می‌شوند و بر این اساس، نسبت به تعیین میزان دقت دو مدل، اقدام می‌شود. 

در جمع‌آوری اطلاعات، اطلاعات مورد نیاز بخش کتابخانه‌ای پژوهش از کتب و مجلات تخصصی فارسی و لاتین و مقالات اینترنتی گردآوری می‌شود. داده‌های مورد نیاز بخش میدانی پژوهش، از طریق مراجعه به سازمان بورس اوراق بهادار تهران و تهیه صورت‌های مالی و یادداشت توضیحی شرکت‌ها و معاملات روزانه ارائه شده از طریق مرکز اطلاع‌رسانی و خدمات، نمونه گزارش‌های هفته‌ای بورس اوراق بهادار تهران و سایت بورس اوراق بهادار تهران و همچنین نرم‌افزار ره‌آورد نوین استخراج می‌گردد.

نتایج حاصل از اندازه‌گیری متغیرها به منظور آزمون فرضیه‌های پژوهش، وارد نرم‌افزار Eviews (برای برآورد احتمال درماندگی مالی شرکت‌ها مبتنی بر روش رگرسیون) و نرم‌افزار LINGO (به منظور برآورد احتمال درماندگی مالی با استفاده از تکنیک مالم‌کوئیست) می‌شوند. این نکته قابل ذکر است که برای تخمین فرضیه‌های تحقیق از داده‌های ترکیبی به صورت داده‌های سال شرکت استفاده خواهد شد.

جدول1. شاخص‌های نشان‌دهنده ریسک ورشکستگی

شاخص‌های مالی

شاخص‌های غیرمالی

اهرم مالی بالا

عدم رقابت

عدم‌نقدینگی به دلیل سوء‌مدیریت سرمایه در گردش

برنامه‌ریزی کسب وکار ضعیف

عدم‌تعادلدارایی جاری

بدهی‌های غیرمنتظره

اهرم عملیاتی بالا به دلیل افزایش هزینه‌های ثابت

فقدان رهبری مؤثر

 

تحلیل‌های آماری و آزمون‌های آماری انجام شده روی هر دو دسته مدل‌های مبتنی بر اطلاعات حسابداری و مدل‌های مبتنی بر اطلاعات بازاری در پیش‌بینی ریسک ورشکستگی مالی، نقطه اتکای مناسبی ندارند و هرکدام از مدل‌ها دارای مشکلات و محدودیت‌هایی هستند؛ از این رو نیاز به مدل‌های مبتنی بر اطلاعات ترکیبی (حسابداری و بازاری) که بتوانند از مشکلات پیش روی هر دو مدل بکاهند، به شدت احساس می‌شود.

متغیرهای مستقل شامل پنج متغیر حسابداری بر اساس مدل آلتمنشامل نسبت سرمایه در گردش به کل دارایی‌ها، نسبت سود انباشته به کل دارایی‌ها، نسبت سود قبل از کسر بهره و مالیات (سود عملیاتی) به کل دارایی‌ها، نسبت ارزش دفتری حقوق صاحبان سهام به ارزش دفتری کل بدهی‌ها و نسبت فروش به کل دارایی‌ها هستند. سه متغیر بازارمحور نیز شامل قیمت سهام، اندازه نسبی شرکت و سیگما جزو متغیرهای مستقل هستند. در جدول 2 نحوه اندازه‌گیری متغیرهای حسابداری بیان شده است.

 

جدول 2. نحوه اندازه‌گیری متغیرهای حسابداری

نماد متغیر

معرفی و نحوه محاسبه

WC / TA

نسبت سرمایه در گردش به کل دارایی‌ها:

سرمایه در گردش، تفاوت دارایی جاری و بدهی جاری در ترازنامه است. کل دارایی‌ها نیز بیانگر عدد سمت راست ترازنامه است.

نسبت سرمایه در گردش به کل دارایی‌ها از انواع نسبت‌های نقدینگی به شمار می‌رود.

RE / TA

نسبت سود انباشته به کل دارایی‌ها:

سود انباشته، حسابی است که در سمت چپ ترازنامه و زیر ستون حقوق صاحبان سهام ثبت می‌شود.

نسبت سود انباشته به کل دارایی‌ها از انواع نسبت‌های سودآوری به شمار می‌رود.

EBIT /TA

نسبت سود قبل از کسر بهره و مالیات (سود عملیاتی) به کل دارایی‌ها:

سود قبل از کسر بهره و مالیات (سود عملیاتی) در صورت سود و زیان بیان شده است.

نسبت سود قبل از کسر بهره و مالیات (سود عملیاتی) به کل دارایی‌ها از انواع نسبت‌های سودآوری به‌شمار می‌رود.

BV / TL

 

نسبت ارزش دفتری حقوق صاحبان سهام به ارزش دفتری کل بدهی‌ها:

ارزش دفتری سهام، بیانگر جمع کل حقوق صاحبان سهام در سمت چپ ترازنامه است. مخرج کسر، مجموع کل بدهی‌های کوتاه‌مدت و بلندمدت کسب شده توسط شرکت است که در سمت چپ ترازنامه ثبت می‌شود.

S / TA

نسبت فروش به کل دارایی‌ها:

یکی از انواع نسبت‌های فعالیت (نسبت گردش دارایی‌ها) است. این نسبت نشان می‌دهد که چگونه دارایی‌های یک شرکت به منظور ایجاد درآمد فروش به کار گرفته شده است. این نسبت از تقسیم درآمد فروش ثبت شده در صورت سود و زیان بر مجموع دارایی‌ها به دست می‌آید.

Price

قیمت سهام شرکت:

قیمت، منعکس‌کننده ترکیب گسترده‌ای از اطلاعات عمومی مربوط به جریان نقدی آینده شرکت است. در واقع، قیمت سهام خام یا تعدیل‌نشده شرکت است.

Rsize

اندازه نسبی شرکت:

این متغیر، لگاریتم طبیعی مجموع ارزش بازاری سهام عادی (اندازه شرکت) نسبت به ارزش بازاری شاخص کل سهام است.

Sigma

سیگما:

سیگما، اختلاف بین بازده سهام یک شرکت و بازده شاخص کل بازار بورس است که در واقع با محاسبه انحراف معیار باقیمانده رگرسیون بازده‌های سالانه سهام شرکت با بازده شاخص کل بازار بورس به دست می‌آید.

اهداف این پژوهش عبارتند از:

هدف آرمانی: پیش‌بینی دقیق‌تر نسبت به احتمال درماندگی مالی شرکت‌ها

هدف کلی: پیش‌بینی پویا در درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهـادار بـا اسـتفاده از روش مالم‌کوئیست (سال 1397-1391)

 اهداف ویژه: برآورد احتمال درماندگی مالی به روش پیش‌بینی (آلتمن) با بهره‌گیری از روش رگرسیون و برآورد احتمال درماندگی مالی به روش پیش‌بینی (آلتمن) با بهره‌گیری از مدل پویای مالم‌کویسـت در تحلیل پوششی داده‌ها و نیز مقایسه عملکرد روش رگرسیون و مدل پویای مالم‌کویست در تحلیل پوششی داده‌ها

هدف کاربردی: پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس ایران به شیوه کاراتر برای تشکیل یک سبد بهینه کم‌ریسک (در سطح سرمایه‌گذران بورس ایران) و پیشـگیری از وقـوع ورشکسـتگی (درسـطح مدیران شرکت‌ها).

سؤالات این پژوهش عبارتند از:

-  آیا تغییرات درکارایی شرکت‌ها در طول زمان؛ در شرایطی که آنها از درماندگی مالی رنج می‌برند می‌تواند طبق مدل ارائه شده لی و همکاران (2017) در بورس ایران تعمیم‌پذیر باشد؟

-  احتمال درماندگی مالی به روش پیش‌بینی (آلتمن) با بهره‌گیری از روش رگرسیون چگونه است؟

-  احتمال درماندگی مالی به روش پیش‌بینی (آلتمن) با بهره‌گیری مدل پویای مالم‌کوئیست در تحلیـل پوششی داده‌ها چگونه است؟

-  آیا طبقه‌بندی شرکت‌ها به روش رگرسیون و مدل پویای مالم‌کوئیست در تحلیل پوششی داده‌ها با یکدیگر متفاوت است؟

فرضیه این تحقیق نیز به شرح ذیل است:

طبقه‌بندی شرکت‌ها از نظر درماندگی مالی به روش رگرسیون و مدل پویای مـالم‌کوئیسـت در تحلیـل پوششی داده‌ها با یکدیگر متفاوت است.

