پیش بینی ورشکستگی

پیش بینی ورشکستگی یکی از موضوعات اصلی طبقه بندی شرکت هاست. مالکان، مدیران، سرمایه گذاران، اعتباردهندگان، شرکای تجاری و همچنین موسسات دولتی علاقمند به ارزیابی وضعیت مالی شرکت هستند زیرا در صورت ورشکستگی هزینه های زیادی به آنها تحمیل می شود.امروزه مدل های مختلفی برای پیش بینی ورشکستگی مورد استفاده قرار می گیرد. هدف این مطالعه،ارائه مبانی تئوریکی تحقیق و مقایسه نتایج حاصل از به کارگیری مدل های آلتمن و فالمر جهت پیش بینی ورشکستگی شرکت ها می باشد. از این رو داده های جمع آوری شده برای سال های 1379 تا 1383 مورد آزمون قرار گرفت. به منظور تجزیه و تحلیل داده ها روش های آماری باینومیال ناپارامتریک مورد استفاده قرار گرفت. نتایج حاصله حاکی از آن است که در پیش بینی یک شرکت،تفاوت معنی داری بین نتایج دو مدل وجود دارد. همچنین مدل آلتمن در پیش بینی ورشکستگی محافظه کارانه تر از مدل فالمر عمل می کند.

به دلیل وجود پیامدهای اقتصادی، اجتماعی و سیاسی با اهمیتی که پدیده ورشکستگی بر گروه های مختلفی از جامعه تحمیل می کند، همواره توجه ویژه ای از محققان را به خود جلب کرده است. تحقیقات مرتبط با پیش بینی ورشکستگی از سال 1960 میلادی صورت جدی به خود گرفته است...

هدف اصلی این مقاله پیش بینی ورشکستگی مالی شرکت ها در بورس اوراق بهادار تهران به وسیلهی شبکه های عصبی مصنوعی است. مقادیر میانگین مربوط به نسبت های مالی کلیدی در پژوهش های صورت گرفته در پیشینه موضوع به عنوان ورودی شبکه های عصبی انتخاب شده اند. شبکه عصبی بهکار گرفته شده در این مقاله از نوع پرسپترون چند لایه است که به روش الگوریتم پس انتشار خطا آموزش دیده اند و شامل شبکه عصبی پیش خور سه لایه با ترکیب (1 : 4 : 5) در آرایش نرون های ورودی، میانی و خروجی است. نمونه مورد نظر شامل دو گروه شرکت های ورشکسته و غیر ورشکسته است. گروه ورشکسته بر مبنای ماده 141 قاتون تجارت طی سال های 1378 لغایت 1385 انتخاب شده اند و گروه غیرورشکسته نیز به صورت تصادفی انتخاب شده اند. مجموعه ای مساوی از داده های فوق با استفاده از شبکه های عصبی و تحلیل تمایزی چندگانه مورد تحلیل قرار گرفتند. مقایسه توانمندی پیش بینیهای شبکه عصبی و تحلیل تمایزی چندگانه نیز ارایه شده است. همچنین صحت پیش بینی شبکه های عصبی با استفاده از نمودار ROC ارائه شده است. نتایج نشان دادند که تفاوت معناداری بین MDA و ANN وجود دارد. همچنین طبق نتایج کم بودن خطای نوع اول بر خطای نوع دوم پیش بینی اولویت دارد.

