پیش‌بینی بحران‌مالی شرکت‌ها با استفاده از مدل مبتنی بر تابع تفکیکی خطی

نویسندگان

1 دانشیار حسابداری دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان

2 کارشناس ارشد حسابداری و عضو هیأت علمی مؤسسه آموزش عالی غیرانتفاعی ادیب مازندران

چکیده

  این مطالعه به بررسی متغیر‌های حایز اهمیت در پیش بینی بحران مالی و ورشکستگی شرکت‌ها پرداخته و مهمترین متغیر‌های مالی در پیش بینی بحران مالی را شناسایی کرده است. پس از شناسایی، مهمترین متغیر‌های پیش بینی ورشکستگی و مدلی برای پیش‌بینی بحران مالی و ورشکستگی شرکت‌ها ارایه شده و قدرت پیش‌بینی آن مورد آزمون قرار گرفته است. برای شناسایی مهمترین متغیرهای حایز اهمیت در پیش‌بینی بحران مالی و ورشکستگی شرکت‌ها، از مدل تابع تفکیکی خطی استفاده شده و مدلی 9 متغیره طراحی و ارائه شده است. این نسبت‌ها شامل نسبت سود قبل از بهره و مالیات به دارایی‌ها، نسبت سود انباشته به دارایی‌ها، نسبت سرمایه در گردش به دارایی‌ها، نسبت حقوق صاحبان سهام به بدهی‌ها، نسبت سود قبل از بهره و مالیات به فروش، نسبت دارایی‌های جاری به بدهی‌های جاری، نسبت سود خالص به فروش، نسبت بدهی‌ها به دارایی‌ها و اندازه شرکت بوده است. توانایی پیش‌بینی مدل، با استفاده از اطلاعات شرکت‌های دارای بحران مالی و شرکت‌های فاقد بحران مالی ارزیابی شده است و نتایج بررسی نشان می‌دهد که تا پنج سال قبل از بحران مالی می توان با استفاده از مدل با دقت نسبتاً بالا آن را پیش‌بینی نمود.       

کلیدواژه‌ها


عنوان مقاله [English]

predicting of firms financial distress by use of linear discriminant function the model

نویسندگان [English]

  • O Pourheydari 1
  • M koopaee haji 2
1 Assistant Professor, University of Esfahan
2 Member of The Scientific Board of Accounting, Vali-e-Asr University of Rafsanjan
چکیده [English]

  This study investigates the material variables in predicting firms financial distress and bankruptcy and has determined the most important financial variables in predicting firms financial distress. After determining the material variables of bankruptcy the paper provides a model for predicting firms financial distress and bankruptcy for testing the predicting ability of the model. For determining the material variables in predicting of firms financial distress and bankruptcy we use linear discriminant function. A model with and nine ratios as variables is constructed. The nine ratios are earning before interest and taxes to total assets, retained earning to total assets, working capital to total assets, equity capital to total liabilities, earning before interest and taxes to sales, current assets to current liabilities, net income to sales, total liabilities to total assets and firm size. The model’s ability to predict financial distress is investigated by using data of the firms with financial distress and firms without financial distress. Results reveal that the ability of the model in predicting financial distress five years before of firms financial distress is high.     

کلیدواژه‌ها [English]

  • Keywords : Financial Ratios
  • Predicting
  • Financial Distress
  • Bankruptcy
  • Tehran Stock Exchange (TSE)


در حال حاضر، بنگاه‌های اقتصادی در محیطی بسیار متغیر و رقابتی فعالیت می‌کنند. واکنش سریع و درست درمقابل شرایط بسیار متغیربازار، در موقعیت بنگاه‌ها نقش بسزایی دارد. با توسعه بازارهای پولی و مالی و متعاقب آن، حاکم شدن وضعیت رقابتی، بسیاری از شرکت‌ها ورشکسته از گردونه رقابت خارج می‌شوند. این امر موجبات نگرانی صاحبان سرمایه را فراهم نموده، برای اینکه از سوخت شدن اصل و فرع سرمایه خود جلوگیری کنند، به دنبال روش‌هایی هستند که بحران مالی شرکت‌ها را پیش‌بینی کنند. مجامع تحقیقاتی و دانشگاهی در ابداع مدل‌هایی برای تصمیم گیری و پیش‌بینی بحران مالی کوشش‌های فراوانی انجام داده‌اند که استفاده از نسبت‌های مالی از نتایج این تحقیقات است.
بحران مالی و نهایتاً ورشکستگی واحدهای اقتصادی می تواند زیان‌های هنگفتی را در سطح خرد و کلان وارد نماید. در سطح کلان، بحران مالی شرکت‌ها سبب کاهش تولید ناخالص داخلی، افزایش بیکاری، اتلاف منابع کشور و نظایر آن می گردد. در سطح خرد نیز ذی‌نفعان و بنگاه‌های اقتصادی، نظیرسهامداران، سرمایه گذاران بالقوه، اعتباردهندگان، مدیران، کارکنان، عرضه کنندگان مواد اولیه و مشتریان متحمل زیان می شوند وخسارت قابل توجهی می تواند به این گروه‌ها وارد شود. در نتیجه، به منظور اجتناب از زیان‌های هنگفتی که به واسطه بحران مالی پدید می‌آید، لازم است مطالعه‌ای در این زمینه صورت گیرد. چنانچه اطلاعات حسابداری توانایی لازم را جهت پیش‌بینی موضوع داشته باشند، در این صورت می توان مدلی پیشنهاد نمود که با توجه به آن سهامداران و سایر مدعیان را در خصوص وقوع بحران مالی در شرکت آگاه نماید. با پیش‌بینی بحران مالی شرکت‌ها، می توان برنامه ریزی لازم را جهت جلوگیری از ورشکستگی آنها انجام داد. لذا یافتن روش‌هایی برای پیش‌بینی بحران مالی که قبل از ورشکستگی اتفاق می افتد، بسیار حایز اهمیت بوده که در این زمینه اطلاعات حسابداری نقش بسزایی دارد.
پژوهش حاضر، در پی آن است که بحران مالی و از دست رفتن کنترل شرکت را با توجه به اطلاعات حسابداری پیش‌بینی نماید. چنانچه اطلاعات حسابداری توانایی لازم را جهت پیش‌بینی موضوع داشته باشد، در این صورت می توان مدلی پیشنهاد نمود که سهامداران و سایر مدعیان را در خصوص بحران مالی در شرکت آگاه نماید. با پیش‌بینی اضمحلال شرکت‌ها می توان برنامه ریزی لازم را جهت جلوگیری از ورشکستگی آنها انجام داد. بنابراین، این مطالعه با بررسی جامع نسبت‌ها و شاخص‌های مالی، بهترین متغیرهای حایز اهمیت در پیش‌بینی بحران مالی را مشخص و با استفاده از مدل‌های تفکیکی اقدام به ارائه مدل جهت پیش‌بینی بحران مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران نموده است.