در این پژوهش، برای انتخاب نمونه آماری، از روش حذف نظام‌مند استفاده شد. به این ترتیب، شرکت‌هایی که دارای شرایط زیر باشند به عنوان نمونه انتخاب و بقیه حذف شدند:

1-   سال مالی آنها منتهی به پایان اسفندماه باشد و در دوره مورد بررسی، سال مالی خود را تغییر نداده باشند.

2-   اطلاعات مالی و بودجه‌ای آنها در دسترس باشد و به طور مرتب، صورت‌های مالی سالانه را ارائه داده باشند.

3-   معاملات سهام آنها در دوره پژوهش، بیش از شش ماه در بورس اوراق بهادار تهران متوقف نشده باشد.

4-   جزو شرکت‌های سرمایه‌گذاری یا واسطه‌گری مالی نباشند.

5-   شرکت‌ها دارای حقوق صاحبان سهام منفی نباشند.

6-   شرکت‌ها طی سال‌های مالی مذکور 3 سال متوالی زیان‌ده نباشند.

مدل مفهومی تحقیق نیز در شکل 1 ارائه شده است.

 
   

 

X1-کل داریی‌ها / سرمایه در گردش

X2-کل دارایی‌ها / سود انباشته

3X- کل دارایی‌ها / درآمد قبل از بهره و مالیات

X4-ارزش دفتری بدهی / ارزش دفتری حقوق صاحبان سهام

5X- کل دارایی‌ها / کل فروش

 

 

 

 

 

شکل 1. مدل مفهومی تحقیق

تعریف مفهومی شاخص مالم‌کوئیست: به‌منظور مقایسه عملکرد واحدها (شرکت‌های مورد بررسی) نسبت به سال یا سال‌هـای گذشته، از معیار مالم‌کوئیست (MPI) استفاده می‌شود. برای تعیین مقدار کارایی باید روند گذشته شرکت‌های تحت ارزیابی را بررسی کرد و شاخص مالم‌کوئیست، ابزار قوی برای بررسی گذشته است. در روش مالم‌کوئیست، سه طبقه‌بندی صورت می‌گیرد : MPI1 و همچنینMPI=1 که به ترتیب نشان‌دهنده میزان افزایش بهره‌وری، کاهش بهره‌وری و عدم‌تغییر در بهره‌وری یا شرایط می‌باشد (اسماعیلی، 1397).

درماندگی مالی: تعریف مفهومی: یک شرکت، زمانی که در زمان سررسید پرداخت بدهی‌های خود به مشکل برمی‌خورد، دچار درماندگی مالی می‌شود (دو و لایی[1]، 2018).

تعریف عملیاتی: در این پژوهش برای تعیین درماندگی مالی از مدل آلتمن (1968) به شرح ذیل بهره گرفته می‌شود:

(معادله شماره 1)                          Z= 0.717x1 + 0.847x2+ 3.107x3 + 0.42x4 +0.995x5  

X1= کل دارایی‌ها / سرمایه در گردش

X2=کل دارایی‌ها / سود انباشته

X3= کل دارایی‌ها / درآمد قبل از بهره و مالیات

X4= ارزش دفتری بدهی / ارزش دفتری حقوق صاحبان سرمایه

X5= کل دارایی‌ها / کل فروش

در این مدل اگر:

Z

< Z

Z>2.9: احتمال درماندگی مالی خیلی کم است.

اثر تعدیل‌کنندگی یا اثر کنترلی می‌باشد.

تعریف عملیاتی کارایی در تحلیل پوششی داده‌ها: در این مطالعه، کارایی شرکت‌ها بر اساس میزان درماندگی مالی آنها برآورد می‌شـود. در این روش (تحلیل پوششی داده‌ها) هر چه شرکت‌ها درماندگی مالی پایین‌تری داشته باشـند، شرکت، کارا تلقی می‌گردد و هر چه شرکت، درماندگی مالی بیشتری داشته باشد، میزان کارایی شرکت پایین‌تر گزارش می‌شود (لی و همکاران[2] 2017).

شاخص مالم‌کوئیست: شاخص بهره‌وری مالم‌کوئیست به عنوان محصول تغییر کارایی (جابه‌جایی) و تغییر فناوری (مرز- تغییر) تعریف می‌شود و با استفاده از نمرات استاندارد DEA در دو دوره و دو نمره بین مدت‌زمانی با اشاره به مرز کارایی، محاسبه می‌شود.

تعریف عملیاتی: با بهره‌گیری از روش تحلیل پوششی داده‌ها نسبت به بررسی کـارایی شـرکت‌ها (میزان درماندگی مالی پایین بر حسب کاراترین شرکت= شرکتی کـه کمتـرین درمانـدگی مـالی را دارد) انجام می‌شود. برهمین اساس، در این بخش نیز مجدد از متغیرهای X1=کل داریی‌ها/ سرمایه در گردش X2=کل دارایی‌ها/ سود انباشته X3=کل دارایی‌ها / درآمد قبل از بهره و مالیات 4X= ارزش دفتری بدهی / ارزش دفتری حقوق صاحبان سرمایه و 5X=کل داریی‌ها / کل فروش بهره گرفته می‌شود و خروجی آن، مقدار شاخص MPI می‌باشد که به صورت ذیل تعریف می‌شود:

MPI>1: افزایش بهره‌وری (کاهش میزان درماندگی در طول دوره مورد بررسی) را نشـان مـی‌دهـد و پیشرفت مشاهده می‌شود.

MPI

MPI=1: این مهم نشان می‌دهد که هیچ تغییری در بهره‌وری (میزان درماندگی مالی) بـرای دوره مـورد بررسی رخ نداده است.   

(معادله شماره 2)

Inn i,t = α + β1 hti i,t + β2 For i,t + β3 pom i,t + β5 gc i,t + β6 Fis ye i,t + β7 Sizei,t + β8 AGE i,t + β9 cgit+ ԑi,t

ورشکستگی کامل: هنگامی یک شرکت، درمانده است که مبلـغ کـل بـدهی‌هـا از ارزش منصـفانه کـل دارایی‌ها بیشتر شود. در این حالت، شرکت می‌تواند از طریق مراجع قضـایی، اعـلام ورشکسـتگی کامـل کند.

یافته‌های پژوهش

تئوری‌های درماندگی مالی

1-تئوری قمارباز: در این روش، شرکت می‌تواند مانند قماربازی در نظر گرفته شود که مکرر با مقداری احتمال زیان بازی می‌کند و به عملیات خود تا زمانی که خالص ارزش آن به زیر صفر برسد (درماندگی مالی شـود) ادامـه می‌دهد. با فرض مقادیری وجه نقد، در هر دوره مشخصی، این خالص احتمال مثبـت وجـود دارد کـه جریان وجه نقد یک شرکت طی دوره، منفی و در نهایت منجر به درماندگی مالی شود.

2-تئوری مدیریت وجوه نقد: مدیریت کوتاه‌مدت ترازهای وجه نقد بنگاه، یکی از نگرانی‌های اصلی هر شرکتی اسـت. عـدم‌تعـادل بین جریان‌های ورودی و خروجی می‌تواند به معنی ناتوانی عملکرد مدیریت وجوه نقد شرکت باشد و این عاملی است که می‌تواند منجر به پریشانی مالی و در نهایت درمانـدگی مـالی شـود (میرزایی اسرمی، 1391).

3-تئوری ریسک اعتباری: ریسک اعتباری خطری است که هر قرض‌گیرنده به هر دلیلی ناتوان از ادای تعهـدات خـود شـود. ایـن مدل‌ها و پیش‌بینی ریسک مربوط به آنها مبتنی بر تئوری‌های اقتصادی مدیریت مالی است و در مجموع به تئوری‌های ریسک اعتباری اشاره دارند. این مدل‌ها شامل اعتبارسنجی مورگان و KMV ریسک اعتباری CSFB و تئوری پرتفولیوی اعتباری مک‌کینسی می‌شود.