سودمندی اطلاعات حسابداری همواره به عنوان یکی از دغدغه های استاندارد گذاران مطرح بوده است؛ به طوری که مفاهیم نظری هدف اصلی از گزارشگری مالی را ارائه اطلاعاتی سودمند در تصمیم گیری می داند. پیش بینی ورشکستگی یکی از حوزه هایی است که تاکنون پژوهشگران بسیاری به بررسی سودمندی اطلاعات حسابداری در آن پرداخته اند. با این حال، به منظور درک موقعیت فعلی سودمندی این منبع اطلاعاتی لازم است تا توان پیش بینی آن را در مقابل سایر منابع اطلاعاتی مانند اطلاعات بازار مورد مقایسه قرار داد. در همین راستا با استفاده از الگوریتم ژنتیک، الگو هایی با ترکیبات مختلفی از متغیرهای حسابداری و بازار، طراحی شده و مورد آزمون قرار گرفته است. همچنین به منظور بهبود قابلیت تعمیم نتایج از اعتبارسنجی متقابل استفاده شده است. نمونه مورد آزمون شامل شرکت های عضو بورس اوراق بهادار تهران در بین سال های 1380 تا 1388 می باشد. یافته های پژوهش حاضر نشان داد که اطلاعات حسابداری در پیش بینی ورشکستگی از سودمندی بیشتری نسبت به اطلاعات بازار برخوردار بوده و اطلاعات بازار نمی توانند مکمل خوبی برای اطلاعات حسابداری در پیش بینی ورشکستگی باشند.

هدف اصلی این مقاله پیش بینی ورشکستگی اقتصادی شرکت ها در بورس اوراق بهادار تهران با استفاده از درخت تصمیم (CART) و رگرسیون لجستیک است که از تکنیک های داده کاوی هستند و می توانند به امر پیش بینی کمک کنند. نسبت های مالی به عنوان متغیرهای مستقل و شرکت های سالم و ورشکسته به عنوان متغیر وابسته پژوهش استفاده شده است. جامعه آماری اطلاعات صورت های مالی شرکت ها در بورس اوراق بهادار تهران طی سال های 1378تا 1389 است. در این پژوهش از نمونه گیری استفاده نشده است و شرکت ها شامل دو گروه سالم و ورشکسته است گروه ورشکسته بر مبنای ماده 141 قانون تجارت و زیان خالص انتخاب شده اند و گروه غیر ورشکسته بر اساس معیار سود دهی انتخاب شده اند. یافته های تحقیق حاکی از آن است که هر دو مدل درخت تصمیم و رگرسیون لجستیک توانایی پیش بینی ورشکستگی را با دقت های متفاوت دارا هستند و سطح زیر منحنی ROC در مدل رگرسیون لجستیک بیشتر از مدل درخت تصمیم است و از عملکرد بهتری برخوردار است.

پژوهش حاضر به مطالعه ی پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران به وسیله ی شبکه های عصبی مصنوعی می پردازد. بهترین نسبت های مالی پیش بین در پژوهش های صورت گرفته در پیشینه موضوع به عنوان ورودی شبکه های عصبی انتخاب شده اند. شبکه ی عصبی به کار گرفته شده در این پژوهش از نوع پرسپترون چند لایه می باشد که به روش الگوریتم پس انتشار خطا آموزش دیده اند، و شامل شبکه عصبی پیشخور سه لایه با ترکیب (5:18:2) در آرایش نرون هاست. نمونه های انتخاب شده در برازش الگو شامل یک گروه 54 عضوی از شرکت های ورشکسته ویک گروه 64 عضوی از شرکت های غیرورشکسته بورس اوراق بهادار تهران است که گروه ورشکسته بر مبنای مشمولیت ماده 141 قانون تجارت طی سال های 1381 تا 1389و گروه غیرورشکسته وبراساس روش نمونه گیری تصادفی از شرکت های تولیدی پدیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی تحقیق انتخاب شده اند. از مدل تحلیل تمایزی چندگانه به منظور مقایسه ی دقت پیش بینی مدل شبکه های عصبی استفاده شده است. ملاک صحت پیش بینی مدل ها سطح زیر منحنی ROC می باشد.

