پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از درخت تصمیم و رگرسیون لجستیک

نویسندگان

1 دانشیار آمار زیستی، دانشگاه علوم پزشکی اصفهان

2 کارشناسی ارشد مدیریت دولتی (گرایش مالی– دولتی)، دانشگاه آزاد خوراسگان

چکیده

 
هدف اصلی این مقاله پیش‌بینی ورشکستگی اقتصادی شرکت‌ها در بورس اوراق بهادار تهران با استفاده از درخت تصمیم (CART) و رگرسیون لجستیک است که از تکنیک‌های داده کاوی هستند و می‌توانند به امر پیش‌بینی کمک کنند. نسبت‌های مالی به عنوان متغیرهای مستقل و شرکت‌های سالم و ورشکسته به عنوان متغیر وابسته پژوهش استفاده شده است. جامعه آماری اطلاعات صورت‌های مالی شرکت‌ها در بورس اوراق بهادار تهران طی سال‌های 1378تا 1389 است. در این پژوهش از نمونه‌گیری استفاده نشده است و شرکت‌ها شامل دو گروه سالم و ورشکسته است گروه ورشکسته بر مبنای ماده 141 قانون تجارت و زیان خالص انتخاب شده‌اند و گروه غیر ورشکسته بر اساس معیار سود‌دهی انتخاب شده‌اند. یافته‌های تحقیق حاکی از آن است که هر دو مدل درخت تصمیم و رگرسیون لجستیک توانایی پیش‌بینی ورشکستگی را با دقت‌های متفاوت دارا هستند و سطح زیر منحنی ROC در مدل رگرسیون لجستیک بیشتر از مدل درخت تصمیم است و از عملکرد بهتری برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Bankruptcy Prediction of Companies listed Corporations in Tehran Stock Exchange by Using Decision Tree and Logistic Regression

نویسندگان [English]

  • S.M Hosseini 1
  • Z Rashidi 2
1 Associate Professor of Biological Statistics, University of Isfahan, Iran
2 MA student of Public- financial Management at Azad University of Khorasgan, Iran
چکیده [English]

The main goal of this study is the prediction of companies listed in Tehran Stock Exchange using decision tree and logistic regression, which are data mining methods and can help facilitate prediction. Financial ratios are independent variables and healthy and bankrupt companies are dependent variables. Statistical population of the research is information about financial statements of companies listed in Tehran Stock Exchange during 1999 – 2010.  No sampling was used in this study; we have two groups of healthy and bankrupt companies. Bankrupt companies group was selected based on article 141 of Commercial law and the healthy group was selected based on profitability criteria. Results suggest that both decision tree and logistic regression methods predict bankruptcy with different accuracy. Area under ROC curve in logistic regression model is more than in decision tree model.

کلیدواژه‌ها [English]

  • prediction bankruptcy
  • Data Mining
  • Decision Tree
  • cart
  • Logistic Regression


پیش بینی ورشکستگی به نظر می‌رسد محبوب‌ترین موضوع در استفاده از تکنیک‌های تصمیم‌گیری در داده‌های مالی است. ورشکستگی شرکت‌ها منجر به خسارات اقتصادی برای مدیران، سرمایه‌گذاران، بستانکاران و کارکنان به همراه هزینه‌های اجتماعی می‌شود. به این دلایل پیش‌بینی ورشکستگی یک مسئله مهم در امور مالی است. رقابت روز افزون بنگاه‌های اقتصادی، دست‌یابی به منابع را محدود کرده است و احتمال ورشکستگی را افزایش داده است. تحقیقات انجام شده قبلی نشان داده است که شرکت‌ها ورشکستگی خود را پنهان می‌کنند و زمانی رسماً اعلام ورشکستگی می‌کنند که درآن زمان تلاش برای جلوگیری از ورشکستگی بیهوده و بسیار دیر است ] 46[. بر این اساس یکی از اولین تحقیقاتی که در زمینه شرایط مالی شرکت‌ها انجام شده این بوده است که آیا می‌توان زمان ورشکستگی شرکت‌ها را قبل از وقوع و اعلام رسمی تشخیص داد؟
سرمایه‌گذاران و اعتباردهندگان تمایل زیادی برای پیش‌بینی ورشکستگی بنگاه‌ها دارند، زیرا در صورت ورشکستگی هزینه‌های زیادی به آن‌ها تحمیل می‌شود. در 40 سال اخیر موضوع" پیش‌بینی ورشکستگی شرکت‌ها" به عنوان یکی از موضوعات عمده پژوهش در ادبیات مالی تبدیل شده است. تحقیقات آکادمیک زیادی تلاش کرده‌اند بر اساس اطلاعات موجود و روش‌های آماری، بهترین مدل‌های پیش‌بینی ورشکستگی را کشف کنند و در اکثر کشورهای در حال توسعه،‌ پژوهشگران به منظور ساخت مدل‌های جدید، تلاش‌های زیادی نموده و مدل‌های پیش‌بینی متعددی نیز با توجه به محیط‌های اقتصادی و مالی مختلف، ارائه داده‌اند ]37[. در حال حاضر، تکنیک‌های داده کاوی یا کشف دانش (KDD) به سرعت برای کشف الگوهای مفید در مقدار زیادی از داده‌ها، به خصوص در حوزه مسائل مالی توسعه پیدا کرده‌اند. در این پژوهش از مدل‌های درخت تصمیم‌گیری (CART) و رگرسیون لجستیک با روش داده کاوی جهت پیش‌بینی ورشکستگی استفاده شده است به منظور معرفی یک مدل مطلوب که بتواند به عنوان یک سیگنال هشدار دهنده اولیه به مدیران سازمان‌ها ؛ مقامات دولتی؛ صاحبان سهام؛ سرمایه‌گذاران ،اعتباردهندگان و تحلیل‌گران مالی وکارکنان ... کمک کند.