4.مدل‌ها و تکنیک‌های پایه پیش‌بینی درماندگی مالی: الف. مبتنی بر حسابداری: مدل‌های پیش‌بینی درماندگی مالی مبتنی بر حسابداری از اطلاعات صورت‌های مالی استفاده می‌کنند که معمولاً در قالب نسبت‌ها برای توصیف ریسک درمانـدگی مـالی یـک شـرکت اسـت؛ بنـابراین، آنهـا عملکرد گذشته شرکت را به عنوان پایه‌ای برای پیش‌بینی عملکرد آینده، در نظر می‌گیرند. این مدل‌ها عبارتند از:

- مدل نمره- zآلتمن: در سال 1968 تنها دو سال پس از کار، آلتمن اولین مدل چندمتغیره را برای طبقه‌بندی درماندگی مالی براساس داده‌های حسابداری ارائه کرد. آلتمن (1968) تجربه و تحلیل تک‌متغیره را با استفاده از نسبت‌های مالی بیشتری در تجزیه و تحلیل خود توسعه داد. این مدل کـه از آن بـه عنـوان مدل پیش‌بینی نمره z- آلتمن نام برده شده است براساس یک روش آماری به نام آنالیز تشخیصی چندگانه تدوین گردید. با توجه به پژوهش آلتمن (1966) و سایر آنالیزهای قدیمی نسبت‌های تک‌متغیره وجود دارد. واقعیـت ایـن اسـت کـه تکنیـک آنـالیز تشخیصـی چندگانه دارای توانایی بالقوه برای تجزیه و تحلیل کل مجموعه متغیرهای توصـیفی بـه طـور هم‌زمـان و همچنین تعامل بین این متغیرها است، در حالی که تک‌متغیره تنها می‌تواند اندازه‌گیری‌های مـورد استفاده برای گروه‌ها را در یک زمان در نظر بگیرد (گریتسن[3]، 2015).

تابع تشخیصی آلتمن (1968) به شرح زیر است:                      

(معادله 3)                                               Z =V1 X1+V2 X2+ … +Vn Xn    

V1 V2 … Vn= ضرایب تشخیصی (تشخیصی)

 X1  X2 ... Xn= متغییر مستقل

- مدل نمره O- اولسون[4]

یکی دیگر از مدل‌های محبوب پیش‌بینی درماندگی مالی مدل نمره O- اولسون است. اولسون، یکی از اولین محققانی بود که آلتمن و دیگر محققانی را که از روش آنالیز تشخیصی چندگانه استفاده کردند، مورد انتقاد قرار داد و مدل خود را بر اساس یک روش آماری به نام «رگرسیون لجستیک» ارائه داد. این روش، جایگزین روش طبقه‌بندی فیشر[5] یعنی آنالیز افتراقی خطی شد و به همین دلیل در ارتباط با مدل Z-score آلتمن قرار گرفت (حسینی و رشیدی، 1392). ممکن است رگرسیون لجستیک برای موقعیت‌هایی که متغیرهای وابسته دو بخشی دارند از جمله درمانده/غیردرمانده بهتر باشد. اولسون (1980) روش‌شناسی آنالیز لوجیت شرطی را برای جلوگیری از برخی مشکلات نسبتاً شناخته‌شده مرتب با آنالیز تشخیصی چندگانه انتخاب کرد.

 مدل اولسون (1980) به شرح ذیل است:                                                            

(معادله شماره4)

O=-1.32-.407X1+6.03X2-1.43X3+.0757X4-2.37X5-1.83X6+0.285X7-1.72X8521X9

=X1کل دارایی‌ها /شاخص سطح قیمت تولید ناخالص ملی (GNP)

X2 = کل بدهی‌ها / کل دارایی‌ها

X3 = سرمایه در گردش / کل دارایی‌ها

X4 = بدهی های جاری / دارایی های جاری

X5 = 1= اگر کل بدهی‌ها> کل دارایی‌های باشد در غیر این صورت 0 است.

X6 = درآمد خالص / کل دارایی‌ها

X7 = وجوه حاصل از عملیات / کل بدهی‌ها

X8 =1 {1 در صورتی که درآمد خالص برای دو سال قبل منفی باشد و در غیر این صورت 0 است}

X9  X9 == (Nit-Nit-1)/(I 1- INIt + INItI ), که Nit = درآمد خالص برای مدت اخیر و t تعداد سال‌هاست.

همانند آلتمن (1968) برخی از پیش‌بینی‌کننده‌ها (X1 تا X6) انتخاب شدند.

-       مدل اسمایوسکی[6]: پژوهش تأثیرگذار اسمایوسکی (1984) تا حدودی مبتنی بر پژوهش اولسون (1980) بود که از آن به عنوان «مدل پروبیت» نام برده می‌شود. این نام، مربوط به روش آماری آنالیز پروبیت است. همانند رگرسیون لوجیت، آنالیز پروبیت یک نوع از رگرسیون است که متغیر وابسته تنها می‌تواند دو مقدار (درماندگی مالی/ غیردرماندگی مالی) را در نظر گیرد. هدف این مدل، مشابه با آلتمن و اولسون برآورد احتمال پیش‌بینی درماندگی مالی شرکت است. مدل پروبیت، از نوع مدل طبقه‌بندی دودویی است که احتمالات بیشتر از 2/1 را برآورد می‌کند. مدل اسمایوسکی، مجموعه‌ای از متغیرهای مستقل و همچنین داده‌های حسابداری را در نظر می‌گیرد. او در کار خود، از سه متغیر استفاده کرد و بیان کرد که باید درماندگی مالی را پیش‌بینی کنند. این متغیرها عبارتند از: درآمد خالص/کل دارایی‌ها، کل بدهی‌ها/کل دارایی‌ها و دارایی‌های جاری/ بدهی‌های جاری (گریتسن، 2015) مدل اسمایوسکی به شرح ذیل است:

(معادله شماره 5)                   Zmijewski=04.3-4.5X1+5.7X2+.004X3    

X1= درآمد خالص / کل دارایی‌ها

X2= کل بدهی‌ها/کل دارایی‌ها

X3= دارایی‌های جاری/بدهی‌های جاری

نتیجه‌گیری مدل‌های پیش‌بینی درماندگی مالی مبتنی بر حسابداری

پیش‌بینی درماندگی مالی با نسبت‌های مالی برای چندین دهه بررسی شده اسـت و نسـبت،های مختلف مالی و روش‌های مختلف برای پیش‌بینی درماندگی مالی و بـه‌دسـت آوردن مـدل دقیـق استفاده شده است (کینر[7]، 2013). اکثر مدل‌های پیش‌بینی درمانـدگی مـالی از تکنیـک نمونـه زوجـی استفاده می‌کنند که بدین معنی است که تعداد شرکت‌های درمانده و شـرکت‌هـای غیـردرمانـده، برابـراست. نسبت‌های مالی بر اساس اطلاعات مالی که قبل از درماندگی مالی شرکت‌هـا در دسـترس بـوده است، محاسبه می‌شود. آلتمن (1968) پنج متغیر مالی را انتخاب کرد و مدل او درماندگی مالی را به‌طور درست برای 95 درصد از شرکت‌ها طبقه‌بندی کرد. بنابراین آلتمن (1968) مدلی با دقت پیش‌بینی بـالا داشت. اولسون(1980) یک مدل لوجیتپیشنهاد داد که پیشگام تحلیل لوجیت برای پیش‌بینی شکست کسب و کار بود. اولسون (1980) با آنالیز تشخیصی به دلیل نیاز به یک مـاتریس کوواریـانس واریانس عینی برای شرکت‌های درمانده و غیرورشکسته و همچنین به دلیـل اینکـه در MDA نیـاز بـه پیش‌بینی‌کننده‌های توزیع‌یافته معمـولی وجـود داشـت، موافـق نبـود. اولسـون (1980) از رگرسـیون لوجستیک در یک نمونه بزرگ استفاده کرد و داده‌های مربوط به 105 شرکت درمانـده و 2058 شـرکت غیردرمانده را مورد استفاده قرار داد. او در کار خود به این نتیجه دست یافت کـه چهـار فـاکتور آمـاری معنی‌دار (که در کل شامل 9 متغیر مختلف بودند) برای شناسایی احتمـال درمانـدگی مـالی عبارتنـد از: اندازه شرکت، اندازه‌گیری عملکرد، اندازه‌گیری ساختار مـالی و انـدازه‌گیـری نقـدینگی جـاری. مـدل رگرسیون لوجیت یک سال قبل از شکست، دقت طبقه‌بندی بالایی داشت یعنـی96 درصد از شـرکت‌هـا بـه‌درستی طبقه‌بندی شدند (لین[8]، 2017). به طور کلی می‌توان بیان داشت که بسیاری از محققان دیگر، پس از مطالعات تأثیرگذار بالا، مطالعات مشابهی انجام دادند.