در طول سال های متمادی، موضوع پیش بینی تداوم فعالیت واحدهای اقتصادی در دوره های آتی به عنوان یکی از عناصر مهم در تصمیم گیری جهت سرمایه گذاری، توجه پژوهش گران زیادی را به خود معطوف کرده است. در ایران نیز پژوهش های زیادی در حوزه پیش بینی ورشکستگی انجام شده است. با این حال اکثر قریب به اتفاق آن ها یک مدل کلی برای تمامی صنایع به صورت واحد ارائه نموده اند. هدف اصلی این پژوهش آن است که با ارائه مدل پیش بینی ورشکستگی مناسب بر حسب صنایع مختلف، باب جدیدی را در این زمینه ایجاد کند. به همین منظور در این تحقیق تلاش می گردد برای سه صنعت محصولات غذایی و آشامیدنی به جز قند و شکر، محصولات شیمیایی و خودرو و ساخت قطعات، با استفاده از تکنیک تحلیل تمایزی چندگانه، مدل پیش بینی ورشکستگی مناسب، خاص هر صنعت طراحی گردد. قلمروی زمانی این پژوهش را سال های 1380 تا 1392 تشکیل می دهد. برای تعیین ورشکستگی یا عدم ورشکستگی شرکت ها از معیار ماده 141 قانون تجارت استفاده گردیده است. نتایج پژوهش حاکی از آنست که مدل های پیش بینی تدوین شده برای صنایع مختلف، با دقت بالایی قادر به پیش بینی ورشکستگی شرکت ها می باشند به طوری که دقت پیش بینی این مدل ها، برای صنایع محصولات غذایی و آشامیدنی به حز قند و شکر، محصولات شیمیایی و خودرو و ساخت قطعات به ترتیب 90/90، 97/20 و 90/50 درصد می باشد.

هدف از مقایسه مدل های پیش بینی ورشکستگی معرفی بهترین مدل  برای جلوگیری از هدر رفتن سرمایه و منابع کمیاب است. بنابراین انتخاب یک مدل که ارزش اقتصادی بیشتری دارد، امری حیاتی است؛ اما اغلب بررسی ها و مقایسه هایی که بین مدل های پیش بینی ورشکستگی انجام شده است بُعد دقت مدل ها را در نظر گرفته اند. در سال های اخیر به بُعدهای دیگری نیز توجه شده است. این ابعاد قدرت توضیح دهندگی و ارزش اقتصادی مدل ها است. از آنجا که بُعد اقتصادی تاکنون در ایران مورد بررسی قرار نگرفته است، برای اولین بار در این پژوهش به مقایسه رویکرد حسابداری با مدل های خطر در بُعد ارزش اقتصادی پرداخته شده است. برای این منظور مدل خطر شام وی (2001) و کمپبل و همکاران (2008) و مدل مبتنی بر حسابداری پورحیدری و کوپائی (1389) در نظرگرفته شده است. برای ارزیابی ارزش اقتصادی از روش قیمت گذاری وام استین (2005) و بلوچلینگر و لیپولد (2006) و همچنین دو معیار ارائه شده توسط بازل ( ӀӀӀ ) شامل  بازده دارایی ها و بازده دارایی های تعدیل شده با ریسک استفاده شده است. نمونه پژوهش شامل 242 شرکت پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1382 و 1393 است. نتایج نشان می دهد که مدل های خطر ارزش اقتصادی بیشتری از رویکرد حسابداری دارد و مدل کمپبل و همکاران (2008) اقتصادی ترین مدل است .