مروری بر مبانی نظری پژوهش
از دید کلان اقتصادی، بورس اوراق بهادار در فرآیند توسعه اقتصاد ملی از اهمیت زیادی برخوردار است، به طوری که می‌‌توان گفت میزان فعالیت و اهمیت بورس اوراق بهادار با درجه توسعه یافتگی اقتصاد ملی رابطه‌ای همسو دارد. در واقع، نقش بورس اوراق بهادار در گردآوری نقدینگی‌ راکد و غیر مولد و هدایت منابع پس‌انداز سرگردان به سوی‌ مصارف سرمایه‌گذارای و تأمین منابع مالی فعالیت‌های اقتصادی‌ مولد، جلب مشارکت مردمی، گسترش مبان‍ی مالکیت مردمی، جلوگیری از فرار سرمایه و گسترش اقتصاد زیرزمینی، جذب سرمایه‌های خارجی، کاستن از فشار کسری بودجه دولت و کمک به رشد اقتصادی، انکارناپذیر است ]21[. ورشکستگی شرکت‌ها معمولاً بر نقدینگی بازار سرمایه و توسعه اقتصاد مؤثر است. در زمان ورشکستگی، بانک‌ها معمولاً اعتباردهی به شرکت‌های ورشکسته را کاهش داده و در ازای وامی‌ که به شرکت‌ها می‌دهند، بهره بالاتری را برای‌ جبران ریسک اضافی درخواست می‌کنند. به صورت مشابهی، مؤسسات سرمایه‌گذاری همچون صندوق‌های‌ بازنشستگی‌ و شرکت‌های‌ بیمه، خرید سهام را کاهش می‌دهند و بیشتر به سراغ سرمایه‌گذاری و خرید اوراق قرضه بانک‌ها یا بازارهای مشابه به آن اقدام می‌کنند. همه این‌ها به کاهش نقدینگی در بازارهای سرمایه،‌ افزایش هزینه سرمایه شرکت‌ها و کاهش رشد اقتصادی‌ منجر خواهد شد ]21.[ دراینجا مقصود از ورشکستگی، ورشکستگی ‌اقتصادی است و زمانی رخ می‌دهد که بر اثر زیان‌های وارده،‌ حداقل نیمی ‌از سرمایه شرکت از میان برود. یعنی شرکت مشمول ماده 141 قانون اصلاحی تجارت شود. در این ماده می‌خوانیم: اگر بر اثر زیان‌های وارده، حداقل نصف سرمایه شرکت از میان برود، هیأت مدیره مکلف است بلافاصله مجمع عمومی فوق‌العاده صاحبان سهام را دعوت نماید تا موضوع انحلال یا بقای‌ شرکت، مورد شور و رأی واقع شود. هرگاه مجمع مزبور رای به انحلال شرکت ندهد، باید در همان جلسه و با رعایت مقررات ماده 6 این قانون، سرمایه شرکت را به مبلغ سرمایه موجود کاهش دهد ]26[. در صورتی‌ که شرکتی مشمول ماده 141 قانون اصلاحی تجارت شود، کلیه معاملات سهام آن مسدود می‌شود.
در واقع تکنیک‌های تولید و جمع‌آوری پایگاه داده‌ها بسیار سریع‌تر از توانایی ما در درک و استفاده از آنها رشد کرده است. با توجه به وجود اطلاعات ارزشمند در این پایگاه داده‌ها در اواخر دهۀ 80 تلاش برای استخراج اطلاعات و استفاده از آن‌ها شروع شد. در فواصل سال‌های 1991 تا 1994 کارگاه‌های کشف دانش و معرفت از پایگاه داده‌ها توسط فیاض، پیاتتسکی و همکاران برگزار شد. امروز کنفرانس‌های مختلفی در این زمینه در سراسر دنیا برگزار می‌شود. نگاهی به ترجمه تحت‌اللفظی داده کاوی، به ما در درک بهتر این واژه کمک می‌کند. به معنای استخراج از منابع نهفته و با ارزش زمین اطلاق می‌شود. پیوند این کلمه با کلمه داده، جستجویی عمیق جهت پیدا کردن اطلاعات اضافی مفید که قبلاً نهفته بودند، از داده‌های قابل دسترس حجیم را پیشنهاد می‌کند. داده کاوی یک رشته نسبتاً جدید علمی می‌باشد که از انجام تحقیقات حداقل در رشته‌های آمار، یادگیری ماشین، علوم رایانه خصوصاً مدیریت پایگاه داده‌ها شکل گرفته است. البته مرزهای این رشته‌ها در داده کاوی مبهم می‌باشد ]22[. به منظور انتخاب یک مدل، ما باید واقعیت مسأله را مشخص کنیم. واضح است که ما یک مسأله رده‌بندی، که متغیر پاسخ دو دویی و هدف ما پیش‌گویی ورشکستگی شرکت‌ها می‌باشد، داریم. الگوریتم‌های رایج در داده کاوی از این قرارند؛ قواعد وابستگی؛ درخت تصمیم؛ الگوریتم ژنتیک؛ شبکه‌های عصبی؛ K نزدیک‌ترین همسایه؛ رگرسیون خطی/ لجستیک ]45[. در این پژوهش از مدل‌های درخت تصمیم و رگرسیون لجستیک با روش داده کاوی جهت پیش‌بینی ورشکستگی استفاده شده است.
پیشینه پژوهش
پژوهش‌های داخلی
در ایران پژوهش‌هایی بر روی مدل‌های پیش‌بینی ورشکستگی و درماندگی مالی انجام شده اما پژوهش‌های کمتری درمورد پیش‌بینی ورشکستگی با استفاده ازمدل درخت تصمیم CART توسط محقق یافت شد.
در زیر به ذکر مواردی از پژوهش‌های انجام شده در زمینه پیش‌بینی ورشکستگی پرداخته می‌شود. ابزری، شهشهانی و رسول‌زاده ]1[ به بررسی کاربرد مدل آلتمن برای تعیین وضعیت ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در دو صنعت نساجی و ساخت فلزات اساسی پرداختند و نشان داده شد که از گروه ورشکسته که شامل 16شرکت بود مدل آلتمن با 81 درصد اطمینان وضعیت ورشکستگی شرکت‌ها را قبل ازورشکستگی به درستی پیش‌بینی کرده است گروه غیر ورشکسته نیز شامل 25 شرکت بود که در مدل آلتمن با 92 درصد اطمینان وضعیت عدم ورشکستگی شرکت‌ها را طی دوره 4 ساله 75 تا 78 به درستی پیش‌بینی کرده است.
سلیمانی امیری ]11[ در پژوهش خود تحت عنوان بررسی شاخص‌های پیش‌بینی‌کننده ورشکستگی در شرایط محیطی ایران با مدل رگرسیون چندگانه از اطلاعات 30 شرکت سالم و 30 شرکت ورشکسته استفاده کرده است و مدلی جهت پیش‌بینی بحران مالی در شرکت‌های پذیرفته شده در بورس اوراق بهادار ارائه نموده و آن‌ را تا سه سال قبل از بحران مالی مورد آزمون قرار داده بود که نتایج حاصل از تحقیق حاکی از آن بوده که مدل مزبور در یک، دو و سه سال قبل از بحران مالی، به ترتیب 95% و 83% و 95% کل نمونه را به طور صحیحی طبقه‌بندی نموده است.
یاریفرد ]28[ به بررسی مدل‌های پیش‌بینی ورشکستگی (مدل‌های فولمر و اسپرینگت و زمیجوسکی) در بورس اوراق بهادار تهران پرداخت. نتایج پژوهش او نشان داد که برای یک سال قبل از ورشکستگی مدل فولمر با اطمینان 90 درصد، مدل اسپرینگ با 76 درصد و مدل زمیجوسکی با اطمینان 71 درصد شرکت‌های ورشکسته را درست پیش‌بینی کرده است.
فلاح‌پور و راعی ]17[ در پژوهش خود تحت عنوان پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی به پیش‌بینی درماندگی در 80 شرکت تولیدی پرداخت و به این نتیجه رسیدند که مدل شبکه عصبی در پیش‌بینی ورشکستگی به طور معنی‌داری نسبت به مدل تفکیکی چند متغیره از دقت پیش‌بینی بیشتری برخوردار است.