 

مدل‌های پایه پیش‌بینی درماندگی مالی مبتنی بر بازار

دو مدل برای پیش‌بینی درماندگی مالی (مبتنی بر حسابداری و مبتنی بر بازار) وجود دارد. دومین جریان یعنی مدل‌های پیش‌بینی درماندگی مالی، مبتنی بر بازار شامل متغیرهای بازار است در حالی که جریان اول تنها شامل متغیرهای حسابداری می‌باشد. طرفداران مدل‌های مبتنی بر بازار ادعا می‌کنند که متغیرهای مبتنی بر بازار، دلایل مختلفی برای ارزشمندبودن این متغیرها در پیش‌بینی درماندگی مالی دارند. یکی از این دلایل، دسترسی به داده‌های مالی است، متغیرهای مبتنی بر بازار، به‌طور روزانه در دسترس هستند، در حالی که متغیرهای مبتنی بر حسابداری سه ماهه یا گاهی اوقات حتی سالانه، در دسترس قرار می‌گیرند. تعداد مطالعات انجام گرفته در زمینه مدل‌های پیش‌بینی درماندگی مالی مبتنی بر بازار، کمتر از مطالعات انجام‌شده در راستای مدل‌های مبتنی بر حسابداری است. بنابراین مطالعات بر تأیید اعتبار کیفیت مدل پیش‌بینی درماندگی مالی، مبتنی بر بازار محدود هستند. بیشتر مطالعات در این زمینه، مطالعاتی را بین این مدل‌های احتمالی و مدل‌های قدیمی مبتنی بر حسابداری، مقایسه می‌کنند. در ادبیات پژوهش، دو مدل مبتنی بر بازار وجود دارد که مدل‌های اصلی نامیده می‌شوند. این مدل‌های عبارتند از: مدل مخاطره شاموی (2001)و مدل پایه‌ای قیمت‌گذاری اختیاری هیلگیست و همکاران[9] (2014) (انجم[10]، 2018) که به شرح ذیل هستند:

-       مدل مخاطره شاموی[11]: در مدل مخاطره زمان گسسته شاموی (2001) تلاش شده است با استفاده از متغیرهای حسابداری و بازار به پیش‌بینی درماندگی مالی پرداخته شود. شاموی (2001) دریافت که متغیرهای مبتنی بر حسابداری در مطالعات قبلی و در زمینه پیش‌بینی درماندگی مالی، قابل توجه نیستند؛ بنابراین او داده‌های مبتنی بر بازار را در نظر گرفت که از نظر او پیش‌بینی‌کننده‌های بهتر درماندگی مالی هستند. شاموی اظهار داشت که مدل‌های مبتنی بر بازار این واقعیت را که شرکت‌ها درطول زمان تغییر می‌کنند نادیده گرفته است. بنابراین، طبق نظر وی، مدل‌های استاتیک جانبدارانه هستند و برآوردهای متناقض ایجاد می‌کنند. آماره آزمونکه مبتنی بر مدل‌های استاتیک است، نتیجه‌های نادرستی را ارائه می‌دهد (شاموی، 2001). او خطر پیش‌بینی مدل‌های استاتیک را مقایسه کرده و هم مدل مخاطره و هم مدل استاتیک را برآورد کرده است و دقت نمونه‌های آنها را بررسی می‌کند.

نمونه نهایی شامل 300 درماندگی مالی بین سال‌های 1962 و 1992 بود. نتیجه، یک مدل درماندگی مالی جدید بود که از سه متغیر مبتنی بر بازار برای شناسایی شرکت‌های درمانده استفاده کرده است: 1- اندازه بازار شرکت 2- بازده سهام گذشته آن شرکت و 3- انحراف استاندارد ویژه بازده سهام آن شرکت. این متغیرهای مبتنی بر بازار، همراه با دو نسبت حسابداری ترکیب شده‌اند که در راستای پیش‌بینی درماندگی مالی شرکت‌ها در آزمون نمونه‌ها دارای دقت بسیار بالایی هستند (گریتسن، 2015).

-      مدل پایه‌ای قیمت‌گذاری اختیاری هیلگیست و همکاران: مطالعه تأثیر گذار دیگری که در زمینه پیش‌بینی درماندگی مالی انجام گرفت مطالعه هیلگیست و همکاران (2014) بود. آنها یک اندازه‌گیری احتمال درماندگی مالی مبتنی بر بازار را توسعه دادند که مبتنی بر مدل قیمت‌گذاری اختیاری بلک- شولز- مرتوناست و آن راBSM-Probنامیدند. مدل قیمت‌گذاری اختیاری BSM را در سال 1973 فیشر بلک، میرون شولز و رابرت مرتونتوسعه دادند. مطالعه هیلگیست و همکاران (2014) محتوای اطلاعات نسبی مربوط به اندازه‌گیری احتمال درماندگی مالی را براساس مدل‌های آلتمن (1968)، اولسون (1980) و بلک- شولز- مرتون مقایسه کرد. آنها از یک پایگاه داده‌های جام در زمینه درماندگی مالی و روش‌شناسی میزان خطر گسسته استفادهکردند. نمونه، شامل 65960 شرکت بود که از سال 1979 تا سال 1997، 516 شرکت درمانده شدند. به طور کلی، نتایج آنها نشان داد که BSM-Prob مبتنی بر بازار نسبت به مدل‌های مبتنی بر حسابداری، اطلاعات قابل‌توجهی در مورد احتمال درماندگی مالی ارائه می‌دهد (هیلگیست و همکاران ،2014).

تکنیک‌های ریاضی مورد استفاده در پیش‌بینی درماندگی مالی

در این بخش به بررسی و معرفی این تکنیک‌ها و همچنین بیان ویژگی‌ها و محدودیت‌های اصلی مرتبط با آنها پرداخته شده است. فرض اساسی اغلب مطالعات پیش‌بینی درماندگی مالی این است که می‌توان شرکت‌ها را در دو گروه، طبقه‌بندی کرد: الف- شرکت‌های دارای سلامت مالی ب- شرکت‌های دارای پریشانی مالی. بر این اساس شرکت‌ها را می‌توان توسط متغیر تصنعی (y) طبقه‌بندی کرد:

 

1-      تکنیک‌های آماری

2-      تکنیک‌های هوش مصنوعی

3-      تکنیک‌های تئوریک.

الگوریتم‌های (درخت‌های تصمیم) طبقه‌بندی بازگشتی

الگوریتم طبقه‌بندی بازگشتی (RPA) تکنیکی ناپارامتریک برای گروه‌بندی داده‌ها است. این روش با نمونه‌ای از شرکت‌ها، ویژگی‌های مالی آنها، گروه‌های واقعی، احتمال‌های پیشین و هزینه طبقه‌بندی ناصحیح آغاز می‌شود. در این روش، یک درخت طبقه‌بندی دو ارزشی ساخته می‌شود که در آن به هر گره یک قاعده طبقه‌بندی، اختصاص می‌یابد. معمولاً هر قاعده، یک نسبت مالی معین است و یک نقطه انقطاع که هزینه طبقه‌بندی اشتباه را برای شرکت‌ها حداقل می‌کند به آن اختصاص می‌یابد. پس از آن که درخت طبقه‌بندی ساخته شد، ریسک گره‌های نهایی و ریسک کل درخت محاسبه می‌شود. برای طبقه‌بندی هر شرکت جدید، شرکت بر درخت فرد می‌آید و روی یک گره نهایی که مشخص‌کننده عضویت گروه برای یک شرکت خاص و احتمال منتسب به آن است می‌نشیند. هدف این مطالعه، معرفی الگوریتم طبقه‌بندی بازگشتی برای پیش‌بینی ناتوانی تجاری و مقایسه نتایج آن با نتایج حاصل از مدلMDA  بود. در این تحقیق، نمونه‌ای متشکل از 58 شرکت صنعتی درمانده و 142 غیردرمانده طی سال‌های 1981-1971 به صورت تصادفی انتخاب شدند. در این تحقیق، دو درخت طبقه‌بندی الگوریتم و طبقه‌بندی بازگشتی و دو مدل MDA ساخته و مقایسه شد. نتایج و راندمان درختان الگوریتم طبقه‌بندی بازگشتی                                                             