سرمایه گذاران همواره به دنبال کسب اطلاعات درباره گزینه های سرمایه گذاری خود برای سرمایه گذاری مطلوب و تخصیص بهینه منابع خویش هستند. پیش بینی ورشکستگی شرکت ها یکی از مهم ترین موضوعاتی است که سرمایه گذاران را در این راه یاری می کند. پژوهش های زیادی در حوزه پیش بینی ورشکستگی انجام شده است؛ با این حال، بیشتر آنها الگویی کلی برای تمامی صنایع به صورت واحد ارائه کرده اند. هدف اصلی این پژوهش آن است که الگوی پیش بینی ورشکستگی مناسب برای صنایع خوردو و ساخت قطعات، محصولات شیمیایی و محصولات غذایی به جز قند و شکر، خاص هر صنعت طراحی و تبیین شود. این الگو از درخت تصمیم برای پیش بینی استفاده می کند. برای تعیین ورشکستگی شرکت ها از معیار ماده 141 قانون تجارت استفاده شده است. قلمرو زمانی این پژوهش را سال های 1380 تا 1392 تشکیل می دهد. نتایج پژوهش نشان می دهد الگوی طراحی شده برای صنایع خودرو و ساخت قطعات، محصولات شیمیایی، محصولات غذایی به جز قند و شکر به ترتیب، دقت پیش بینی 95/95، 83/96 و 83/97 درصد را دارد که این اعداد، دقت زیاد الگوی طراحی شده را برای این سه صنعت (به ویژه برای صنعت محصولات غذایی به جز قند و شکر) نشان می دهد.

پیش بینی ورشکستگی بنگاه های اقتصادی یکی از شاخه های رشته مالی است که در دو دهه اخیر توجه بیشتری به آن شده است؛ به گونه ای که الگو های ورشکستگی توسعه یافته و متغیرهای محیط کلان اقتصادی و شرایط بازار را به همراه متغیرهای حسابداری در بر می گیرد. از آنجا که در ایران از رویکرد حسابداری استفاده بیشتری شده است، مقایسه رویکردهای مختلف اهمیت دارد. هدف اصلی پژوهش، بررسی الگوی خطر کمپبل و همکاران (2008) در محیط اقتصادی ایران و مقایسه آن با الگوی حسابداری متشکل از متغیرهای الگوی اُلسون (1980) و الگوی خطر شام وی (2001) در بُعد صحت پیش بینی ورشکستگی است. در این پژوهش از داده های 241 شرکت پذیرفته شده در بورس اوراق بهادار تهران بین1382 تا 1394 استفاده شده است. برای تخمین الگو ها از روش رگرسیون لجستیک و برای مقایسه قدرت الگو ها در پیش بینی ورشکستگی از روش تحلیل منحنی مشخصه عملکرد سیستم (ROC) استفاده شد. نتایج نشان می دهد الگوی خطر کمپبل و همکاران (2008) به طور معناداری، ورشکستگی شرکت های غیرمالی را پیش بینی می کند و دقت آن بیشتر از الگوی حسابداری اُلسون (1980) در پیش بینی ورشکستگی است؛ اما تفاوت آن با الگوی شام وی (2001) در بُعد دقت معنادار نشد.

این پژوهش در زمینه نسبت های مالی سودآوری، به عنوان یکی از مهمترین شاخص های ارزیابی تداوم فعالیت بسیار حائز اهمیت به نظر می رسد. هدف این پژوهش بررسی رابطه بین نسبت های مالی سودآوری و پیش بینی ورشکستگی شرکت های بورسی با استفاده از شاخص Q توبین است. این تحقیق بر اساس هدف تحقیق کاربردی محسوب می گردد و بر اساس ماهیت داده کمی می باشد. روش تحقیق مورد استفاده روش توصیفی است. نمونه های تحت بررسی در این تحقیق شامل 43 شرکت ورشکسته و 43 شرکت غیر ورشکسته، طی دوره مالی 5 ساله 91-95 می باشد. جهت آزمون فرضیات مدنظر در این تحقیق، از دو روش آزمون آماری تحلیل تشخیصی (با استفاده از داده های مقطعی) و رگرسیون لوجستیک (با استفاده از دیتا پنل) استفاده شده است. نتایج هردو روش آماری فوق، وجود رابطه معنی دار بین نسبت های مالی سودآوری و پیش بینی ورشکستگی را در سطح خطا 5% تایید می کند.