ﻣﻬﺮﺍﻧﻲ و همکاران ]23[ در ﭘـﮋﻭﻫﺶ خود به دنبال به ﺩﺳﺖ ﺁﻭﺭﺩﻥ ﻣﺪﻝﻫﺎﻳﻲ ﺟﺪﻳﺪ ﺑﺮ ﻣﺒﻨﺎﻱ ﺍﻟﮕﻮﻫﺎﻱ ﭘﻴﺶﺑﻴﻨﻲ ﻭﺭﺷﮑﺴﺘﮕﻲ ‫ﺯﻳﻤﺴـﮑﻲ ﻭ ﺷـﻴﺮﺍﺗﺎ ﻣﺘﻨﺎﺳـﺐ ﺑﺎ ﺷﺮﺍﻳﻂ ﻣﺤﻴﻄﻲ ﺍﻳﺮﺍﻥ ﺍﺳﺖ. ﻧﺘﺎﻳﺞ ﻧﺸﺎﻥ ﺩﺍﺩ ﮐـﻪ ﻫـﺮ ﺩﻭ ﺍﻟﮕـﻮ ﺗﻮﺍﻧﺎﻳـﻲ ﺗﻘﺴﻴﻢ ﺷﺮﮐﺖﻫﺎ ﺭﺍ ﺑﻪ ﺩﻭﮔﺮﻭﻩ ﻭﺭﺷﮑﺴﺘﻪ ‫ﻭ ﻏﻴﺮ ﻭﺭﺷﮑﺴـﺘﻪ ﺩﺍﺭﻧـﺪ و ‫ﻣﺘﻐﻴﺮﻫﺎﻱ ﻣﺴﺘﻘﻞ ﺍﻟﮕﻮﻫﺎ ﺗأﺛﻴﺮ ﻳﮑﺴﺎﻧﻲ ﺩﺭ ﭘﻴﺶﺑﻴﻨﻲ ﻭﺭﺷﮑﺴﺘﮕﻲ ﺷﺮﮐﺖﻫﺎ ﻧﺪﺍﺭﻧﺪ.
امینی ]3[ به بررسی استفاده از مدل فولمر برای تخمین ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداخت. این پژوهش در دوره 8 ساله از سال 1375تا 1383بوده است. نتایج پژوهش نشان داد مدل فولمر با 75 درصد اطمینان یک سال قبل از ورشکستگی و با 68 درصد اطمینان دو سال قبل از ورشکستگی توانسته وضعیت ورشکستگی شرکت‌ها را درست پیش‌بینی کند.
کمیجانی و سعادت‌فر ]20[ به کاربرد مدل‌های شبکه عصبی در پیش‌بینی ورشکستگی اقتصادی شرکت‌های بازار بورس پرداختند نتایج پژوهش آن‌ها نشان داد که به کارگیری مدل‌های شبکه عصبی مصنوعی توانایی مدیران را برای مقابله با نوسانات اقتصادی ورشکستگی افزایش می‌دهد. پیش‌بینی ورشکستگی شرکت‌های بازار بورس در سال‌های 1385و 1386 و ترسیم روند ورشکستگی این شرکت‌ها در دورة 1369-1386 از دیگر بخش‌های این پژوهش است . نتایج نشان می‌دهد که در سال 1385تحت تأثیر سیاست‌های شفاف‌سازی روند ورشکستگی اقتصادی شرکت‌ها به طور چشمگیری افزایش خواهد یافت که با سازگار شدن شرکت‌ها با شرایط جدید تا حدی این روند در سال 1386تعدیل می‌شود.
فرج‌زاده دهکردی ]18[ در پژوهش خود نشان داد که الگوریتم ژنتیک قابلیت پیش‌بینی ورشکستگی تا 90 درصد در نمونه آزمون دارد در حالی که تجزیه و تحلیل تفکیکی چند متغیره تا 73 درصد از ورشکستگی شرکت‌ها را می‌تواند پیش‌بینی نماید.
راعی و فلاح‌پور]14[ به بررسی کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی پراختند و این روش را با رگرسیون لجستیک مقایسه کردند. نتایج این پژوهش نشان داد که در پیش‌بینی درماندگی مالی شرکت‌ها مدل ماشین بردار پشتیبان نسبت به مدل لجستیک به طور معنی‌داری از دقت کلی بیشتری برخوردار است و این مدل توانایی بالاتری نیز در تعمیم‌پذیری دارد.
ﺳﻠﻴﻤﺎﻧﻲ و ﻧﻴﻜﻮﻣﺮام ]13[ به درﺟﻪﺑﻨﺪی و رﺗﺒﻪﺑﻨﺪی ﺷﺮکت‌های ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬﺎدار ‫ﺗﻬﺮان ﺑﺮ ﻣﺒﻨﺎی ﺗﻮاﻧﺎﻳﻲ ﻧﺴﺒﻲ ﺗﺪاوم ﻓﻌﺎﻟﻴﺖ (ﺗﻮاﻧﻤﻨﺪی ﻣﺎﻟﻲ) ﺑﺮ اﺳﺎس ﻣﺪل زاوﮔﻴﻦ پراختند. ‫ﻧﺘﻴﺠﻪ به دﺳﺖ آﻣﺪه از ﺗﺤﻘﻴﻖ، ﺣﺎﻛﻲ از اﻳﻦ اﻣﺮ اﺳﺖ ﻛﻪ ﺑﻪ دﻟﻴﻞ ﺷﺮاﻳﻂ ﻣﺤﻴﻄﻲ و اﻗﺘﺼﺎدی ‫ﺣﺎﻛﻢ ﺑﺮ ﺑﻮرس اﻳﺮان، ﻣﺪل زاوﮔﻴﻦ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻲ اﺣﺘﻤﺎل ورﺷﻜﺴﺘﮕﻲ ﻛﺎرا ﻧﺒﻮده و ﻫﻤﭽﻨﻴﻦ ﻣﺪل ﻣﺬﻛﻮر ﺑﺮای ﭼﻬﻞ ﺷﺮﻛﺖ ﻏﻴﺮ ورﺷﻜﺴﺘﻪ آزﻣﻮن ‫ﺷﺪ ﻛﻪ ﺻﺪ در ﺻﺪ ﻛﺎراﻳﻲ داﺷﺘﻪ اﺳﺖ.
سعیدی و آقایی ]10[ دو مدل با استفاده از شبکه بیز و یک مدل با استفاده از رگرسیون لجستیک برای نمونه انتخاب شده از شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1375-1385 ارائه کردند اولین مدل شبکه ساده بیز که مبتنی بر همبستگی شرطی بوده است و می‌تواند با دقت 90% شرکت‌های ورشکسته و غیر ورشکسته را درست پیش‌بینی کند. دومین مدل شبکه بیز که مبتنی بر احتمال شرطی است و با دقت 93% شرکت‌های ورشکسته و غیر ورشکسته را درست پیش‌بینی می‌کند و در نهایت، مدل رگرسیون لجستیک که یک مدل خطی است می‌تواند با دقت 90% شرکت‌های ورشکسته و غیر ورشکسته را درست پیش‌بینی کند.