در این مطالعه بسیار مطلوب بود. به هر حال مقایسه مستقیم نتایج الگوریتم طبقه‌بندی بازگشتی با نتایج مدل‌های MDA به سادگی امکان‌پذیر نبود، در حالی MDA که سیستم امتیازدهی پیوسته‌ای را به‌وجود می‌آورد، الگوریتم طبقه‌بندی بازگشتی گروه‌هایی از ریسک را برای ناتوانی تجاری فراهم می‌آورد. طبقه‌بندی بازگشتی، ویژگی‌های هر دوی روش‌های تک‌متغیره و روش‌های چندمتغیره است. طبقه‌بندی در یک گروه، بر اساس قاعده‌ای یک متغیره (اگر چه قواعد در شکل ترکیب خطی ویژگی‌های مالی نیز می‌تواند به یک گره اختصاص یابد) صورت می‌گیرد. از طرف دیگر، در این روش، از رشته‌گره‌ها یعنی زنجیره‌ای از نسبت‌های مالی برای طبقه‌بندی یک شرکت استفاده می‌کند (کومار و راوی ، 2007).

 

 

جدول 3. مدل‌های آماری پیش‌بینی درماندگی مالی بر اساس روش لوجیت

دقت طبقه‌بندی مدل

اندازه نمونه

متغیرهای معنی‌دار آماری

داده‌ها

نویسندگان

 

1 سال قبل- 12/96 درصد

2 سال قبل- 55/95 درصد

115 شرکت درمانده و 2158

7 متغیر: اندازه شرکت، کل بدهی‌ها/ کل

 

اولسون (1981)

 

شرکت غیردرمانده

دارایی‌ها، درآمد خالص/کل دارایی‌ها، دارایی‌های ثابت به کل بدهی‌ها، سرمایه در گردش/کل دارایی‌ها، دارایی‌های جاری/مسئولیت جاری

1976-1971

 

-

45 شرکت درمانده و 45 شرکت غیردرمانده

7 متغیر: کل درآمد/کل سرمایه، فروش/ارزش خالص دارایی‌ها، موجودی/فروش، بدهی/کل سرمایه، مطالبات/موجودی، دارایی‌های آتی (سری) /بدهی‌های جاری، جریان نقدی/ دارایی‌های کل

1978-1972

زاوگرن (1985)

به طور کلی: 88 درصد، 86 درصد، 87 درصد، 85 درصد، 83 درصد (1-5 سال قبل از درماندگی مالی)

61 شرکت درمانده و 231 شرکت غیردرمانده

6 متغیر: جریان نقدی/ کل دارایی‌ها، دارایی‌های جاری/ کل دارایی‌ها، دارایی‌های جاری/ بدهی‌های جاری، فروش /دارایی‌های جاری، درآمد خالص/ کل دارایی‌ها و کل بدهی‌ها/حقوق صاحبان سهام و سه نسبت جریان نقدی عملیاتی

1982-1971

کیسی و بارتژاک (1985)

در مجموع: 8/91 درصد، 7/84 درصد، 6/78 درصد، 2/81 درصد، 8/9 درصد (1-5 سال قبل از درماندگی مالی)

49 شرکت درمانده و 49 شرکت غیردرمانده

6 متغیر: جریان نقدی عملیاتی، ارزیابی مالیات شرکت، جریان نقدی وام‌دهنده، سرمایه‌گذاری خالص در سرمایه‌گذاری بلندمدت، پول نقد مورداستفاده برای تغییر نقدینگی، جریان‌های نقدی سهامداران

1982-1971

عزیز و همکاران (1988)

برآورد خطاهای کلی نمونه: 47 (1/18 درصد) خطای احتمالی درماندگی مالی/درماندگی: 26 (7/21 درصد)

75 شرکت درمانده و 314 شرکت غیردرمانده

6 متغیر: جریان نقدی/ کل دارایی‌ها، درآمد قبل از سود و مالیات/ کل دارایی‌ها، جریان نقدی عملیاتی/کل بدهی‌ها ،جریان نقدی عملیاتی/ بدهی‌های جاری، حقوق صاحبان سهام/کل بدهی‌ها، درآمد انباشته/ کل دارایی‌ها

1983-1974

گیلبرت و همکاران (1991)

در کل: 91 درصد

114 شرکت (57   شرکت درمانده، 57 غیردرمانده)

7 متغیر: چهار نسبت مالی: جریان نقدی به فروش، دارایی‌های ثابت- خالص به کل دارایی‌ها، کل بدهی به کل دارایی‌ها، بدهی کوتاه‌مدت به کل بدهی؛ یک نسبت عملیاتی (رشد فروش) و تغییر درصد در بازده صنعتی که به‌طور متقابل بر دو نسبت مالی تاثیر می گذارند

1976-1972

پلت و پلت (1991)

برای ایالات متحده: میانگین ارزش 87 درصد

برای کشورهای عضو گروه هفت: میانگین ارزش 83 درصد

برای ایالات متحده: 17439 شرکت غیردرمانده و 721 درمانده؛ برای کشورهای عضو گروه هفت 14514 شرکت غیردرمانده و 1188 شرکت درمانده

3 متغیر: سودآوری، هزینه‌های مالی،

درآمد انباشته

2012-1991

پیندادو و همکاران (2018)

1/743=AUC

برآورد نمونه شامل داده‌های 2612563 شرکت غیردرمانده و 38215 شرکت درمانده است.

4 متغیر: سرمایه در گردش/کل دارایی‌ها، درآمد انباشته/کل دارایی‌ها، درآمد قبل از سود و مالیات/کل دارایی‌ها، ارزش دفتری حقوق صاحبان سهام/کل بدهی‌ها

2017-2011

آلتمن و همکاران (2016)

             

انواع تکنیک‌های هوش مصنوعی

استدلال مبتنی بر موضوع

استدلال مبتنی بر موضوع، یک مسئله طبقه‌بندی جدید را به کمک مسائل حل شده قبلی حل می‌کند. برنامه‌ها می‌توانند مستقیماً برای پیش‌بینی درماندگی مالی با کاربرد فرایند چهار مرحله‌ای خود به‌کار روند: 1- تشخیص مسئله جدید 2- بازیابی مسائل حل شده از (مخزن مسائل) 3- تطبیق مسائل حل‌شده به‌منظور یافتن راه‌حلی برای مسئله جدید 4- ارزیابی راه‌حل پیشنهاد شده و ذخیره در مخزن مسائل برای کاربردهای آتی. یک روش استدلال قیاسی است که مسائل را با بسط تجربیات یا مسائل حل‌شده قبلی به یک مسئله حل‌نشده جدید حل می‌کند و در مواجهه با مسئله جدید، موارد مشابه ذخیره‌شده در پایگاه‌های داده را بازیابی می‌کند و آنها را با مسائل مناسب تطبیق می‌دهد. به هر حال مدل‌های در مقایسه با روش‌های آماری و سایر روش‌های مبتنی بر هوش مصنوعی نتوانسته‌اند از نظر دقت پیش‌بینی به برتری دست یابند (کومار و راوی،2007).