ادبیات موضوع
بیشترین مطالعات مربوط به ورشکستگی مربوط به آلتمن] 15 [است. نقطه عطف کشف و شناسایی بحرآنهای مالی، روش تجزیه و تحلیل تفکیکی چند متغیره آلتمن] 10 [بود. آلتمن مدلی را پیشنهاد کرد که به مدل Z-Score معروف است. البته، این مدل بعدها توسط آلتمن،‌ هالدمن و ناریانان ] 11 [ اصلاح و با عنوان مدل ریسک اعتبار دهی ZETA نامگذاری شد. آلتمن در سال 2000 مدل معکوس این مدل را ارائه کرد. وی تجزیه و تحلیل تفکیکی چندگانه را به عنوان یک تکنیک آماری مناسب برای طبقه‌بندی مشاهدات در یکی از دو گروه هدف (شرکت‌های ورشکسته یا شرکت‌های غیر ورشکسته) انتخاب کرد. مدل Z-Score یک تابع تفکیک خطی متشکل از بعضی از معیارهایی است که به طور عینی اندازه گیری شده، به عنوان مبنایی برای طبقه‌بندی شرکت‌ها در گروه ورشکسته و غیر ورشکسته استفاده می شود.
اولسون] 24[ یک الگوی لگاریتمی جهت پیش‌بینی ورشکستگی ارائه نموده است. او چهار عامل اصلی را برای احتمال ورشکستگی شرکت‌ها بررسی کرده است. این چهار عامل شامل اندازه یا بزرگی شرکت، مقیاس‌هایی از فشار مالی شرکت، معیار‌های عملکرد و معیار‌های تفکیکی شرکت بوده‌اند. او برای معیار‌های ذکر شده نُه نسبت مالی انتخاب نموده است.
کی سی و بارتزاک] 20 [به بررسی متغیر‌های حاصل از صورت جریان وجوه نقد و متغیر‌های حاصل از اقلام تعهدی جهت تشخیص شرکت‌های ورشکسته پرداخته‌اند. بررسی آنها برای یک دوره پنج ساله و با استفاده از 60 شرکت ورشکسته و 230 شرکت غیر ورشکسته و با استفاده از سه نسبت حاصل از صورت جریآنهای نقدی و شش نسبت حاصل از اقلام تعهدی انجام شد. نتایج مطالعه آنان نشان داد که متغیرهای صورت جریان‌های نقدی بهتر از متغیرهای حسابداری تعهدی قادر به پیش‌بینی ورشکستگی هستند.
گالن و ویگلند] 22 [قدرت پیش‌بینی اقلام تعهدی و اقلام نقدی صورت‌های مالی را بررسی نمودند. آنها 60 شرکت ورشکسته و 204 شرکت غیر ورشکسته را انتخاب نمودند. نتایج مطالعه آنان نشان داد که می توان با استفاده از اطلاعات حسابداری پنج سال قبل از ورشکستگی شرکت‌ها، این موضوع را پیش‌بینی نمود.
گیلبرت، منون و شوارتز] 23 [توانایی پیش‌بینی مدل‌ها را بر پایه دو نمونه بررسی نمودند. دسته اول متشکل از 52 شرکت ورشکسته و 208 شرکت غیرورشکسته بوده‌اند. آنها از چهارده نسبت مالی استفاده کردند. یافته‌های تحقیق نشان داد که اطلاعات حسابداری در پیش‌بینی ورشکستگی سودمند بوده، نسبت‌های حاصل از صورت جریان‌های نقدی در پیش‌بینی بحران مالی از اهمیت زیادی برخوردار است.
در ایران نیز تحقیقاتی در زمینه پیش‌بینی بحران مالی صورت گرفته است. سلیمانی امیری] 9 [تحقیقی برای پیش‌بینی ورشکستگی شرکت‌های ایرانی انجام داد. نمونه تحقیق او متشکل از 30 شرکت تولیدی دارای بحران مالی و 30 شرکت فاقد بحران مالی بود. وی از بین 22 نسبت اولیه، پس از بررسی‌های لازم در نهایت پنج نسبت را که نشان دهنده نقدینگی، سودآوری، وضعیت اهرمی، کارایی عملیاتی و بازار بود، انتخاب کرد و در مدل نهایی از آنها استفاده نمود. نتایج تحقیق نشان داد که می توان با بحران مالی را پیش‌بینی نمود، اما قدرت پیش‌بینی مدل برای دوره بلند مدت پایین بود.
راعی و فلاح پور] 5 [در مطالعه خود با استفاده از شبکه‌های عصبی مصنوعی، به پیش‌بینی درماندگی مالی شرکت‌های تولیدی پرداخته‌اند. متغیرهای مدل آنها شامل نسبت سود عملیاتی به دارایی‌ها، نسبت سود عملیاتی به فروش، نسبت حقوق صاحبان سهام به بدهی‌ها، نسبت سرمایه در گردش به دارایی‌ها و نسبت دارایی‌های جاری به بدهی‌های جاری بود. نمونه آنها متشکل از 80 شرکت تولیدی بود، که در بازه زمانی1380-1373 انتخاب گردید. نتایج به دست آمده از مدل شبکه‌های عصبی مصنوعی، نشان داد که این مدل از توان بالایی در پیش‌بینی درماندگی مالی شرکت‌ها برخوردار است و می توان با اطمینان بالایی از آن استفاده کرد.
خوش طینت و قسوری] 3 [در تحقیق خود، مدل کی سی و بارتزاک را برای محیط اقتصادی ایران تخمین زده‌اند. آنها برای انجام تحقیق خود سه متغیر مربوط به صورت جریان‌های نقدی و شش متغیر مربوط به اقلام تعهدی را استفاده نمودند. متغیر‌های مورد استفاده آنها شامل نسبت وجوه نقد به دارایی‌ها، نسبت دارایی‌های جاری به دارایی‌ها، نسبت سود خالص به دارایی‌ها، نسبت بدهی‌ها به ارزش ویژه، نسبت فروش به دارایی‌های جاری، نسبت دارایی‌های جاری به بدهی‌های جاری، جریآنهای نقدی عملیاتی، نسبت جریان‌های نقدی عملیاتی به بدهی جاری و نسبت جریان‌های نقدی عملیاتی به بدهی‌ها بود. آنها در تحقیق خود از روش تحلیل ممیزی چند گانه استفاده نمودند. برای آزمون مدل، ابتدا شش متغیر تعهدی را وارد مدل نمودند. مدل آنها 83% نمونه‌ها را به طور صحیح طبقه‌بندی نمود. در مرحله بعد سه متغیر دیگر مربوط به جریان‌های نقدی نیز به همراه شش متغیر تعهدی وارد مدل گردیدند. نتایج نشان داد که مدل قادر است 95% از شرکت‌های نمونه را به درستی طبقه‌بندی نماید. البته، آنها در تحقیق خود هیچ اشاره ای به دوره پیش‌بینی خود ننموده‌اند و مشخص نیست که مدل آنها قدرت پیش‌بینی چند سال را دارد و یا اینکه نتایج آنها فقط برای داده‌های همان سال است.