پیشبینی ورشکستگی موضوعی است که بر رفاه اقتصادی تمام کشورها تأثیر میگذارد. داشتن یک مدل دقیق برای پیشبینی ورشکستگی، بهطور پیشفرض که بتواند نشانههای بحران مالی را بهموقع تشخیص دهد، برای همهی شرکتها بسیار حیاتی است. بنابراین شرکتها، به یک مدل مناسب که بتواند نشانههای ورشکستگی را بهآسانی تشخیص دهد، نیاز دارند.این پژوهش درصدد ارائه مدل بهینه برای پیشبینی ورشکستگی با استفاده از الگوریتم علفهای هرز میباشد. نمونه آماری پژوهش شامل 112 شرکت ورشکسته وغیرورشکسته پذیرفتهشده در بورس اوراق بهادار تهران در بازه زمانی 1393-1381 میباشد که ازلحاظ اندازه و صنعت نیز باهم تطابق دارند. جهت ارزیابی کارایی مدل مبتنی بر الگوریتم علفهای هرز در مقایسه با مدل   آلتمن، دقت مدلهای مزبور در پیشبینی صحیح ورشکستگی شرکتها مورد ارزیابی قرار گرفت. دقت کلی مدل مبتنی بر الگوریتم علفهای هرز و مدل  آلتمن در سال وقوع ورشکستگی به ترتیب برابر با 32/97 و 46/56 درصد، در سال قبل از وقوع ورشکستگی به ترتیب برابر29/89 و 21/48 درصد و در دو سال قبل از وقوع ورشکستگی، برابر 10/74 و 14/32 درصد میباشد. نتایج پژوهش حاکی از این است، که مدلهای مبتنی بر الگویتم علفهای هرز در مقایسه با مدل سنتی  آلتمن، با دقت بالاتری ورشکستگی شرکتها را پیشبینی مینماید.  

پیش بینی ورشکستگی شرکت ها، یکی از چالش های مهم سرمایه گذاران و سایر ذینفعان در بازار سرمایه می باشد. به طوری که، تشخیص به موقع شرکت های در معرض ورشکستگی، می تواند تا حد زیادی از وقوع زیان های احتمالی آن ها جلوگیری نماید. با این وجود، علیرغم تلاش های فراوان در این حوزه (عموما توجه به معیارهای کمی)، تاکنون روش جامعی جهت پیش بینی ورشکستگی تدوین نشده است. از این رو توجه به معیارهای کیفی در کنار معیارهای کمی به منظور پیش بینی ورشکستگی نیز می تواند سودمند باشد. لذا، پژوهش حاضر درصدد برآمد؛ تا با بررسی تأثیر لحن گزارش فعالیت هیئت مدیره به عنوان یکی از معیارهای کیفی، به پیش بینی ورشکستگی شرکت ها بپردازد. پژوهش حاضر از اطلاعات 476 مشاهده (سال- شرکت) پذیرفته شده در بورس اواراق بهادار تهران بین سال های 1390 تا 1396 استفاده می نماید. به منظور آزمون فرضیه های پژوهش نیز از روش رگرسیون لجستیک استفاده گردید. یافته ها حاکی از آن است که، لحن قضایی گزارش فعالیت هیأت مدیره از قابلیت پیش بینی ورشکستگی شرکت ها برخوردار می باشد.

پیش بینی ورشکستگی یکی از موضوع های اصلی طبقه بندی ورشکستگی شرکت ها است. سرمایه گذاران، مالکان، مدیران، اعتباردهندگان و مؤسسات دولتی علاقه مند به ارزیابی وضعیت مالی شرکت هستند؛ زیرا درصورت ورشکستگی هزینه های زیادی به آن ها تحمیل می شود. امروزه مدل های مختلفی برای پیش بینی ورشکستگی مورد استفاده قرار می گیرد. این پژوهش درصدد پیش بینی ورشکستگی شرکت-های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از مدل های Z آلتمن و الگوریتم ژنتیک است. نمونه تحت بررسی شامل 36 شرکت ورشکسته و 36 شرکت غیر ورشکسته طی دوره مالی 5 ساله 84-88 است. متغیرهای نهایی مورد استفاده در مدل الگوریتم ژنتیک و مدل Z آلتمن 5 متغیر است که شامل نسبت های مالی است. درنهایت نتایج این 2 مدل با هم مقایسه شده است. مدل الگوریتم ژنتیک توانست به طور میانگین در یک سال و دو سال قبل از سال مبنا به ترتیب دقتی معادل 90 و 5/91 درصد داشته باشد و مدل Z آلتمن دقتی معادل 83.32 و83.32 درصد دارد با توجه به نتایج مدل الگوریتم ژنتیک دقت بیشتری در پیش بینی ورشکستگی دارد؛ درنتیجه ابزار مناسب تری برای پیش بینی محسوب می شود.