شبکه‌های عصبی مصنوعی

شبکه‌های عصبی مصنوعی (ANN) ابزار مدل‌بندی انعطاف‌پذیر و غیرپارامتریک هستند. آنها می‌توانند هر تاب پیچیده‌ای را با دقت مورد نظر اجرا کنند. یک شبکه عصبی مصنوعی، نوعاً از چندین لایه متشکل از تعداد زیادی عناصر محاسبه‌گر ساخته شده است که این عناصر محاسبه‌گر را اصطلاحاً گره می‌نامند. هر گره، یک سیگنال ورودی از دیگر گره‌ها یا ورودی‌های خارجی، دریافت می‌کند و پس از پردازش سیگنال‌ها به صورت محلی به‌واسطه یک تاب تبدیل، یک سیگنال تبدیل‌شده به گره دیگر یا نتیجه نهایی، ارسال می‌کند. ANNها به‌واسطه ساختار شبکه‌ها، تعداد لایه‌ها، تعداد گره‌ها در هر لایه و چگونگی اتصال لایه‌ها، دسته‌بندی می‌شوند. یکی از رایج‌ترین ANNها پرسپترون چند لایه‌ای (MLP) است که در آن، تمام گره‌ها و لایه‌ها به صورت پس‌انتشار مرتب شده‌اند. نخستین یا پایین‌ترین لایه، لایه ورودی نامیده می‌شود که در آن، اطلاعات خارجی دریافت می‌شود. آخرین یا بالاترین لایه، لایه خروجی نامیده می‌شود؛ جایی که شبکه مدل، راه‌حل را ایجاد می‌کند. در این بین، یک یا چند لایه مخفی وجود دارد که برای ANNها در تشخیص الگوهای پیچیده موجود در داده‌ها ضروری است. تمامی گره‌ها در لایه‌های هم‌جوار با استفاده از کمانی غیرحلقه‌ای به لایه‌های بالاتر اتصال داده شده‌اند. این MLP سه لایه‌ای از رایج‌ترین ساختارها برای مسائل طبقه‌بندی دو گروهی نظیر پیش‌بینی درماندگی مالی است (اردوگان و همکاران[12]، 2017).

    در واقع یک شبکه عصبی ممکن است احتمال وابستگی مشاهدات به طبقه ارائه‌شده و بعد از آن، احتمال وابستگی شرکت به گروهی از شرکت‌های شکست‌خورده را محاسبه کند. شبکه عصبی مورد استفاده در مطالعه دوجاردین[13] (2017) شبکه آینده‌نگراست که می‌تواند به عنوان یک نمودار مستقیم و بدون منحنینشان داده شود که هر بردار، مطابق با یک عصب است. این فرایند معمولاً از سه لایه عصبی تشکیل شده است که یکی از آنها خواستار انجام طبقه‌بندی شده است: لایه ورودی، لایه پنهانو لایه خروجی برای طبقه‌بندی مشاهدات استفاده می‌شوند. عصب‌های هریک از لایه‌ها با تمامی عصب‌های مربوط به لایه قبلی یا بعدی، در ارتباط است و یک رابطه وزنی نشان داده می‌شود. هر عصب، در لایه‌های پنهان و لایه‌های خروجی، بازده خود را با استفاده از یک مجموع وزنی ورودی‌های آن و یک تاب فعال‌شده محاسبه می‌کند که غالباً تانژانت هذلولی‌گونیا تاب رگرسیون می‌باشد (دوجاردین ،2017). خروجی یک عصب به شکل زیر ارائه شده است:

(معادله شماره 6)                                                 

 

که در این جا w0j  اریب مرتب با عصب j است،nj تعداد عصب‌های مرتبت با عصب j است، wij  وزن بین عصب j و عصب‌های مربوط به لایه‌های قبلی است، xi خروجی عصب‌های مربوط به لایه‌های قبلی و f تاب فعال شده عصب‌ها می‌باشد.

ماشین شبکه عصبی (ELM)

ماشین شبکه عصبی (ELM) یک ماشین شبکه عصبی تکنیک بهینه‌سازی استفاده‌شده در طول فرایند یادگیری شبکه عصبی است همانند جریانی که در شبکه‌های تعمیم‌یافته فیدفوروارد با تک‌لایه ارائه شده است. با توجه به این تکنیک، وزن‌های موجود میان لایه ورودی و لایه پنهان، به‌طور تصادفی، به‌دست آمدند اما وزن‌های میان لایه پنهان و لایه خروجی از راه تجزیه و تحلیل برآورد شدند. این برآورد تنها زمانی ممکن می‌شود که تاب فعال عصب به‌طور نامحدود، مشتق‌پذیر باشد. این روش، به‌طور گسترده، سری‌تر از تکنیک‌های بهینه‌سازی عادی استفاده‌شده برای برآورد وزن شبکه‌های تعمیم‌یافته فیدفوروارد با تک لایه عمل می‌کند و سبب طراحی مدل‌هایی می‌شود که قابلیت تعمیم بهتری نسبت به مدل‌های شبکه‌های تعمیم‌یافته فیدفوروارد با تک لایه دارد که با روش‌های قدیمی برآورد شده‌اند (ایر و مورتی،[14] 2015).

الگوریتم ژنتیک

در دهه هفتاد میلادی، دانشمندی از دانشگاه میشیگان به نام جان هلند،ایده استفاده از الگوریتم ژنتیک را در بهینه‌سازی مهندسی مطرح کرد. ایده اساسی این الگوریتم، انتقال خصوصیات مورثی توسط ژن‌هاست. الگوریتم ژنتیک، یک روش جستجوی احتمالی است که از شبیه‌سازی تکامل زیستی و طبیعی استفاده می‌کند. الگوریتم ژنتیک با به‌کارگیری اصل بقای برترین‌ها برای تولید تخمین‌های هر چه بهتر یک جواب (کروموزوم‌ها) روی جمعیتی از جواب‌های بالقوه عمل می‌کند.

گام‌های اصلی برنامه‌ریزی ژنتیک را می‌توان به صورت زیر خلاصه کرد:

1) به صورت تصادفی یک جمعیت اولیه از قواعد، نشان‌دهنده راه‌حل‌های بالقوه برای پیش‌بینی گروه‌های شرکت‌های درمانده و غیردرمانده ایجاد می‌شود.

2) هر قاعده ایجادشده برای مجموعه آموزشی، با استفاده از تاب برازش، ارزش‌گذاری می‌شود.

3) برخی قواعد بر اساس ارزش‌گذاری انجام شده در مرحله قبل برای انجام مکانیسم تولیدمثل انتخاب می‌شوند.

4) عملگرهای تقاط، تولیدمثل و جهش برای ایجاد قواعد جدید، بر قواعد فعلی اعمال می‌شود.

5) این فرزندان جدید برای ایجاد جمعیت جدید انتخاب می‌شوند.

6) گام‌های (3) تا (6) تا زمانی که یک قاعده طبقه‌بندی (پیش‌بینی درماندگی مالی) مناسب یافت شود یا حداکثر تعداد تولیدمثل که از پیش تعیین شده است حاصل گردد، تکرار می‌شود.

7) گام‌های (2) تا (7) تا زمانی که یک قاعده برای هر یک از گروه‌ها در مجموعه داده‌ها مشخص شود، تکرارمی‌شود.

هر شرکت در مجموعه آموزشی و آزمایشی تنها و تنها به یک گروه (درمانده یا غیردرمانده) انتصاب می‌یابد. تاب برازش: هر جمعیت از قواعد توصیف‌کننده گروه هر شرکت تشکیل شده است؛ یعنی مجموعه‌ای از مجموعه شرایطی بر ویژگی‌های اهداف طبقه‌بندی. برای تمامی مسائل طبقه‌بندی به‌منظور اعمال تاب برازش خاص الگوریتم‌های یادگیرنده باید ارزش ایجاد شده توسط مدل را به «0» یا «1» با استفاده از ارزش آستانه‌ای، تبدیل کند. اگر ارزش ایجاد شده توسط مدل، مساوی یا بزرگ‌تر از ارزش آستانه‌ای باشد، آن‌گاه شرکت در گروه «1» (درمانده) طبقه‌بندی می‌شود و بالعکس، توابع برازش مختلفی وجود دارد که می‌توان از آنها برای ارزش‌گذاری عملکرد قواعد ایجاد شده استفاده کرد. به طور مثال: تعداد موفقیت، حساسیت اقتصادی بودن، مربع خطاهای نسبی، میانگین مربع خطاها و غیره.