روش تحقیق
روش مورد استفاده در این تحقیق روش شبه تجربی است. در این تحقیق، برای شناسایی متغیرهای حایز اهمیت در پیش‌بینی ورشکستگی، ابتدا مطالعات انجام شده در سایر کشورها و همچنین مطالعات انجام شده در زمینه تجزیه و تحلیل‌های مالی بررسی شده و 27 نسبت و شاخص مالی انتخاب شدند. فهرست این نسبت‌ها و شاخص‌ها در جدول شماره 1 آورده شده است. برای بررسی تفاوت معنادار نسبت‌های شناسایی شده در شرکت‌های دارای بحران مالی و شرکت‌های فاقد بحران مالی از آزمون t-test استفاده شده است. پس از انتخاب متغیر‌های حایز اهمیت در پیش‌بینی ورشکستگی، با استفاده از تابع تفکیکی خطی مدلی جهت پیش بینی بحران مالی شرکت‌ها ارائه شده است.

جامعه و نمونه آماری
جامعه آماری این تحقیق، کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است که از سال 1380 لغایت 1386 در بورس فعال بوده‌اند و بسته به سالی که شرکت انتخاب شده بود، جهت بررسی توانایی مدل در پیش‌بینی بحران مالی، این دوره زمانی به پنج سال قبل بسط داده شده است. تعداد شرکت‌های فعال در بورس اوراق بهادارتهران در ابتدای سال 1380حدود 305 شرکت بوده است.
با توجه به جامعه آماری، نمونه تحقیق متشکل از90 شرکت و در دو گروه طبقه‌بندی شده‌اند. گروه اول متشکل از 30 شرکت دارای بحران مالی و گروه دوم متشکل از 60 شرکت فاقد بحران مالی هستند. جهت انتخاب شرکت‌های دارای بحران مالی از چهار معیار استفاده شده است. چنانچه شرکتی هر چهار معیار را احراز نموده باشد، به عنوان نمونه انتخاب شده است.این معیارها به شرح زیر هستند:
1- شرکت در مقطع بحران مالی دارای زیان خالص باشد؛
2- زیان انباشته شرکت بیش از50 درصد سرمایه شرکت باشد (مشمول ماده 141 قانون تجارت شده باشد)؛
3- نماد شرکت بیش از یک سال بسته باشد؛
4- نسبت بدهی‌ها به کل دارایی‌ها بیش از یک باشد.
در خصوص انتخاب گروه دوم (شرکت‌های فاقد بحران مالی) با توجه به عدم محدودیت در خصوص تعداد شرکت‌های این گروه، تلاش گردیده انتخاب دقیقی از شرکت‌های فاقد بحران مالی صورت گیرد. نمونه گروه دوم، به گونه‌ای انتخاب شده است که از کلیه صنایع بر مبنای گروه‌بندی بورس اوراق بهادار تهران در آن وجود داشته باشد و بر اساس سال‌های 1380 به بعد، متناسب با تعداد شرکت‌های گروه اول و به تعداد 60 شرکت که فاقد ویژگی‌های گروه اول بوده، بهترین وضعیت مالی را داشته باشند، صورت گرفته است.
داده‌های مورد نیاز با توجه به صورت‌های مالی منتشر شده شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران برای هر یک از دوره‌ها ( از مقطع بحران مالی تا پنج سال قبل از آن ) انتخاب شده‌است. داده‌های مقطع بحران مالی جهت تعیین مدل پیش‌بینی بحران مالی استفاده شده است. داده‌های سال ماقبل آخر تا پنج سال ماقبل آخر جهت آزمون توانایی پیش‌بینی مدل جهت پیش‌بینی بحران مالی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران استفاده شده است.