این مطالعه با هدف معرفی روش فراتحلیل به منزله ابزاری برای تجمیع و پردازش مجدد یافته ها و بررسی قابلیت آن در ارزیابی پژوهش های حوزه حسابداری و مالی انجام شده است. در این رابطه، مطالعات صورت گرفته روی مبحث پیش بینی ورشکستگی مورد بررسی قرار گرفتند که حاکی از نبود یکپارچگی و توافق روی متغیرهای پیش بینی کننده ورشکستگی به منزله مبنای اساسی این نوع مطالعات است. بر این اساس صرف نظر از روش های مورد استفاده و هدف از انجام آنها، استخراج مجموعه ای از متغیرهای پیش بینی کننده و یکپارچه سازی آنها در این حوزه، ضروری به نظر می رسد. بدین منظور با استفاده از روش فراتحلیل کمّی، سه مطالعه مورد ارزیابی و تحلیل قرار گرفت. دلیل اصلی به کارگیری این سه مطالعه نیافتن مطالعه ای با داده های کافی برای انجام فراتحلیل بود که  نشانه ای از وجود ضعف در ارائه و گزارش دهی استاندارد مطالعات پژوهشگران است. از میان روش های فراتحلیل کمّی برای انجام تجمیع نتایج، از روش ترکیب نتایج و اندازه اثر استفاده شده است. پس از بررسی مطالعات و استخراج 42 متغیر منحصربه فرد، درنهایت هفت متغیر بر اساس طبقه بندی چهارگانه  انتخاب شدند.

الگوهای پیش بینی ورشکستگی یا بحران های مالی در مطالعات و مقالات موجود در حوزه های حسابداری و اعتباری مدیریت بسیار مورد بحث واقع شده است و مطالعات فراوانی در رابطه با روش تجربی موثرتر برای پیش بینی ورشکستگی انجام شده است . سیستمهای هشداردهنده بسیاری مانند الگوهای آلتمن (1968) و اوهلسون (1980) با استفاده از نسبتهای مالی تدوین شده است که به شناسایی شرکتهای درگیر مشکلات مالی کمک می کنند . اما مطالعات انجام شده مبین این واقعیت است که سایر منابع اطلاعاتی از جمله شاخصهای اقتصادی نیز می تواند برای تشریح اضطرار مالی سودمند باشد . هدف از این مطالعه تعیین و تبیین این واقعیت است که آیا الگویی که علاوه بر نسبت های مالی ، متغیرهای اقتصادی را نیز شامل می شود نسبت به الگویی که صرفا دارای نسبتهای مالی است ، توانایی بیشتری برای پیش بینی بحران مالی دارد . در این راستا توانایی پیش بینی دو الگوی پیش بینی بحران مالی تافلرودیکن در مقایسه با الگوهای توسعه یافته مذکور با استفاده از شاخصهای اقتصادی مورد آزمون قرار گرفت . در پژوهش حاضر از نمونه ای مشتمل بر 30 شرکت ورشکسته و 30 شرکت موفق انتخاب شده از شرکتهای تولیدی پذیرفته شده در بورس اوراق بهادار تهران طی سالهای 1376-1385 استفاده شده است . مبنای انتخاب شرکتهای ورشکسته ماده 141 قانون تجارت و شرکتهای موفق کیو توبین ساده می باشد . برای آزمون توانایی پیش بینی بحران مالی الگوها ، از روش آماری لوجیت استفاده گردید . نتایج آزمون نشان می دهد که تنها الگوی سنتی تافلردارای توانایی پیش بینی بحران مالی است درحالیکه الگوهای توسعه یافته تافلرو دیکن با استفاده از شاخصهای اقتصادی ، توانایی پیش بینی بحران مالی را ندارند . بنابراین بطور کلی می توان نتیجه گرفت متغیرهای اقتصادی اضافه شده به الگوهای اصلی موجب ارتقای کارایی این الگوها نمی شود.