رﻫﻨﻤﺎی رودﭘﺸﺘﻲ و همکاران ]15[ در ﻣﻄﺎﻟﻌﻪ خود به اراﺋﻪ ﻣﺒﺎﻧﻲ ﺗﺌﻮرﻳﻜﻲ ﺗﺤﻘﻴﻖ و ﻣﻘﺎﻳﺴﻪ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از ﺑﻪ ﻛﺎرﮔﻴﺮی ﻣﺪلﻫﺎی آﻟﺘﻤﻦ و ‫ﻓﺎﻟﻤﺮ ﺟﻬﺖ ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﺷﺮﻛﺖﻫﺎ پرداختند. از اﻳﻦ رو دادهﻫﺎی ﺟﻤﻊ‌آوری ﺷﺪه ﺑﺮای ‫ﺳﺎلﻫﺎی 1379 ﺗﺎ 1383 ﻣﻮرد آزﻣﻮن ﻗﺮار ﮔﺮﻓﺖ. ﺑﻪ ﻣﻨﻈﻮر ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ دادهﻫﺎ روشﻫﺎی ‫آﻣﺎری ﺑﺎﻳﻨﻮﻣﻴﺎل ﻧﺎﭘﺎراﻣﺘﺮﻳﻚ ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﮔﺮﻓﺖ. ﻧﺘﺎﻳﺞ ﺣﺎﺻﻠﻪ ﺣﺎﻛﻲ از آن اﺳﺖ ﻛﻪ در ‫ﭘﻴﺶﺑﻴﻨﻲ ﻳﻚ ﺷﺮﻛﺖ، ﺗﻔﺎوت ﻣﻌﻨﻲ‌داری ﺑﻴﻦ ﻧﺘﺎﻳﺞ دو ﻣﺪل وﺟﻮد دارد. ﻫﻤﭽﻨﻴﻦ ﻣﺪل آﻟﺘﻤﻦ در ‫ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﻣﺤﺎﻓﻈﻪﻛﺎراﻧﻪﺗﺮ از ﻣﺪل ﻓﺎﻟﻤﺮ ﻋﻤﻞ ﻣﻲﻛﻨﺪ.
ﭘﻮرزﻣﺎﻧﯽ و همکاران ]7[ در ﺗﺤﻘﯿﻖ خود ﺗﻼش کردند وﺿﻌﯿﺖ ﻣـﺎﻟﯽ ‫و اﻗﺘﺼﺎدی ﺷﺮکت‌ها را ﺑﺎ اﺳﺘﻔﺎده از نسبت‌های ﺷﺎﺧﺺ ﺳﻮدآوری، جریان‌های ﻧﻘـﺪی و رﺷـﺪ ‫ﭘﯿﺶﺑﯿﻨﯽ کنند، از این رو ﻫﺪف اﯾﻦ ﭘﮋوﻫﺶ ﺗﻮﺳﻌﻪ و آزﻣـﻮن ﻋﻤﻠﮑـﺮد ﻣـﺎﻟﯽ و روﯾﮑـﺮد ‫ارزﯾﺎﺑﯽ رﯾﺴﮏ اﺳﺖ و ﺑﻪ ﻣﻨﻈﻮر ﻃﺒﻘﻪﺑﻨﺪی ﺷﺮکت‌ها ﺑﻪ دو ﮔﺮوه ﻣﻮﻓﻖ و ﻧﺎﻣﻮﻓﻖ، ﻓﺮﺿﯿﻪ ‫ﺗﺤﻘﯿﻖ ﺑﺮای دو ﮔﺮوه ﺷﺮﮐت‌های ورﺷﮑﺴﺘﻪ ﻃﺒﻖ ﻣـﺎده 141 ﻗـﺎﻧﻮن ﺗﺠـﺎرت و ﺷـﺮکت‌های ‫حذف ﺷﺪه از ﺑﻮرس ﻃﺒﻖ ﺗﺼﻤﯿﻢ ﻫﯿأت ﭘﺬﯾﺮش ﺑـﻮرس ﺑـﺎ اﺳـﺘﻔﺎده از ﺗﺤﻠﯿـﻞ آﻣـﺎری ‫ﻻﺟﯿﺖ ﻣﻮرد آزﻣﻮن ﻗﺮار ﮔﺮﻓﺖ، ﻧﺘﺎﯾﺞ ﺗﺤﻘﯿﻖ ﻧﺸﺎن ﻣﯽ‌دﻫﺪ ﻧﺴﺒت‌های ﻣـﺎﻟﯽ در ﻫـﺮ دو ‫ﮔﺮوه ﻧﻤﻮﻧﻪ‌ﮔﯿﺮی، ﺗﻮاﻧﺎﯾﯽ ﻃﺒﻘﻪ‌ﺑﻨﺪی ﺷﺮﮐت‌ها ﺑﻪ دو ﮔﺮوه ﻣﻮﻓﻖ و ﻧـﺎﻣﻮﻓﻖ را دارﻧـﺪ اﻣـﺎ ‫دﻗﺖ ﻣﺪل ﺗﺪوﯾﻦ ﺷﺪه ﺑﺮ اﺳﺎس ﺷﺮﮐت‌های ورﺷﮑـﺴﺘﻪ ﻃﺒـﻖ ﻣـﺎده 141 ﻗـﺎﻧﻮن ﺗﺠـﺎرت ‫ﻧﺴﺒﺖ ﺑﻪ شرکت‌های ﺣﺬف ﺷﺪه از ﺑﻮرس اوراق ﺑﻬﺎدار ﺑﺎﻻﺗﺮ اﺳﺖ.
ﺳﻠﻴﻤﺎﻧﻲ ]12[ ﺑﻪ ﺑﺮرﺳـﻲ ﻛـﺎراﻳﻲ ‫اﻟﮕﻮﻫﺎی ﭘﻴﺶﺑﻴﻨﻲ ﺑﺤﺮان ﻣﺎﻟﻲ در ﻣﺤﻴﻂ اﻗﺘﺼﺎدی اﻳﺮان ﭘﺮداﺧﺘﻪ اﺳﺖ. ﻧﻤﻮﻧﻪﻫﺎی آﻣﺎری ﺗﺤﻘﻴـﻖ ﺷـﺎﻣﻞ 30 ﺷـﺮﻛﺖ ‫ﻣﻮﻓﻖ و 30 ﺷﺮﻛﺖ ﻧﺎﻣﻮﻓﻖ اﺳﺖ ﻛﻪ از ﺑﻴﻦ ﺷﺮکت‌های ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬـﺎدار ‫ﺗﻬﺮان اﻧﺘﺨﺎب ﺷﺪ. ‫ﻓﺮﺿﻴﻪﻫﺎی ﮔﺮوه اول ﺑﺎ اﺳﺘﻔﺎده از روش ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﻟﻮﺟﻴﺐ آزﻣـﻮن ﺷـﺪ. ﻧﺘـﺎﻳﺞ ‫ﻧﺸﺎن داد ﻛﻪ اﻟﮕﻮﻫﺎی ﭘﻴﺶﺑﻴﻨﻲ ﺑﺤﺮان ﻣﺎﻟﻲ ﺗﻮاﻧﺎﻳﻲ ﭘﻴﺶ‌ﺑﻴﻨـﻲ ﺗـﺪاوم ﻓﻌﺎﻟﻴـﺖ شرکت‌های ‫ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان را ﺑﺮای ﻳﻚ و دو ﺳﺎل ﻗﺒـﻞ از ﺗﻮﻗـﻒ ﻓﻌﺎﻟﻴـﺖ ‫دارﻧﺪ. ﺑﺮای آزﻣﻮن ﻓﺮﺿﻴﻪﻫﺎی ﮔﺮوه دوم از آزﻣـﻮن ﻣﻌﻨـﻲ‌دار ﺑـﻮدن ﺗﻔـﺎوت دو ﺿـﺮﻳﺐ ‫ﻫﻤﺒﺴﺘﮕﻲ اﺳﺘﻔﺎده ﺷﺪ. ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد ﻛﻪ اﻳﻦ اﻟﮕﻮﻫﺎ، ﺗﻔـﺎوت ﻣﻌﻨـﻲ‌داری در ﭘـﻴﺶ‌ﺑﻴﻨـﻲ ‫ﺗﺪاوم ﻓﻌﺎﻟﻴﺖ ﺷﺮکت‌ها دارﻧﺪ.