جدول شماره 1: فهرست متغیرهای بالقوه در پیش‌بینی بحران مالی
# نام متغیرها نحوه محاسبه
1 قدرت کسب سود دارایی‌ها سود قبل از بهره و مالیات به دارایی‌ها
2 نرخ بازده دارایی سود خالص به دارایی‌ها
3 حاشیه سود خالص سود خالص به فروش
4 سرمایه تحصیل شده سود انباشته به دارایی‌ها
5 حاشیه سود عملیاتی سود قبل از بهره و مالیات به کل فروش
6 سود خالص به بدهی‌ها سود خالص به مجموع بدهی‌ها
7 نسبت جاری دارایی‌های جاری به بدهی‌های جاری
8 گردش دارایی‌ها فروش خالص به دارایی‌ها
9 گردش دارایی‌های ثابت فروش خالص به دارایی‌های ثابت
10 نسبت بدهی بدهی‌ها به دارایی‌ها
11 توان پرداخت بهره سود قبل از بهره و مالیات به هزینه بهره
12 سرمایه در گردش به دارایی‌ها مابه التفاوت دارایی‌ها و بدهی‌های جاری به دارایی‌ها
13 سرمایه در گردش به بدهی بلند مدت مابه التفاوت دارایی‌ها و بدهی‌های جاری به بدهی بلند مدت
14 سرمایه در گردش به فروش مابه التفاوت دارایی‌ها و بدهی‌های جاری به فروش
15 سرمایه در گردش به هزینه‌‌های نقدی مابه التفاوت دارایی‌ها و بدهی‌های جاری به هزینه‌‌های نقدی
16 کیفیت سود وجوه نقد عملیاتی منهای سود خالص به دارایی‌ها
17 وجوه نقد عملیاتی به فروش وجوه نقد حاصل از عملیات به فروش
18 وجوه نقد عملیاتی به بدهی‌ها وجوه نقد حاصل از عملیات به بدهی‌ها
19 وجوه نقد عملیاتی به حقوق صاحبان سهام وجوه نقد حاصل از عملیات به حقوق صاحبان سهام
20 حقوق صاحبان سهام به بدهی‌ها مجموع حقوق صاحبان سهام به بدهی‌ها
21 حقوق صاحبان سهام به سرمایه مجموع حقوق صاحبان سهام به سرمایه
22 نسبت قیمت به سود هر سهم قیمت پایان سال مالی به عایدی پیش‌ بینی شده هر سهم
23 اندازه شرکت لگاریتم فروش خالص
24 نوسان پذیری سود واریانس سود‌های همگن شده (بازده دارایی)
25 شاخص سودآوری بازده دارایی سال t به بازده دارایی سال t-1
26 شاخص اهرمی نسبت بدهی سال t به نسبت بدهی سالt-1
27 شاخص مطالبات گردش حساب‌های دریافتنی سال t به گردش حساب‌های دریافتنی سالt-1


تحلیل‌های تفکیکی خطی
برای تشریح تابع تفکیکی خطی فرض کنید ما دو جامعه داریم، که در آن، بردار:
X1=[x1،x2،…،xn1]، n1 مشاهده از جامعه 1 و بردار:
X2=[xn1+1،xn1+2،…،xn1+n2]، n2 مشاهده از جامعه 2 است. هر دو متغیرP متغیر تفکیکی دارند. فیشر (1936) یک تابع خطی (تفکیکی) برای طبقه‌بندی یک عنصر در دو جامعه متفاوت را پیشنهاد کرد. روش تفکیکی فیشر P بردار را از طریق یک تابع خطی به ارزش‌های واقعی نسبت می‌داد:
(1)