میزان کاربرد هر یک از تکنیک‌ها در مدل‌بندی پیش‌بینی درماندگی مالی

با تعیین اهمیت تکنیک‌های آماری در پیش‌بینی درماندگی مالی، طبیعی است که مدل‌های آماری، به‌صورت گسترده‌ای، مورد استفاده قرار گیرند. اما تمامی مدل‌های تحلیل تشخیصی چندگانه، لوجیت و پروبیت به شکلی، در مسئله مفروضات محدودکننده معضلاتی دارند و عملکرد پیش‌بینی آنها در واقعیت، کمی متفاوت است. نقض مفروضات مدل احتمال خطی (LPM) در عمل و فقدان مجموعه داده‌های مورد نیاز در روش‌های مجموع تجمعی و مدل‌های تعدیل ناقص باعث شده است تا این مدل‌ها در عمل دارای ارزش بسیار زیادی نباشند. بر این اساس در 64 درصد پروژه‌های پیش‌بینی درماندگی مالی از مدل‌های آماری استفاده شده است. پس از آن مدل‌های هوش مصنوعی و مدل‌های تئوریک به ترتیب در 25 و 11 درصد مطالعات استفاده شده‌اند (فرج‌زاده، 1397).

تحلیل پوششی داده‌ها و روش مالم‌کوئیست مروری بر تحلیل پوششی داده‌ها (DEA)

در این بخش، مبانی نظری در خصوص روش‌ها و شاخص‌های اندازه‌گیری کارایی و نیز شاخص مالم‌کوئیست، بررسی می‌شود. روش تحلیل پوششی داده ها که به اختصار DEA نامیده می شـود برای ارزیابی کارایی واحد های تصمیم گیری یاDMU ها به‌کار می‌رود. فرض اصلی در این روش این است که هر واحد تصمیم‌گیری دارای تعدادی ورودی (منابع داده‌ای) برای تولیـد خروجـی‌هـا اسـت. افزایش تولید از دو طریق، افزایش در عوامل تولید و استفاده بهتر از آنها با اتخاذ مـدیریت مناسـب بـرمبنا و به‌کارگیری روش‌های جدیدتر در ترکیب آنها قابل حصول است. یکی از راه‌های بهینـه‌سـازی ترکیب عوامل تولید، توجه به مقوله کارایی و بهره‌وری است. کارایی و بهره‌وری، معیارهایی هستند کـه به کمک آنها می‌توان به‌طور مستمر، شرایط موجود را بهبود ببخشید. قـدم ابتـدایی در چرخـه بهبـود کارایی و بهره‌وری، اندازه‌گیری است. اندازه‌گیری کارایی و بهره‌وری به‌عنوان یک سیستم بسترسـاز، شرایطی را فراهم می‌آورد تا تصمیم‌گیران دریابند در چه وضعیتی قرار دارند و برای بهبود شرایط فعلی اقدام به برنامه‌ریزی کنند (امامی میبدی و همکاران، 1393). امروزه، فنون جدیدی برای ارزیابی عملکرد و استفاده می‌شود که یکی از کاربردی‌تـرین آنهـا تکنیـک تحلیل پوششی داده‌ها است. تکنیک تحلیل پوششـی داده‌هـا مبتنـی بـر رویکـرد برنامـه‌ریـزی خطـی ناپارامتریک است که کارایی نسبی واحدهای تصمیم‌گیرنده مشابه در سازمان هایی که چندین خروجی را با کمک یکدیگر با چندین مقایسه ورودی تولید می نماید، محاسبه می‌نماید.

بحث و نتیجه‌گیری

پیش‌بینی ریسک ورشکستگی مالی شرکت‌ها یکی از مهم‌ترین موضوعات در حوزه تصمیم‌گیری مالی است که با توجه به اهمیت آثار و نتایج آن در سطح جهان، ابزارها و مدل‌های متنوعی که هرکدام از نظر متغیرهای پیش‌بینی‌کننده و تکنیک‌ها متفاوت هستند، ارائه شده است. اهمیت استفاده از مدل‌ها و تکنیک‌های مناسب، از آن جهت است که باید مطابق با شرایط بازار سرمایه هر کشور تعیین گردد. به دلیل اهمیت پیش‌بینی ریسک ورشکستگی مالی با دقت بالاتر در بازار سرمایه ایران در این تحقیق، پیش‌بینی با استفاده از مدل ترکیبی (متغیرهای حسابداری و بازاری) و تکنیک شبکه‌های عصبی (مدل MLP) صورت پذیرفت. در این پژوهش، از دو نمونه آماری شامل 31 شرکت ورشکسته و 59 شرکت غیرورشکسته پذیرفته‌شده در بورس اوراق بهادار تهران طی سال‌های 1397 -1391 استفاده شد و 8 متغیر حسابداری و بازاری به عنوان متغیر مستقل به کاربرده شد. همچنین از نسبت کیوتوبین ساده به عنوان متغیر وابسته استفاده گردید. نتایج این پژوهش حاکی از آن است که مدل ترکیبی (کاربرد هم‌زمان داده‌های حسابداری و بازاری) با استفاده از تکنیک شبکه عصبی، نسبت به هرکدام از دو مدل حسابداری و بازاری از دقت بالاتر در پیش‌بینی ریسک ورشکستگی مالی برخوردار است. همچنین، مدل بازاری نیز دقت بیشتر نسبت به مدل حسابداری دارد؛ بنابراین، نتایج پژوهش حاضر با نتایج تحقیق شاموی (2001) از نظر دقت بالای مدل ترکیبی (داده‌های حسابداری و بازاری) برای پیش‌بینی ریسک ورشکستگی، با مطالعه سان و همکاران[15] (2017) از نظر تأثیر مثبت استفاده از مدل ترکیبی (داده‌های حسابداری و بازاری) در پیش‌بینی احتمال ورشکستگی، با نتایج پژوهش اناکویا[16] (2018) در خصوص عملکرد بهتر مدل ترکیبی (داده‌های حسابداری و بازاری) نسبت به کاربرد جداگانه هرکدام از مدل‌ها در پیش‌بینی ورشکستگی مطابقت دارد. علاوه بر این، یافته‌های این پژوهش با نتایج تحقیقات داخلی مانند پایان‌نامه طاهری (1391) در خصوص دقت بالای مدل ترکیبی شاموی در طبقه‌بندی شرکت‌های ورشکسته و با نتایج تحقیق قنبری (1390) در خصوص مؤثرتر بودن داده‌های بازاری نسبت به داده‌های حسابداری در پیش‌بینی ریسک ورشکستگی و با نتایج پایان‌نامه شاهوردیانی (1394) از نظر توان بالای پیش‌بینی مدل ترکیبی در مقایسه با مدل حسابداری، سازگار است. به سرمایه‌گذاران، تحلیلگران مالی، بانک‌های تأمین سرمایه، شرکت‌های سرمایه‌گذاری و کارگزاران بورس اوراق بهادار تهران پیشنهاد می‌شود برای ارزیابی وضعیت مالی شرکت‌های ایرانی و تصمیم‌گیری در ارتباط با سرمایه‌گذاری خود از این مدل استفاده کنند. همچنین استفاده از این مدل توسط سازمان بورس اوراق بهادار برای پذیرش شرکت‌ها در بورس کمک می‌کند تا شرکت‌های موردبررسی با دقت بیشتری مورد ارزیابی و سنجش قرار گیرند. در حوزه تحقیقاتی، به دلیل توانایی بالای شبکه‌های عصبی در پیش‌بینی ریسک ورشکستگی، برای پژوهش‌های آتی نیز استفاده از تکنیک‌های دیگر مبتنی بر هوش مصنوعی مانند شبکه عصبی پایه‌ای شعاعی یا الگوریتم ژنتیک، پیشنهاد می‌گردد.

از شکل 1 نیز مشخص است که در حالت ترکیبی، برای هرکدام از 10 نمونه پیش‌بینی، خط مربوطه، کمترین فاصله را از اعداد واقعی دارد و سپس مدل با ورودی متغیرهای بازاری و در آخر، مدل با ورودی متغیرهای حسابداری قرار دارند.

 
   

شکل 1. مقایسه اختلاف پیش‌بینی هرکدام از شبکه‌ها از داده‌های واقعی

جدول 4. خلاصه وضعیت فرضیه‌های پژوهش

وضعیت فرضیه

شرح فرضیه

فرضیه

رد

قبول

 

*

دقت پیش‌بینی ریسک ورشکستگی مدل ترکیبی، بیشتر از مدل‌های متکی به نسبت‌های حسابداری است.