ﭘﻮرﺣﯿﺪری و ﮐﻮﭘﺎﺋﯽ ﺣﺎﺟﯽ ]6[ در اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﺑﺮای ﺷﻨﺎﺳﺎﯾﯽ ﻣﻬﻤﺘﺮﯾﻦ ﻣﺘﻐﯿﺮﻫﺎی ﺣﺎﯾﺰ اﻫﻤﯿﺖ در ﭘـﯿﺶﺑﯿﻨـﯽ ﺑﺤـﺮان ﻣـﺎﻟﯽ و ورﺷﮑﺴـﺘﮕﯽ ‫ﺷﺮﮐﺖﻫﺎ، از ﻣﺪل ﺗﺎﺑﻊ ﺗﻔﮑﯿﮑﯽ ﺧﻄﯽ اﺳﺘﻔﺎده ﺷﺪه و ﻣﺪﻟﯽ 9 ﻣﺘﻐﯿﺮه ﻃﺮاﺣﯽ و اراﺋﻪ ﺷﺪه اﺳﺖ. ﺗﻮاﻧـﺎﯾﯽ ‫ﭘﯿﺶﺑﯿﻨﯽ ﻣﺪل، ﺑﺎ اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﺷﺮﮐﺖﻫﺎی دارای ﺑﺤﺮان ﻣﺎﻟﯽ و ﺷﺮﮐﺖﻫﺎی ﻓﺎﻗﺪ ﺑﺤـﺮان ﻣـﺎﻟﯽ ارزﯾـﺎﺑﯽ ﺷـﺪه ‫اﺳﺖ و ﻧﺘﺎﯾﺞ ﺑﺮرﺳﯽ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ ﺗﺎ ﭘﻨﺞ ﺳﺎل ﻗﺒﻞ از ﺑﺤﺮان ﻣﺎﻟﯽ ﻣﯽ‌ﺗﻮان ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﺑﺎ دﻗﺖ ﻧﺴﺒﺘﺎً ﺑﺎﻻ آن را ﭘﯿﺶﺑﯿﻨﯽ ﻧﻤﻮد.
ﻧﻴﻜﺒﺨﺖ و ﺷﺮﻳﻔﻲ ]25[ به ﭘﻴﺶﺑﻴﻨـﻲ ورﺷﻜﺴـﺘﮕﻲ ﻣـﺎﻟﻲ ﺷـﺮﻛﺖﻫـﺎ در ﺑـﻮرس اوراق ﺑﻬـﺎدار ‫ﺗﻬﺮان ﺑﻪ وﺳﻴﻠﻪ ﺷﺒﻜﻪﻫﺎی ﻋﺼﺒﻲ ﻣﺼـﻨﻮﻋﻲ پرداختند. ﮔﺮوه ورﺷﻜﺴﺘﻪ ﺑـﺮ ﻣﺒﻨـﺎی ﻣـﺎده 141 ﻗـﺎﺗﻮن ﺗﺠـﺎرت ‫ﻃﻲ ﺳﺎلﻫﺎی 1378 ﻟﻐﺎﻳﺖ 1385 اﻧﺘﺨﺎب ﺷـﺪه‌اﻧـﺪ و ﮔـﺮوه ﻏﻴﺮ ورﺷﻜﺴـﺘﻪ ﻧﻴـﺰ ﺑـﻪﺻـﻮرت ﺗﺼـﺎدﻓﻲ ‫اﻧﺘﺨﺎب ﺷﺪه‌اﻧﺪ. ﺻـﺤﺖ ﭘـﻴﺶﺑﻴﻨـﻲ ﺷـﺒﻜﻪﻫـﺎی ﻋﺼـﺒﻲ ﺑـﺎ اﺳـﺘﻔﺎده از ‫ﻧﻤﻮدار ‪ROC اراﺋﻪ ﺷﺪه اﺳﺖ. ﻧﺘﺎﻳﺞ ﻧﺸﺎن دادﻧـﺪ ﻛـﻪ ﺗﻔـﺎوت ﻣﻌﻨـﺎداری ﺑـﻴﻦ MDA و ‪ANN وﺟـﻮد ‫دارد. ﻫﻤﭽﻨﻴﻦ ﻃﺒﻖ ﻧﺘﺎﻳﺞ ﻛﻢ ﺑﻮدن ﺧﻄﺎی ﻧﻮع اول ﺑﺮ ﺧﻄﺎی ﻧﻮع دوم ﭘﻴﺶﺑﻴﻨﻲ اوﻟﻮﻳﺖ دارد.
ﭘﻮرزﻣﺎﻧﻲ و همکاران ]8[ در اﻳﻦ ﺗﺤﻘﻴﻖ به ﺑﺮرﺳﻲ ﻛﺎراﻳﻲ دو اﻟﮕـﻮی ﺗﺤﻠﻴـﻞ رﮔﺮﺳـﻴﻮن ﻟﻮﺟﻴـﺖ و ﺗﺤﻠﻴـﻞ ﻣﻤﻴﺰی ﭼﻨﺪ ﻣﺘﻐﻴﺮه ﺟﻬﺖ ﭘﻴﺶﺑﻴﻨﻲ ﻣﻮﻓﻘﻴﺖ ﻳﺎ ﻋﺪم ﻣﻮﻓﻘﻴﺖ ﺷﺮﻛﺖ‌ﻫﺎ پرداختند ﺑﺎ دادهﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻳﻚ ﺳﺎل ﻗﺒﻞ از ﺳـﺎل ﻣﺒﻨـﺎ، اﻟﮕـﻮی ﺗﺤﻠﻴـﻞ ﻣﻤﻴـﺰی ‫ﻛﺎرآﻣﺪﺗﺮ ﻋﻤﻞ ﻣﻲﻛﻨﺪ و ﺑﺎ دادهﻫﺎی دو ﺳﺎل ﻗﺒﻞ از ﺳﺎل ﻣﺒﻨﺎ اﻟﮕـﻮی ﻟﻮﺟﻴـﺖ ﻛﺎرآﻣـﺪﺗﺮ ‫ﻋﻤﻞ ﻣﻲﻛﻨﺪ؛ وﻟﻲ در ﻣﺠﻤﻮع ﺗﻔﺎوت ﻣﻌﻨﺎداری ﺑﻴﻦ اﻳﻦ دو اﻟﮕﻮ وﺟﻮد ﻧﺪارد.