او تلاش کرد این دو جامعه را تا آنجا که امکان دارد، تفکیک کند (در اینجا a یک بردار 1×p است). فیشر بردار را به عنوان بهینه ساز تابع تفکیکی |S(a)| ارائه کرد؛ یعنی:

(2)

در اینجا y1 و y2 میانگین متغیرهای تبدیل یافته هستند.
(3)

که در آن:
و
S(a) ارائه شده در رابطه (2)، تفاوت بین میانگین تبدیل یافته مربوط به انحراف معیار نمونه(3) را اندازه‌گیری می‌کند. چنانچه مشاهدات تبدیل یافته y1،y2،…،yn1 و yn1+1،yn1+2،…،yn1+n2 به‌طور کامل تفکیک شوند، باید بزرگ باشد، زیرا تغییرات منظم داده‌های تبدیل یافته که به‌وسیله Sy انعکاس یافته نیز در نظر گرفته شده است.
ترکیب خطی نسبت را ماکزیمم می‌کند، هرگاه:
(4)

که در آن:
(5)

S1 ماتریس واریانس- کوواریانس جامعه اول و S2 ماتریس واریانس – کوواریانس جامعه دوم است.
همچنین بردار میانگین P متغیر جامعه اول و بردار میانگین P متغیر جامعه دوم هستند.
متعلق به جامعه اول است اگر:
(6)

یا
متعلق به جامعه دوم است اگر:
(7)

که در آن:

(8)


یافته‌های تحقیق
از بین 27 نسبت اولیه با استفاده از تحلیل‌های تفکیکی خطی نُه متغیر جهت پیش‌ بینی ورشکستگی حایز اهمیت تشخیص داده شدند. این نسبت‌ها شامل نسبت سود قبل از بهره و مالیات به دارایی‌ها (EBIT/TA )، نسبت سود انباشته به دارایی‌ها (RE/TA )، نسبت سرمایه در گردش به دارایی‌ها (WC/TA )، نسبت حقوق صاحبان سهام به بدهی‌ها (E/TL )، نسبت سود قبل از بهره و مالیات به فروش (EBIT/S )، نسبت دارایی‌های جاری به بدهی‌های جاری (CA/CL )، نسبت سود خالص به فروش (NE/S )، نسبت بدهی‌ها به دارایی‌ها (TL/TA ) و اندازه شرکت (FS ) بوده است. در جدول شماره (2) میانگین و انحراف معیار هر یک از متغیرها و آزمون معنادار بودن آن‌ها برای دو گروه از شرکت‌ها آورده شده است. همان‌طور که در جدول شماره 2 مشاهده می شود کلیه متغیرها در سطح بیش از 99% معنادار بوده‌اند. بنابراین، می‌توان گفت میان متغیرهای دو گروه تفاوت معناداری وجود دارد. تفاوت معنادار بین دو گروه خود مؤید محتوای اطلاعاتی اقلام حسابداری جهت تمایز بین شرکت‌های دارای بحران مالی و شرکت‌های فاقد بحران مالی است.

 

 

 

 



جدول شماره2: آزمون معناداری متغیرها
متغیر دارای بحران مالی فاقد بحران مالی تفاوت ( فاصله)
میانگین انحراف معیار میانگین انحراف معیار t-test P-value
EBIT/TA 187/0- 165/0 241/0 128/0 686/9- 000/0
AE/TA 163/1- 925/0 152/0 174/0 625/9- 000/0
WC/TA 970/1- 661/0 049/0 223/0 443/7- 000/0
E/TL 354/0- 255/0 205/1 470/0 830/3- 000/0
EBIT/S 425/0- 405/0 437/0 298/0 471/7- 000/0
CA/CL 615/0 374/0 155/1 468/0 935/4- 000/0
NE/S 501/0- 433/0 448/0 345/0 316/7- 000/0
TL/TA 313/1 273/0 602/0 215/0 924/8 000/0
FS 678/10 316/1 525/13 375/1 040/8- 000/0


لذا با توجه به نُه متغیر ذکر شده، مدلی نُه متغیره برای پیش‌ بینی بحران مالی با استفاده از روش تابع تفکیکی خطی طراحی و ضرایب متغیرهای مدل نیز با استفاده از نرم افزار‌های آماری برآورد شده است. مدل مذکور به شرح زیر است:

P = 3/20784 K1 +1/80384 K2 +1/61363 K3 +0/50094 K4 +0/16903 K5 -0/39709 K6 -0/12505 K7 +0/33849 K8 +1/42363 K9

که در آن:
P : بحران مالی در شرکت؛
K1 : نسبت سود قبل از بهره و مالیات به دارایی‌ها (EBIT/TA)؛
K2 : نسبت سود انباشته به دارایی‌ها (AE/TA)؛
K3 : نسبت سرمایه در گردش به دارایی‌ها(WC/TA)؛
K4 : نسبت حقوق صاحبان سهام به بدهی‌ها (E/TL)؛
K5 : نسبت سود قبل از بهره و مالیات به فروش (EBIT/S)؛
K6 : نسبت دارایی‌های جاری به بدهی‌های جاری (CA/CL)؛
K7 : نسبت سود خالص به فروش ( NE/S)؛
K8 : نسبت بدهی‌ها به دارایی‌ها(TL/TA)؛
K9 : اندازه شرکت (FS).
Cutoff= 15/8907
اگر 15/8907 P < باشد، در این صورت شرکت دارای بحران مالی است.
اگر 15/8907 P >= باشد، در این صورت شرکت فاقد بحران مالی است.
نقطه تمییز Cut off)) شرکت‌های دارای بحران مالی از شرکت‌های فاقد بحران مالی در این مدل عدد 8907/15 است که با استفاده از مدل تحلیل‌ تفکیکی خطی محاسبه گردیده است. این نقطه به گونه ای محاسبه شده است که بهترین طبقه‌بندی را برای شرکت‌‌های دارای بحران مالی و فاقد بحران مالی ارائه دهد. چنانچهP کمتر از 8907/15 باشد، شرکت به عنوان شرکت دارای بحران مالی و اگر P بزرگتر یا برابر 8907/15 باشد، شرکت به عنوان شرکت فاقد بحران مالی طبقه‌بندی می شود.

آزمون توانایی تمییزی مدل
نتایج حاصل از آزمون مدل با استفاده از داده‌‌های مربوط به برآورد مدل در جدول شماره 3 آورده شده است. همان‌طور که در جدول شماره 3 مشاهده می شود، این مدل از 30 شرکت دارای بحران مالی، 27 شرکت را به درستی در این گروه طبقه بندی نموده و تنها 3 شرکت در گروه شرکت‌های فاقد بحران مالی طبقه‌بندی شده‌اند. همچنین از 60 شرکت فاقد بحران مالی، 59 شرکت به درستی طبقه‌بندی شده‌اند و فقط یک شرکت به‌طور نادرست در گروه شرکت‌های دارای بحران مالی جای گرفته است. نتایج مدل در مقطع بحران مالی، گویای آن است که مدل 90% از گروه اول و 98% از گروه دوم را به‌طور صحیح طبقه‌بندی نموده است و خطای نوع اول 10% و خطای نوع دوم 2% است. نتایج کلی مدل، بیان کنندة آن است که تقریباً 95% از کل نمونه در مقطع بحران مالی به درستی طبقه‌بندی شده‌اند.
بنابراین، نتایج حاکی از آن است که مدل از قدرت تمییز بالایی برای تفکیک شرکت‌های دارای بحران مالی از شرکت‌های فاقد بحران مالی برخوردار است. لذا برای تفکیک شرکت‌های دارای بحران مالی از شرکت‌های فاقد بحران مالی می توان به مدل ارائه شده اتکا نمود و از آن استفاده کرد.

جدول شماره 3: توانایی تمییز مدل در مقطع بحران مالی
پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 27 3
گروه دوم (فاقد بحران مالی) 1 59
خطای نوع اول 27 90 3 10 30
خطای نوع دوم 59 98 1 2 60
جمع 86 95 4 5 90


آزمون توانایی پیش‌ بینی مدل با توجه به اطلاعات سال قبل از بحران مالی
در این قسمت مدل پیش‌ بینی بحران مالی با استفاده از اطلاعات سال قبل از بحران مالی، مورد آزمون قرار گرفته است. نتایج حاصل از آزمون توانایی پیش‌ بینی مدل با استفاده از اطلاعات سال قبل از بحران مالی در جدول شماره 4 آورده شده است.

 



جدول شماره 4: نتایج آزمون توانایی پیش‌ بینی مدل با توجه به اطلاعات سال قبل از بحران مالی
پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 25 5
گروه دوم (فاقد بحران مالی) 1 59
خطای نوع اول 25 83 5 17 30
خطای نوع دوم 59 98 1 2 60
جمع 84 93 6 7 90


آزمون توانایی پیش‌‌‌ بینی مدل با توجه به اطلاعات دو سال قبل از بحران مالی
مدل پیش‌‌‌ بینی بحران مالی با توجه به اطلاعات صورت‌های مالی دو سال قبل از بحران نیز بررسی و ارزیابی شده است. نتایج حاصل از آزمون توانایی پیش بینی مدل با استفاده از اطلاعات دو سال قبل از بحران مالی در جدول شماره 5 آورده شده است.

جدول شماره5: نتایج آزمون توانایی پیش بینی مدل با توجه به اطلاعات دو سال قبل از بحران مالی
پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 26 4
گروه دوم (فاقد بحران مالی) 2 58
خطای نوع اول 26 87 4 13 30
خطای نوع دوم 58 97 2 3 60
جمع 84 93 6 7 90


آزمون توانایی پیش بینی مدل با توجه به اطلاعات سه سال قبل از بحران مالی
مدل ارائه شده برای سه سال قبل از بحران مالی نیز مورد آزمون قرار گرفت. قدرت پیش بینی مدل نشان دهنده 83% طبقه‌بندی صحیح برای گروه اول و 95% طبقه‌بندی صحیح برای گروه دوم است. نتیجه کلی، همچنان بیانگر این است که پیش بینی مدل ارائه شده از دقت بسیار بالایی برخوردار است. نتایج آزمون توانایی پیش بینی مدل برای سه سال قبل از بحران مالی در جدول شماره 6 ارائه شده است.


