Abstract:
یکی از مهم¬ترین موضوع¬های مطرح شده در زمینه مدیریت مالی، این است که سرمایه¬گذاران فرصت¬های مطلوب سرمایه¬گذاری را از فرصت¬های نامطلوب تشخیص دهند و منابعشان را در فرصت¬های مناسب سرمایه گذاری کنند. از مهمترین روشهایی که می¬توان با استفاده از آن به بهره¬گیری مناسب از فرصت¬های سرمایه¬گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وجود دارد. در این پژوهش جهت پیش¬بینی ورشکستگی از مدل شبکه های عصبی به همراه مقایسه آن با دو روش آماری رگرسیون لجستیک و تحلیل ممیزی استفاده شده است.
در این مقاله علاوه بر معرفی مدل های شبکه های عصبی، یک مدل شبکه عصبی برای پیش بینی ورشکستگی شرکت های تولیدی طراحی شده است که برای استان کرمان مورد استفاده قرار گرفته است. اطلاعات استفاده شده مربوط به دوره زمانی 1386-1374 می باشد. نتایج پژوهش نشان می¬دهد که مدل ANN از دو روش آماری دیگر دقت بالاتری در پیش بینی دارد. همچنین مدل ANN نشان داد که هیچ کدام از این شرکت¬های تولیدی در سال بعد از دوره مورد بررسی، ورشکسته نخواهند شد.
One of the main issues in financial management is choosing the best way of utilizing investment. Investors would like to invest their capitals in a way to minimize their risks. Bankruptcy is one of the risk factors which affect the decision of investors. Prediction of bankruptcy can help investors to reduce the risks in the capital markets and recognize the best opportunities for alternative investment.
This study aims to predict the bankruptcy of companies by using the technique of Artificial Neural Network (ANN). Moreover، discriminant Analysis and logestic regression techniques are employed to compare the results. The data used in this study covers the firms in the Kerman Province of Iran over the period 1975- 2007.
The results show that ANN model perfom much better than the discriminant analysis and logestic regression techniques. Moreover، the results confirm that the accuracy of ANN model is higher than the discriminant analysis and logestic regression techniques for predicting of bankruptcy. The analysis also shows that none of the firms will bankrupt in the year after the period covered in this study.
Machine summary:
"در این پژوهش،جهت پیشبینی ورشکستگی،از مدل شبکههای عصبی به همراه مقایسه آن،با دوروش آماری رگرسیون لجستیک و تحلیل ممیزی استفاده شده و علاوه بر معرفی مدلهای شبکههایعصبی،یک مل شبکه عصبی برای پیشبینی ورشکستگی شرکتهای تولیدی طراحی شده که برایاستان کرمان مورد استفاده قرار گرفته است.
&%03424QEPG034G% سبتهای مالی پیشبینی ورشکستگی در این پژوهش،بعد از تجزیه و تحلیل 22 متغیر مالی در نهایت از 5 نسبت مالی جهت پیشبینیورشکستگی شرکتها استفاده گردیده که شامل موارد زیر میباشد: 1)نسبت جاری1که عبارت است از داراییهای جاری2تقسیم بر بدهی جاری3؛ 2)نسبت سود قبل از هزینه بهره و مالیات4به کل دارییها5؛ 3)نسبت کل حقوق صاحبان سهام6به کل بدهیها7؛ 4)نسبت سرمایه در گردش8به کل دارییها؛ 5)نسبت سود قبل از هزینه بهره و مالیات به خالص فروش9 راحی شبکههای عصبی مصنوعی در طراحی مدل شبکه عصبی،در واقع باید تعداد لایههای پنهان شبکه،تعداد نرونهای هر لایه،الگوریتمهای یادگیری،تابع تبدیل،تابع عملکرد،نرخ یادگیری،تعداد تکرارها،نرمال کردن دادهها،اندازه مجموعه یادگیری و آزمایشی مشخص گردد.
نتایج پیشبینی با توجه به اطلاعات دو سال قبل از ورشکستگی (به تصویر صفحه مراجعه شود)بهطور کلی،این نتیجه حاصل میشود که با مدل شبکه عصبی میتوان ورشکستگیشرکتهای تولیدی را با دقت بیشتری نسبت به مدلهای آماری پیشبینی نمود.
استفاده از اطلاعات مالی سه سال متوالی جهت پیشبینی ورشکستگی (به تصویر صفحه مراجعه شود)سیستم شبکه عصبی مصنوعی این پژوهش به این صورت عمل میکند:ابتدا در گام اول یادگیری،وزنهای ورودیها (Pi) به مدل داده میشود،و بعد در هر دور یادگیری،هنگام حرکترو به جلو،خروجیهای گروهها تا لایۀ آخر محاسبه میشوند و سپس پارامترهای نتیجه توسطروش کمترین مجموع مربعات خطا محاسبه میشوند."