ﻧﺒﻮی ﭼﺎﺷﻤﻲ وهمکاران ]27[ به ﭘﻴﺶ‌ﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﺷﺮﻛﺘﻬﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻻﺟﻴﺖ پرداختند ﺑﺮای اﻧﺠﺎم ﺗﺤﻘﻴﻖ ﻧﻤﻮﻧﻪ‌ای ﺷﺎﻣﻞ 40 ‫ﺷﺮﻛﺖ ﻣﺘﺸﻜﻞ از 20 ﺷﺮﻛﺖ ورﺷﻜﺴﺘﻪ و 20 ﺷﺮﻛﺖ ﻏﻴﺮ ورﺷﻜﺴﺘﻪ اﻧﺘﺨﺎب ﮔﺮدﻳﺪه اﺳﺖ‫. ﺑﺮ اﺳﺎس ﻧﺘﺎﻳﺞ ﺗﺤﻘﻴﻖ، ﻣﺪل ‫ﻻﺟﻴﺖ ﺑﺎ ﻣﺘﻐﻴﺮﻫﺎی ﺗﻮﺿﻴﺤﻲ ﺳﺮﻣﺎﻳﻪ در ﮔﺮدش ﺑﺮ ﻛﻞ داراﻳﻲ، داراﻳﻲ ﺟﺎری ﺑﺮ ﺑﺪﻫﻲ ‫ﺟﺎری و ﺳﻮد ﻧﺎوﻳﮋه ﺑﺮ ﻓﺮوش، ﺑﻴﺸﺘﺮﻳﻦ ﻗﺪرت ﭘﻴﺶ‌ﺑﻴﻨﻲ را ﻧﺴﺒﺖ ﺑﻪ ورﺷﻜﺴﺘﮕﻲ شرکت‌ها در اﻳﺮان دارند. ‫دﻗﺖ ﭘﻴﺶ‌ﺑﻴﻨﻲ ﻣﺪل ﺑﺮای ﺳﺎل ورﺷﻜﺴﺘﮕﻲ 5/87 درﺻﺪ و ﺑﺮای ﻳﻚ ﺳﺎل ﻗﺒﻞ از ‫ورﺷﻜﺴﺘﮕﻲ 5/72 درﺻﺪ و ﺑﺮای دو ﺳﺎل ﻗﺒﻞ 5/52 درﺻﺪ است.
مکیان و کریمی تکلو ]24 [در پژوهش خود تحت عنوان پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه‌های عصبی مصنوعی نشان دانند شبکه‌های عصبی در پیش‌بینی ورشکستگی شرکت‌ها از دقت بالا برخودار است و مشخص نمودند که تنها یکی از شرکت‌های تولیدی استان کرمان با احتمال 97% در سال 1387 ورشکسته خواهد شد.
ابزری، منجمی و بخشایشی ]2[ مدل شبکه عصبی باز جریانی را برای پیش‌بینی ورشکستگی بررسی کردند و از مدل رگرسیون خطی بعنوان مدل مقایسه‌ای استفاده کردند دقت کلی مدل شبکه عصبی باز جریانی یک سال قبل از وقوع 95 درصد، در پیش‌بینی ورشکستگی دو سال قبل از وقوع 90 درصد، و سه سال قبل از وقوع 5/82 درصد بود. نتایج تحقیق وضوح برتری مدل شبکه‌های عصبی را بر مدل رگرسیونی نشان می‌دهد.
ﻓﻴﺮوزﻳﺎن و همکاران ]19[ به ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﺷﺮﻛﺖﻫﺎی ‫ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل‌ﻫﺎی ‪ Zآﻟﺘﻤﻦ و اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ پرداختند. ﻧﻤﻮﻧﻪ ‫ﺗﺤﺖ ﺑﺮرﺳﻲ ﺷﺎﻣﻞ 36 ﺷﺮﻛﺖ ورﺷﻜﺴﺘﻪ و 36 ﺷﺮﻛﺖ ﻏﻴﺮ ورﺷﻜﺴﺘﻪ ﻃﻲ دوره ﻣﺎﻟﻲ 5 ﺳﺎﻟﻪ 84-88 ‫اﺳﺖ. در ﻧﻬﺎﻳﺖ ﻧﺘﺎﻳﺞ اﻳﻦ 2 ﻣﺪل ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﺷﺪه اﺳﺖ. ﻣﺪل اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ ﺗﻮاﻧﺴﺖ ‫ﺑﻪﻃﻮر ﻣﻴﺎﻧﮕﻴﻦ در ﻳﻚ ﺳﺎل و دو ﺳﺎل ﻗﺒﻞ از ﺳﺎل ﻣﺒﻨﺎ ﺑﻪ ﺗﺮﺗﻴﺐ دﻗﺘﻲ ﻣﻌﺎدل 90 و 5/91 درﺻﺪ داﺷﺘﻪ ‫ﺑﺎﺷﺪ و ﻣﺪل ‪Z آﻟﺘﻤﻦ دﻗﺘﻲ ﻣﻌﺎدل 32/83 و 32/83 درﺻﺪ داشته ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﻳﺞ ﻣﺪل اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ دﻗﺖ ‫ﺑﻴﺸﺘﺮی در ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ دارد.
رﺿﺎﻳﻲ و ﮔﻞ‌دوز ]16[ به ﻣﻘﺎﻳﺴﻪ ﻗﺪرت ﭘﻴﺶﺑﻴﻨﻲ اﻟﮕﻮﻫﺎی ورﺷﻜﺴﺘﮕﻲ زاوﮔﻴﻦ، زﻳﻤﺴﻜﻲ و ﺷﻴﺮاﺗﺎ در ﺷﺮﻛﺖﻫﺎی ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ‫ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان پرداختند. در این ﺗﺤﻘﻴﻖ از دو روش آﻣﺎری ﺗﺤﻠﻴﻞ ﺗﻤﺎﻳﺰی و رﮔﺮﺳﻴﻮن ﻟﺠﺴﺘﻴﻚ ‫(ﺑﻪ ﺳﻪ روش اﻳﻨﺘﺮ، ﭘﻴﺶروﻧﺪه و ﭘﺲ‌روﻧﺪه) اﺳﺘﻔﺎده ﮔﺮدﻳﺪ؛ ﻧﺘﺎﻳﺞ ﺣﺎﻛﻲ از دﻗﺖ 6/98 درﺻﺪ اﻟﮕﻮی ﺷﻴﺮاﺗﺎ ،87 درﺻﺪ اﻟﮕﻮی زاوﮔﻴﻦ و 6/89 درﺻﺪ اﻟﮕﻮی ‫زﻳﻤﺴﻜﻲ در اﻧﻄﺒﺎق ﺑﺎ ﺷﺮاﻳﻂ ﻣﺤﻴﻄﻲ اﻳﺮان است.
جنانی و همکاران ]38[ به مطالعه روی توانایی نسبت‌های مالی در پیش‌بینی ورشکستگی شرکت‌ها (شواهدی از بورس اوراق بهادار تهران)پرداختند. از اطلاعات 36 شرکت ورشکسته و 36 شرکت غیر ورشکسته بر اساس نسبت Q توبین در طول دوره 2005 -2011 استفاده کردند. نتایج اولیه نشان می‌دهد که هر دو روش ‌توانایی پیش‌بینی ورشکستگی دارند. اما با دقت‌های متفاوت هستند. احتمال ورشکستگی بر اساس روش CART در سال ورشکستگی، یک سال قبل و دو سال قبل از ورشکستگی به ترتیب 2/97، 2/97 و 1/86 بود. بر اساس روش رگرسیون لجستیک به ترتیب 6/98، 4/94 و 7/84 بوده است و میانگین سه سال در مدل CART 5/93 و در مدل رگرسیون لجستیک 6/92 بود.
