Abstract:
به دلیل وجود پیامدهای اقتصادی،اجتماعی و سیاسی با اهمیتی که پدیده ورشکستگی بر گروههای مختلفی از جامعه تحمیل میکند،همواره توجه ویژهای از محققان را به خود جلب کرده است.تحقیقات مرتبط با پیشبینی ورشکستگی از سال 1960 میلادی صورت جدی به خود گرفته است،به طوری که امروز شاهد وجود تکنیکهای متعدد و متنوعی برای پیشبینی ورشکستگی هستیم.هدف این مطالعه، بررسی و معرفی این تکنیکها وهمچنین بیان ویژگیها و محدودیتهای اصلی مرتبط با آنها میباشد.به این منظور، تکنیکهای پیشبینی ورشکستگی براساس ماهیت خود در سه دسته تکنیکهای آماری(کلاسیک)،تکنیکهای هوش مصنوعی و مدلهای نظری طبقهبندی شدهاند.در نهایت، 2Lمیزان کاربرد تکنیکهای موجود در هر گروه و دقت پیشبینی مدلهای مرتبط با هر تکنیک ارائه شده است.
Machine summary:
"مدلهای آماری تک متغیره:روشهای آماری تک متغیره از نخستین تکنیکهای مورد استفاده جهت تمایز بین شرکتهای دارای سلامت مالی و شرکتهای دچار پریشانی مالی بودهاند به صورت سنتی،این مدلها بر تحلیل نسبتهای مالی تمرکز دارند و منطق آنها بر این اساس است که اگر نسبتهای مالی شرکتهای ورشکسته با نسبتهای مالی شرکتهای غیر ورشکسته دارای تفاوتهای با اهمیتی باشند،میتوان از آنها به عنوان متغیرهای پیشبینی کننده ورشکستگی استفاده کرد.
در زمینه ورشکستگی این مدلها اساسا بر نشانههای ناتوانی تجاری تمرکز دارند،عموما چند متغیره بوده و متغیرهای مورد استفاده در آنها از اطلاعات موجود در حسابهای شرکت استخراج میشود.
مدلهای اعتبارسنجی مورگان55و KMV مودی65:این مدلها بر تئوری قیمتگذاری اختیار معامله تکیه دارند، براساس این تئوری،ناتوانی پرداخت بدهی ذاتا مربوط به ساختار سرمایه است و شرکت در صورتی ممکن است از ایفای تعهدات خود ناتوان شود که ارزش داراییهای آن به پایینتر از سطح بحرانی(توسط مدلهای ریسک اعتباری، تعیین میشود)برسد.
نتایج نشان میدهد که بیش از 72 درصد تحقیقات از مدلهای تحلیل تشخیصی چندگانه برای پیشبینی ورشکستگی استفاده کردهاند در حالیکه 81 درصد دیگر از مطالعات مدلهای لاجیت را بر سایر مدلها ترجیح دادهاند.
به هر حال،اتکا بر مفروضات محدودکننده در مورد روشهای آماری،موجب اقبال مدلهای هوش مصنوعی از سوی پژوهشگران شده است زیرا این مدلها اغلب ناپارامتریک بوده و در به کارگیری آنها نیاز چندانی به مفروضات اولیه و یا اطلاعات مربوط به چگونگی توزیع ویژگیهای مالی در میان گروههای شرکتهای ورشکسته و غیر ورشکسته نیست.
نکته قابل توجه در مورد مدلهای تحلیل تشخیصی چندگانه و لاجیت این است که هر چند دارای دقت پیشبینی بالایی هستند،اما خطای نوع اول و دوم این مدلها در مقایسه با مدلهایی نظیر الگوریتم ژنتیک بالا است."