امروزه پیشرفت سریع فن آوری و تغییرات محیطی وسیع، منجر به رقابت روزافزون شده و دستیابی به سود را محدود و احتمال دچار شدن به بحران مالی را افزایش داده است. هدف این تحقیق بررسی قدرت پیش بینی بحران مالی توسط تکنیک های مختلف هوش مصنوعی(الگوریتم ژنتیک خطی و غیر خطی و شبکه عصبی) است. بر اساس اطلاعات و آمارهای در دسترس شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره 1389-1376، از بین شرکت های مشمول ماده 141 قانون تجارت، 72 شرکت و از بین بقیه شرکت ها نیز 72 شرکت انتخاب شد. نتایج آزمون مک نمار برای تکنیک های الگوریتم ژنتیک غیرخطی و شبکه عصبی نشان می دهد که تفاوت معنی داری بین نتایج الگوریتم ژنتیک خطی و غیرخطی با شبکه عصبی وجود ندارد. اگر چه دقت پیش بینی الگوریتم ژنتیک غیرخطی(90 درصد) و الگوریتم ژنتیک خطی(80 درصد) بیشتر از شبکه عصبی(70 درصد) است ولی این تفاوت از لحاظ آماری معنی دار نیست.

با توجه به شرایط رقابتی اقتصاد کشورها و بحران های اقتصادی ایجاد شده در سطح بین المللی و داخل کشور، نیاز به یک مدل مناسب برای پیش بینی ورشکستگی شرکت های کشور احساس می شود. تصمیم گیران کلان اقتصادی، سازمان های اقتصادی کشور و سیستم بانکی با استفاده از این مدل ها توانایی اتخاذ تصمیمات دقیق تر و با عوارض کمتری را دارا خواهند بود. همچنین مدل های فوق در سطح خرد نیز برای تصمیم گیری برای سرمایه گذاری های آتی قابل استفاده می باشد. در این تحقیق با پیاده سازی یک سیستم منسجم و هوشمند مبتنی بر شبکه عصبی، ماشین های بردار پشتیبان و یادگیری تشدید شده و در کنار آن استفاده از الگوریتم های بهینه سازی رقابت استعماری، الگوریتم فرهنگی و جستجوی هارمونی سعی شده است تا حد امکان نواقص مدل های پیشین در سطح بین الملل رفع شود. علاوه بر آن با همکاری سازمان امور مالیاتی کشور مقیاس بررسی سیستم به داده های کل کشور تعمیم یافته است که بررسی در ابعاد فوق در سطح بین الملل منحصر به فرد می باشد. تعداد نمونه های مورد بررسی در صنعت موادغذایی و نساجی به ترتیب برابر با ۵۸۲۵ و 4089 می باشد که با اعمال معیار قانونی ورشکستگی به ترتیب ۹۹۹ و ۸۴۸ نمونه شرایط ورشکستگی را در دو سال مورد بررسی دارا بوده اند. نتایج نشان دهنده برتری عملکرد ترکیب ماشین بردار پشتیبان با الگوریتم های بهینه سازی جستجوی هارمونی و رقابت استعماری در شرایط عدم حذف داده های پرت می باشد Abstract Due to the competitiveness of nations' economies and the recent financial crisis at both national and international levels, the need for an effective model to predict the bankruptcy of domestic companies is felt more than ever. Macroeconomic decision makers, economic agencies, and the banking system can benefit from this modeling to make more accurate decisions and reduce undesired outcomes. These models can also be used at the microeconomic level to help with decision-making for future investments.In this research, by implementing an intelligent and coherent system based on Artificial Neural Network (ANN), Support Vector Machine (SVM), Extreme Learning Machine (ELM), and utilizing Imperialist Competitive Algorithm (ICA), Cultural Algorithm (CA) and Harmony Search (HS), we have attempted to improve on the shortcomings of existing models used internationally. Furthermore, in a joint effort with the Iranian National Tax Administration (INTA), the evaluation scale has been extended to incorporate nationwide data which makes the scope of the work unprecedented in the world. The number of examined samples are 5825 and 4089 respectively in the food and textile sectors, and by applying bankruptcy criteria 999 and 848 samples were detected as bankrupt companies. We found the best performance in the combination of support vector machine with harmony search and imperialist competitive algorithm in terms of not using outlier detection.