فرضیه اول

 

*

دقت پیش‌بینی ریسک ورشکستگی مدل ترکیبی، بیشتر از مدل‌های متکی به متغیرهای بازارمحور است.

فرضیه دوم

 

نتایج حاصل از آزمون فرضیه‌ها نشان داد که مدل ترکیبی در مقایسه با دو مدل، با کاربرد متغیرهای بازاری و حسابداری، قادر به پیش‌بینی دقیق‌تر ریسک ورشکستگی مالی در بورس اوراق بهادار تهران است. در نهایت، نتایج آزمون فرضیه‌های پژوهش طبق جدول 4 خلاصه شده‌اند.

نکته جالب در مورد نتایج پژوهش حاضر، دقت بیشتر مدل با کاربرد متغیرهای بازاری نسبت به مدل با کاربرد متغیرهای حسابداری است.



[1] Du & Lai

[2] Li

[3] Gerritsen

[4] Olson

[5] Fisher

[6] Zmijewski

[7] Keener

[8] Lääne

[9] Hillegeist

[10] Anjum

[11] Shumway

[12] Erdoğan

[13] du Jardin

[14] Iyer & Murti

[15] Sun

[16] Onakoya

  1.  

    1. Ismaili, Eileen. (2018) Computational Intelligence Tools for Bankruptcy and Financial Crisis Prediction, M.Sc. Thesis, Faculty of Management, University of Tehran.
    2. Yousefi Nejad Attari, Mehdi; Sattari, Samin; Khalilpour, Zohreh (2018). Identify and rank risk factors of knowledge-based companies using a combination of multi-criteria decision-making techniques. Carafe Magazine, No. 43 Spring 2018, pp. 33-46
    3. Mustafa, Qanad and Lari Dasht Bayaz, Mahmoud (2017). Risk management in Islamic financial instruments. Carafe Magazine, No. 41 Spring and Summer 2017, pages 15 to 31
    4. Ismaili, Soheila and Goghardchian, Ahmad. (2018) Predicting Financial Bankruptcy Using Cash Flow Statement: An Artificial Neural Network Approach, Quarterly Journal of Financial Engineering and Securities Management, Article 6, Volume 9, Number 25, Winter 2018, pp. 69-96.
    5. Taheri, Seyedeh Maryam. (2012) Designing a Conceptual Model for Predicting the Failure Behavior and Success of Medium and Small Project-Based Companies Using Dynamic Systems Model with Financial Approach, M.Sc. Thesis, Faculty of Management, University of Tehran.
    6. Rezaei. Fatemeh. (2018) The use of artificial neural networks in predicting corporate bankruptcy using corporate governance mechanisms and financial ratios, M.Sc. Thesis, Faculty of Management, Shahid Beheshti University
    7. Najarzadeh, Yokabed. (2018) Presenting an Approach to Predicting the Financial Crisis Using the Malmquist Index (Data Envelopment Analysis) Master’s Thesis, Faculty of Humanities, Allameh Tabatabaei University
    8. Ismailzadeh Moghari, Ali and Shakeri, Hajar. (2015). Predicting the financial distress of companies listed on the Tehran Stock Exchange using a simple Bayesian network and comparing it with data envelopment analysis, Quarterly Journal of Financial Engineering and Securities Management, Article 9, Volume 6, Number 22, Spring 2015, Page 1 -28.
    9. Emami Meybodi, Ali and Jaidari, Farzaneh. (2014) Measurement of bioefficiency of Iranian oil refineries using data envelopment analytical method, Quarterly Journal of Economic Research - Volume 14, Number 4, pp: 96-79.
    10.  Hosseini, Seyed Mohsen and Rashidi, Zeinab. (2013). Predicting the financial distress of companies listed on the Tehran Stock Exchange using the decision tree and logistic regression. Financial Accounting Research, Fifth Year, No. 3 (17 consecutive).
    11.  Rostami, Mohammad Reza; Eskandari, Farzaneh; Fallah Shams, Mirfeiz (2011). Management Research in Iran - Lecturer of Humanities. Volume 5 1, Year 3: 59-66.
    12.  Shahverdiani, Shadi. (2015). Investigating the Relationship between Financial Performance Evaluation and Bankruptcy Forecast of Companies Listed on the Tehran Stock Exchange. Master’s Thesis . Non-Governmental - Islamic Azad University - Islamic Azad University, Quds Branch - Faculty of Humanities.
    13.  Ghanbari, Yusuf. (2011). Investigating the usefulness of using data mining techniques in predicting companies' financial distress, Master's Thesis. Ministry of Science, Research, and Technology, Faculty of Economics.
    14.  Mirzaei Asrami, Habibeh. (2012). Predicting financial distress of companies using neural networks (manufacturing companies listed on the Tehran Stock Exchange). Master’s Thesis, Faculty of Economics, Mazandaran University.
    15.  Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance23(4), 589-609.
    16.  Altman, E. I., & Hotchkiss, E. (2010). Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt (Vol. 289). John Wiley & Sons.
    17.  Altman, E. I., Iwanicz‐Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial Distress Prediction in an International Context: A Review and Empirical Analysis of Altman's Z‐Score Model. Journal of International Financial Management & Accounting28(2), 131-171.
    18.  Anjum, S. (2012). Business bankruptcy prediction models: A significant study of the Altman’s Z-score model. Asian Journal of Management Research, 3(1), 212-219.
    19.  du Jardin, P. (2015). Bankruptcy prediction using terminal failure processes. European Journal of Operational Research, 242(1), 286-303.
    20.  du Jardin, P. (2017). Dynamics of firm financial evolution and bankruptcy prediction. Expert Systems with Applications, 75, 25-43.
    21.  Du, X., & Lai, S. (2018). Financial distress, investment opportunity, and the contagion effect of low audit quality: Evidence from china. Journal of Business Ethics147(3), 565-593.
    22.  Erdoğan, B. E., Eğrioğlu, E., & Akdeniz, E. (2017). Support Vector Machines vs Multiplicative Neuron Model Neural Network in Prediction of Bank Failures. American Journal of Intelligent Systems, 7(5), 125-131.
    23.  European Central Bank (2014). SME access to finance in the Euro area: Barriers and potential policy remedies. Technical Report.
    24.  Hillegeist, S. A., Keating, E. K., Cram, D. P., & Lundstedt, K. G. (2004). Assessing the probability of bankruptcy. Review of accounting studies, 9(1), 5-34.
    25.  Iyer, E., & Murti, V. K. (2015). Comparison of logistic regression and artificial neural network based bankruptcy prediction models. International Journal of Business Analytics and Intelligence, 3(1), 23.
    26.  Keener, M. H. (2013). Predicting The financial failure of retail companies in the united states. Journal of Business & Economics Research (Online), 11(8), 373.
    27.  Kolísko, J. (2017). Bankruptcy prediction models in the Czech economy: New specification using Bayesian model averaging and logistic regression on the latest data.
    28.  Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques–A review. European journal of operational research180(1), 1-28.
    29.  Lääne, K. (2017). Corporate bankruptcy prediction of Estonian firms (Doctoral dissertation, Tartu Ülikool).
    30.  Li, Z., Crook, J., & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist DEA. Expert Systems with Applications80, 94-106.
    31.  Newton, G. W. (1976). Bankruptcy and Insolvency Accounting Practice and Procedure. The CPA Journal (pre-1986)46(000005), 77.
    32.  Onakoya, A. B., & Olotu, A. E. (2017). Bankruptcy and Insolvency: An Exploration of Relevant Theories. International Journal of Economics and Financial Issues7(3), 706-712.
    33.  Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. The Journal of Business74(1), 101-124.
    34.  Son, Y. C. (2013). A Study on Financial Distress of Firms (Doctoral dissertation).
    35.  Sun, J., Fujita, H., Chen, P., & Li, H. (2017). Dynamic financial distress prediction with concept drift based on time weighting combined with Adaboost support vector machine ensemble. Knowledge-Based Systems120, 4-14.
    36.  Sun, J., Jia, M. Y., & Li, H. (2011). AdaBoost ensemble for financial distress prediction: An empirical comparison with data from Chinese listed companies. Expert Systems with Applications38(8), 9305-9312.