موسوی شیری و همکاران ]41[ به پیش‌بینی ورشکستگی شرکت‌ها با استفاده از تکنیک‌های داده کاوی پرداختند. نمونه مورد مطالعه شامل 144 شرکت فهرست شده در بورس اوراق بهادار تهران از سال 2005 تا 2009بود و سپس الگوریتم‌های مختلف داده کاوی از قبیل شبکه‌های عصبی، رگرسیون لجستیک، BAYESNET SVM و درخت‌های تصمیم‌گیری (QUEST، CHAID، C5، CART) در سال T، T-1، 2- T پیاده‌سازی شده است. نتایج نشان می‌دهد که الگوریتم CART کارآمدتر در پیش‌بینی شرکت‌های ورشکسته و غیر ورشکسته در ایران با متوسط دقت 93/94٪ در سه سال است.
پژوهش‌های خارجی
بیور ]31[ برای بررسی توان نسبت‌های مالی در پیش‌بینی درماندگی مالی، از تجزیه و تحلیل یک متغیری و بیشتر از نسبت‌های مربوط به جریانات نقدی استفاده کرد. در این پژوهش، بیور عدم توانایی شرکت به انجام تعهدات مالی‌اش را به عنوان درماندگی مالی تعریف کرده است.
آلتمن ]29[ برای اولین بار اثر ترکیبات مختلف نسبت‌های مالی را برای پیش‌بینی درماندگی مالی شرکت‌ها بررسی کرد، آلتمن در این مطالعه از MAD استفاده کرد. مدلی که او به دست آورد و به Z-Score معروف است، هنوز به‌عنوان شاخصی برای سلامت مالی شرکت‌ها ورشکسته از غیر ورشکسته مورد استفاده قرار می‌گیرد. تئوری اصلی آلتمن این بود که مدل پیش‌بینی ورشکستگی او که از پنج نسبت مالی تشکیل می‌شود، می‌تواند برای تشخیص شرکت‌های ورشکسته از غیر ورشکسته مورد استفاده قرار گیرد. او پیشنهاد کرد که از مدلش در ارزیابی اعطای وام‌های تجاری فرآیندهای کنترل داخلی و بررسی گزینه‌های سرمایه‌گذاری استفاده شود.
دیکین ]33[ تحقیقات انجام شده توسط بیور و آلتمن را در مدل جدیدی ادغام کرد. دیکین اظهار کرد که روش بیور توان پیش‌بینی‌کنندگی بهتری دارد در حالی که رویکرد آلتمن بینش بهتری می‌دهد. دیکین نیز برای پیش‌بینی ورشکستگی از مدل MDA استفاده کرد ولی 14 نسبتی را که در مطالعه بیور مورد استفاده قرار گرفته بودند به کار برد.
اهلسون ]42[ مدلی را با استفاده از رگرسیون لجستیک توسعه داد. وی در این پژوهش از 105 شرکت ورشکسته و 205 شرکت غیر ورشکسته بین سال‌های 1970تا 1976 استفاده کرد. او نه نسبت مالی را به‌عنوان متغیر مستقل بکار برد. از این نسبت مالی، پنج تای آن‌ها در مطالعات قبلی نیز استفاده شده بودند.
اودوم و شاردا ]43[ نخستین بار از شبکه‌های عصبی در طراحی مدل‌های پیش‌بینی ورشکستگی استفاده کردند. یافته‌های تحقیق نشان داد که نتایج روش شبکه‌های عصبی صحیح‌تر، دقیق‌تر و معتبرتر از روش تشخیص خطی چند متغیره است.
تام و کیانگ ]52[ قابلیت پیش‌بینی شبکه‌های عصبی را با پیش‌بینی آنالیز تشخیص خطی، رگرسیون لجستیک، درخت‌های تصمیم و نزدیکترین کای مجاور مقاسیه کردند و نشان دادند که نتایج حاصل از روش شبکه‌های عصبی صحیح‌تر، دقیق‌تر و معتبرتر است.
سرانو- سینکا ]47 [به مطالعه پیش‌بینی ورشکستگی با استفاده از پرسپترون چند لایه MLP پرداخت. در این تحقیق MLP با MDA مورد مقایسه قرار گرفت. دقت کلی پیش‌بینی با استفاده از MDA، 86 درصد و با استفاده ازMLP، 94 درصد به دست آمد.
ژانگ، هو، پاتوا و ایندرو ]54[ بر اساس اطلاعات 220 شرکت (متشکل از 110 شرکت ورشکسته و 110 شرکت غیر ورشکسته) مدلی را با استفاده ازANN ارائه دادند. نتایج این تحقیق نشان داد که دقت کلی پیش‌بینی شبکه‌های عصبی از رگرسیون لجستیک بیشتر است. گفتنی است که در این مطالعه، ازMLP به همراه الگوریتم یادگیری GRG2 استفاده شد.
شاه و مرتزا ]48[ مدلی را با استفاده از ANN برای پیش‌بینی ورشکستگی ارائه دادند. در این مطالعه از اطلاعات 60 شرکت ورشکسته و 54 شرکت غیر ورشکسته بین سال‌های 1992 تا 1994 استفاده شد. دقت پیش‌بینی این مدل 73 درصد به دست آمد.
سارکر و اسریرام ]51[ برای اولین بار از شبکه‌های بیز برای پیش‌بینی ورشکستگی استفاده کردند. آنها در این پژوهش از دو مدل متفاوت، یکی مدل ساده بیز و دیگری مدل پیچیده بیز استفاده کردند. نمونه انتخابی آنها شامل 228 بانک بود. نتایج پژوهش آن‌ها نشان داد مدل ساده بیز با 80 درصد اطمینان وضعیت ورشکستگی و با 93 درصد اطمینان وضعیت عدم ورشکستگی را درست پیش‌بینی کرده‌اند و مدل پیچیده بیز با 88 درصد اطمینان وضعیت ورشکستگی و با 93 درصد اطمینان وضعیت عدم ورشکستگی را درست پیش‌بینی کرده است.
شین و لی ]49[ از مدل ژنتیک برای پیش‌بینی درماندگی مالی شرکت‌ها استفاده کردند و نتایج پژوهش آن‌ها نشان داد که مدل ژنتیک علاوه بر مناسب بودن برای پیش‌بینی درماندگی مالی، درک آن برای استفاده‌کنندگان بسیار آسان است.
سیلن ]32[ پژوهشی را برای پیش‌بینی ورشکستگی به وسیله سه الگوی حداقل مجموع انحرافات، DEA وC5.0 (یکی از روش‌های درخت تصمیم) انجام دادند. تحقیقات آن‌ها نشان داد که سه روش به ترتیب دقت طبقه‌بندی 9/78 درصد، 4/86 درصد و 5/85 درصد را تأمین می‌کنند.
