Abstract:
در این مقاله، به پیشبینی ورشکستگی شرکتها با استفاده از سامانه خبره تلفیقی پرداخته شده است. عوامل موثر بر ورشکستگی و میزان تاثیر آنها تحت عنوان قواعدی در سامانه مبتنی بر پایگاه قواعد ذخیره شده و به همراه نسبتهای مالی شرکتها به عنوان ورودی شبکة عصبی در نظر گرفته میشوند. تاثیر هر یک از این عوامل بر نسبت سرمایه/ سود (یا زیان انباشته) بررسی گردید تا تاثیر شوکهای برونزا بر ورشکستگی مشخص شود. به این ترتیب نرخ تغییر این متغیر به همراه چهار نسبت مالی ذکر شده، به عنوان ورودیهای شبکة عصبی لحاظ گردید. مقایسة نتایج استخراجی حاصل از سامانة خبره نشان داد که این روش به صورت معناداری دقت شبکه عصبی را در پیشبینی بهبود میبخشد. به خصوص در سالهای 84 و 85 که به دلیل اجرای سیاست های شفافسازی، آمار شرکتهای ورشکسته بالا بود، این تفاوت معنادارتر میباشد. به این ترتیب تمامی فرضیههای پژوهش، مبنی بر بالاتر بودن دقت سامانه خبره تلفیقی نسبت به شبکه عصبی در پیشبینی ورشکستگی شرکت ها تایید شد.
In this research, bankruptcy of companies is predicted using the Hybrid Expert System (HES) approach. Factors affecting bankruptcy and the extent of their impact are saved as rules in a Rule-Based Expert System, and together with financial ratios they are considered as inputs in the GMDH neural networks. The impact of each of these factors on the accumulated profit or loss to capital ratio is evaluated in order to isolate the impact of external shocks on bankruptcy. Variables and the following four financial ratios: Current Ratio, Gross Profit Margin Ratio, Net Profit to Current Debt Ratio and Return of Assets are used as inputs in the GMDH neural networks. The results are compared with those of artificial neural networks for the year of bankruptcy, the preceding year, two years earlier and the average of these three years. In all of these cases, the HES approach produces better outcome than those produced by neural networks. The differences were more marked for 1384 and 1385 when there were large numbers of corporate bankruptcies. Hence the hypothesis of higher accuracy of Expert System compared to neural networks in predicting bankruptcies is confirmed.