جدول شماره6 : نتایج آزمون توانایی پیش بینی مدل با توجه به اطلاعات سه سال قبل از بحران مالی
پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 25 5
گروه دوم (فاقد بحران مالی) 3 57
خطای نوع اول 25 83 5 17 30
خطای نوع دوم 57 95 3 5 60
جمع 82 91 8 9 90


آزمون توانایی پیش بینی مدل با توجه به اطلاعات چهار سال قبل از بحران مالی
نتایج پیش بینی مدل تا قبل از این آزمون گویای دقت بیش از 90% برای شرکت‌های دارای بحران مالی و فاقد بحران مالی است، اما قدرت پیش بینی مدل با توجه به اطلاعات چهار سال قبل از بحران مالی در مقایسه با آزمون‌های قبل کاهش یافته است (جدول شماره 7 ).

جدول شماره 7: نتایج آزمون توانایی پیش بینی مدل با توجه به اطلاعات چهار سال قبل از بحران مالی
پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 23 7
گروه دوم (فاقد بحران مالی) 4 56
خطای نوع اول 23 77 7 23 30
خطای نوع دوم 56 93 4 7 60
جمع 79 88 11 12 90


آزمون توانایی پیش بینی مدل با توجه به اطلاعات پنج سال قبل از بحران مالی
مدل پیش بینی بحران مالی با توجه به اطلاعات صورت‌های مالی پنج سال قبل از بحران مالی نیز بررسی و ارزیابی شده است. نتایج آزمون توانایی پیش بینی مدل برای پنج سال قبل از بحران مالی در جدول شماره 8 ارائه شده است. نتایج آزمون حاکی از آن است که با توجه به اطلاعات حسابداری پنج سال قبل از بحران مالی می توان بحران مالی شرکت‌ها را پیش بینی کرد.



جدول شماره 8: نتایج آزمون توانایی پیش بینی مدل با توجه به اطلاعات پنج سال قبل از بحران مالی

پیش‌ بینی شده

 

پیش‌ بینی شده

 

 

واقعی

 


تعداد

درصد

تعداد پیش‌ بینی


درصد

تعداد پیش‌ بینی
صحیح صحیح خطا خطا n گروه اول گروه دوم
گروه اول (دارای بحران مالی) 22 8
گروه دوم (فاقد بحران مالی) 6 54
خطای نوع اول 22 73 8 27 30
خطای نوع دوم 54 90 6 10 60
جمع 76 84 14 16 90


بحث و نتیجه گیری
نتایج حاصل از مطالعه حاضر، حاکی از آن است که اطلاعات حسابداری قادر به پیش بینی بحران مالی در شرکت‌ها هستند. همچنین یافته‌های تحقیق مؤید آن است که تا پنج سال قبل از بحران مالی با دقت نسبتاً زیاد می توان بحران مالی را در شرکت‌ها پیش بینی نمود، اما با دور شدن از زمان وقوع بحران مالی، توانایی پیش بینی مدل نیز کاهش می یابدکه این امر ناشی از کاهش وضوح و روشنی شاخص‌های پیش بینی کننده بحران مالی بوده است. نتایج این تحقیق با یافته‌های محققان دیگر، نظیر آلتمن، بیور،گیلبرت، السون، کی سی و بارتزاک، گالن و ویگلند و سلیمانی سازگار است.
وجود بحران مالی در شرکت‌ها، در نهایت می‌تواند به ورشکستگی منجر گردد. بنابراین، با توجه به مدل ارائه شده می‌توان از قبل بحران مالی را در شرکت‌ها پیش‌بینی و تدابیر لازم را در خصوص تجدید نظر در کنترل شرکت اتخاذ نمود. با تغییر در کنترل شرکت و اتخاذ تدابیر لازم می‌توان از وقوع بحران مالی و نهایتاً ورشکستگی شرکت‌ها جلوگیری نمود.

پیشنهادهای تحقیق
با توجه به نتایج به دست آمده از این تحقیق، پیشنهادهای زیر ارائه می شود:
1- به سرمایه گذاران توصیه می شود که برای ارزیابی شرکت‌های ایرانی و تصمیم گیری در مورد خرید سهام آنان از این مدل استفاده نمایند.
2- به اعتباردهندگان، بانک‌ها و سایر نهادهای تأمین مالی پیشنهاد می شود که برای ارزیابی ریسک شرکت‌ها، مدل ارائه شده را مد نظر قرار دهند و به عنوان یکی از شاخص‌های ارزیابی ریسک برای اعطای وام استفاده کنند.
3- با توجه به تعداد زیاد شرکت‌های دولتی پیشنهاد می‌گردد که دولت با استفاده از این مدل اقدام به شناسایی شرکت‌های دارای بحران مالی نموده،برای تجدید ساختار یا انحلال آن‌ها تصمیم‌گیری کند.
4- به سازمان بورس و اوراق بهادار تهران توصیه می‌گردد جهت پذیرش شرکت‌ها در بورس و همچنین در نحوه ارزیابی شرکت‌ها از این مدل استفاده نماید.
5- به حسابرسان توصیه می گردد در خصوص اظهارنظر درباره تداوم فعالیت شرکت‌های مورد رسیدگی از مدل ارائه شده استفاده نمایند.