موضوع و هدف مقاله: پیشرفت فن آوری شتاب فزاینده ای به اقتصاد بخشیده و رقابت روزافزون شرکت ها، سودآوری را محدود و احتمال ورشکستگی را افزایش داده است .هدف این پژوهش تدوین الگویی پیش بینی ورشکستگی شرکت های دولتی است که در آنعلاوه بر عوامل مالی، از عوامل کلان اقتصادی ، مدیریتی، و سیاسی استفاده شود. روش پژوهش: این پژوهش از نوع کاربردی است. نمونه آماری پژوهش شامل 75 شرکت ورشکسته وغیرورشکسته دولتی در بازۀ زمانی 1388-1397 می باشد. با تحلیل عاملی اکتشافی44 متغیر که بیشترین تاثیر بر ورشکستگی داشتند، انتخاب و با تحلیل عاملی تاییدی، یک پرسش نامه به خبرگان ارسال شد. یافته های پژوهش: با بررسی پرسش نامه ها و تحلیل رگرسیونی متغیرها بهترین خروجی با 8 متغیر به عنوان مدل پژوهش انتخاب شد. نتیجه گیری، اصالت و افزوده آن به دانش: مدل پژوهش که متکی به متغیرهای مالی، اقتصادی، مدیریتی و سیاسی می باشد با 92/4 درصد شرکت های دولتی ورشکسته و 86 درصد شرکت های دولتی غیر ورشکسته را شناسایی نمود.

تمام سازمان ها به دنبال بهبود عملکردشان هستند و مدیریت منابع انسانی می تواند ابزاری برای مزیت رقابتی محسوب شود و بر نتایج و عملکرد سازمانی تاثیر بگذارد. هدف این مقاله بررسی رابطه ارزش منابع انسانی و پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. بدین منظور فرضیه ارزش منابع انسانی با پیش بینی ورشکستگی رابطه دارد تدوین شد و برای آزمون آن، روش آماری رگرسیون خطی به کار رفته است. اطلاعات 73 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی بازه زمانی 1390 تا 1399 گردآوری شده است. همچنین برای اندازه گیری ریسک ورشکستگی از مدل آلتمن، و برای اندازه گیری ارزش منابع انسانی از فرمول کارایی سرمایه انسانی پالیک استفاده شد. تحلیل داده ها نیز به وسیله نرم افزار Excle و Eviews انجام گردیده است. نتایج حاصل از تحلیل نشان می دهد که رابطه منفی معناداری بین ارزش منابع انسانی و ریسک ورشکستگی شرکت ها وجود دارد. با توجه به رابطه منفی بین ارزش منابع انسانی و ریسک ورشکستگی می توان نتیجه گرفت که منابع انسانی، عامل حیاتی در بهبود عملکرد مالی و سازمانی هستند و به عنوان مولفه کلیدی خلق ارزش، عملکرد را افزایش و در نهایت منجر به عملکرد مالی بهتر می شوند.