 

1) آذر، عادل و منصور مومنی. (1383). «آمار و کاربرد آن در مدیریت، جلد دوم، (تحلیل آماری) »، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت)، چاپ دهم.

2) پورحیدری، امید و مهدی کوپائی حاجی. (1387). « بررسی توانایی متغیرهای مالی در پیش‌بینی بحران مالی شرکت‌های پدیرفته شده در بورس اوراق بهادار تهران»، پایان نامه کارشناسی ارشد حسابداری.

3) خوش طینت، محسن و محمد تقی قسوری. (1384). «مقایسه بین نسبت‌های مالی ترکیبی مبتنی بر صورت جریان وجوه نقد و اقلام تعهدی با نسبت‌های مالی صرفا مبتنی بر اقلام تعهدی در پیش بینی ورشکستگی شرکت‌ها» فصلنامه مطالعات حسابداری، ش9، صص 43-61.

4) حافظ نیا، محمد رضا. (1380). «مقدمه‌ای بر روش تحقیق در علوم انسانی»، تهران: سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه‌ها (سمت).

5) راعی، رضا و سعید فلاح پور. (1383). «پیش بینی درماندگی مالی شرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی» تحقیقات مالی، ش17، صص39-69.

6) رهنمای رود پشتی، فریدون، ‌هاشم نیکومرام و شادی هوردیانی. (1385). «مدیریت مالی راهبردی (ارزش آفرینی)»، گروه مهندسین مشاور ماد سیستم(MCG)، چاپ اول.

7) ریچاردآ. جانسون، دین دبلیو. ویچرن. (1379). « تحلیل آماری چند متغیری کاربردی»، ترجمه حسینعلی نیرومند، مشهد: موسسه چاپ و انتشارات دانشگاه فردوسی، چاپ اول.

8) سلیمانی امیری، غلامرضا. (1381). «بررسی شاخص‌های پیش‌بینی کننده ورشکستگی در شرایط محیطی ایران» رساله دکتری، دانشگاه تهران: دانشکده مدیریت.

9) سلیمانی امیری، غلامرضا. (1382). « نسبت‌های مالی و پیش بینی بحران مالی شرکت‌ها در بورس اوراق بهادار تهران»، تحقیقات مالی، دانشگاه تهران، دانشکده مدیریت، سال پنجم، ش 15، صص121-136.

10)              Altman, E. I., (1968). "Corporate bankruptcy, potential stockholder returns and share valuation," Journal of Finance, 887–900.

11)              Altman E. I., Haldeman, and P. Narayanan (1977); "ZETA analysis: a new model to identify bankruptcy risk of corporations," Journal of Banking and Finance, June.

12)              Altman, E. I., (1982). "Accounting implications of failure prediction models," Journal of Accounting, Auditing and Finance, 6 (1), 4–19.

13)              Altman, E., I .(1983). "Spivack, Predicting bankruptcy: the value line relative financial strength system vs. the zeta bankruptcy classification approach," Financial Analysts Journal 60–67.

14)              Altman, E. I., (1993), "Corporate Financial Distress and Bankruptcy," John Wiley and Sons, New York

15)              Altman, E. I, and P. Arman, (2000), “Defaults and Returns in the High Yield Bond Market,” Journal of Applied Finance, Spring-Summer, pp 98-112.

16)              Aziz, A., and G. H. Lawson. (1988), "Bankruptcy prediction An Investigation of Cash Flow Based Models," Journal of Management Studies, Vol.25, No.5, PP. 419-435

17)              Aziz, A. and G. H. Lawson. (1989), "Cash Flow Reporting And Financial Distress model: Testing of Hypotheses," Financial Management, Vol.18, No.1, PP. 55-63.

18)              Beaver, W. H., and Kennelly, J. W. (1968) "Predictive Ability as a Criterion for the Evaluation of Accounting Data", The Accounting Review, p.675.

19)              Blum, M.)1974(. Falling Company Discrimination Analysis. Journal of Accounting Research. Spring,pp.176-179.

20)              Casey, C. and N. Bartczk. (1985)."Using Operating Cash Flow data To predict Financial Distress; Some Extension," Journal of Accounting Research. Vol23 No.1, pp 383-401.

21)              Fisher R. A. (1936); "The use of multiple measurements in taxonomic problems", Annals of Eugenics, 7.

22)              Gahlon, J. M., and R.L. Vigeland. (1988). "Early warning of Bankruptcy Using Cash Flow Analysis," The Journal of Commercial Bank Lending, pp. 4-15.

23)              Gilbert, L. R., Menon, K. and K. B., Schewartz. (1990), "Predicting Bankruptcy for Firm In Financial Distress," Journal of Business and Accounting, Vol. 17, No.1, pp. 161-171.

24)              Ohlsan, J. A.(1980), "Financial Ratios and Probabilistic Prediction of Bankruptcy," Journal of Accounting Research, Vol. 18, No.1, pp.109-131.

25)              Taffler,R.J., )1984(. Emprical model For The Monitoring of UK Corporation. Journal of Banking and Finance. Vol.8, pp.199-2270

26)              Viscione,J.A.)1985(. Assessing Financial Distress. The Journal of Commercial Bank Lending. pp.39-55.