والاس ]53[ یک مدل با استفاده از روش شبکه‌های عصبی طراحی کرد. در این مدل از مقادیر نسبت‌های مالی کلیدی که در مطالعات ورشکستگی گذشته به عنوان بهترین نسبت‌ها گزارش شده بودند، استفاده شد. نسبت‌های استفاده شده وی عبارتند از: سرمایه در گردش به کل دارایی‌ها، جریان نقدی به کل دارایی‌ها، سود خالص به کل دارایی‌ها، کل بدهی‌ها به کل دارایی‌ها، دارایی‌های جاری به بدهی‌های جاری، دارایی‌های سریع به بدهی‌های جاری. مدل والاس دارای دقت کلی 94 درصد است و 65 نسبت مالی مختلف را در مطالعات گذشته بررسی کرده است.
لی ]39[ مدل درخت تصمیم c5.0،GP ، CART و شبکه عصبی و رگرسیون لجستیک را در پیش‌بینی ورشکستگی به کار گرفته است و در بازه زمانی 1999 تا 2003 از اطلاعات 55 شرکت ورشکسته و110 شرکت سالم در تایوان برای طراحی مدل‌ها استفاده کرده است، سطح زیر منحنیROC در مدل درخت تصمیم CART طراحی شده توسط آنها 17/86% و مدل درخت تصمیم c5.0طراحی شده توسط آن‌ها 36/83%، و مدل درخت تصمیم GP طراحی شده توسط آن‌ها 95/89% بود و به همین ترتیب مدل رگرسیون لجستیک 41/82% و شبکه عصبی 94/85% بود.
مین و لی ]40[ با استفاده از ماشین بردار پشتیبان اقدام به طراحی مدلی برای پیش‌بینی ورشکستگی شرکت‌ها نمودند. پژوهش آن‌ها نشان داد که نسبت به مدل‌های آماری سنتی، از عملکرد بهتری برخوردار است.
آلفار و گارسیا ]30[ برای پیش‌بینی درماندگی مالی شرکت‌ها به بررسی دو مدل الگوریتم آدابوست و شبکه‌های عصبی مصنوعی پرداختند. نتایج این پژوهش نشان داد الگوریتم آدابوست نسبت به شبکه‌های عصبی مصنوعی عملکردی بهتر دارد و توان پیش‌بینی این روش 1/91% است.
سووشی و گوتو ]50 [دو روشDEA و DA- DEA را از دیدگاه ارزیابی ورشکستگی مورد بررسی و مقایسه قرار دادند. آن‌ها در کار تحقیقاتی خود نقاط قوت و ضعف متدولوژیکی DEA و DA- DEA را از لحاظ شکست شرکتی بررسی کردند.
جپ و دیگران ]35[ از الگوی درخت تصمیم برای پیش‌بینی ورشکستگی استفاده کردند و اثبات کردنند مدل درخت تصمیم مناسب برای پیش‌بینی است.
اکسی ]34[ از مدل درخت تصمیم در داده کاوی برای پیش‌بینی ورشکستگی استفاده کرد. 15 متغیر را به کارگرفت. در این مطالعه از اطلاعات 73 شرکت بین سال‌های 2006 تا 2008 استفاده کرد و داده‌ها را به دو مجموعه آموزش و تست تقسیم کرد. مجموعه آموزش شامل 70% مشاهدات و مجموعه تست شامل 30% مشاهدات است. الگوریتمCART 92/87% داده‌ها را در گام آموزش و 57/88% داده‌ها را در گام تست به درستی پیش‌بینی کرد در حالیکه 08/12% از شرکت‌های ورشکسته در گام آموزش و 43/11% را در گام تست با خطا پیش‌بینی کرد.
پرماچاندرا و همکاران ]44[ با استفاده از الگوی سوپر کارایی جمعی روش DEA بر اساس دو مرز موفقیت و شکست به ارزیابی شرکت‌ها می‌پردازند. آن‌ها نشان دادند که الگوی DEA در پیش‌بینی شکست شرکت‌ها در مقایسه با پیش‌بینی شرکت‌های سالم به نسبت ضعیف عمل می‌کند.
فرضیه‌های پژوهش
با توجه به مبانی نظری پژوهش فرضیه‌های این پژوهش به شرح زیر تدوین شده‌اند:
فرضیه (1): مدل پیش‌بینی ورشکستگی درخت تصمیم، توانایی پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد.
فرضیه (2): مدل پیش‌بینی ورشکستگی رگرسیون لجستیک (LR)، توانایی پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد.
فرضیه (3): توانایی پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران طی مدل پیش‌بینی ورشکستگی بر اساس مدل درخت تصمیم بیش‌تر از مدل رگرسیون لجستیک (LR) است.
جامعه آماری و انتخاب نمونه
جامعه مورد مطالعه دراین پژوهش، شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است که در بین سال‌های 1378 تا 1389 صورت‌های مالی خود را به بورس ارائه داده‌اند. در این مطالعه نمونه‌گیری صورت نگرفته بلکه کل جامعه پژوهش مورد بررسی قرار گرفته است و از داخل جامعه مورد مطالعه شرکت‌ها، با در نظر گرفتن معیارهای زیر وارد مطالعه گردیدند:
1- طی دوره تحقیق تغییر سال مالی نداشته باشد.
2- جزء شرکت‌های سرمایه‌گذاری، واسطه‌گری مالی، هلدینگ، لیزینگ و بانک نباشند.
3- صورت‌های مالی شرکت در دسترس باشند.
در مورد هر شرکت از اطلاعات 3سال مالی آن‌ها استفاده شده است و این شرکت‌ها به دو گروه شرکت‌های سالم و ورشکسته طبقه‌بندی شده‌اند. سال مبنا ( سال t) در مورد شرکت‌های درمانده مالی، بالاترین سالی است که شرکت مشمول ماده 141 قانون تجارت شده است و در مورد شرکت‌های سالم، سالی است که اطلاعات یک سال قبل و دو سال قبل، نسبت به آن جمع‌آوری شده است و معیار سالم بودن شرکت‌ها نیز بر اساس سود دهی آن‌ها در سه سال متوالی ارزیابی می‌شود. دلیل انتخاب سود به عنوان معیار انتخاب شرکت‌های سالم به خاطر ارتباط سود و سود انباشته می‌باشد زیرا سود شرکت در پایان سال مالی به حساب سود و زیان انباشته نقل می‌شود. معیار‌های ورشکستگی: 1- شرکت‌ها مشمول ماده 141 شده باشند (نسبت سود و زیان انباشته به سرمایه شرکت می‌باشدکه زیان انباشته شرکت باید بیش از 50 درصد سرمایه شرکت باشد) 2- شرکت‌ها در سه سال متوالی دارای زیان خالص باشند. در این پژوهش از همه شماری استفاده شده است بدین معنی که کلیه شرکت‌های جامعه آماری که دارای شرایط ذکر شده هستند به عنوان نمونه انتخاب و بقیه حذف شده‌اند. بدین ترتیب با توجه به معیارهای انتخاب شرکت‌های گروه اول و دوم، 98 شرکت به عنوان شرکت سالم و 46 شرکت به عنوان شرکت ورشکسته انتخاب شدند.
متغیرهای مورد استفاده
متغیرهای پژوهش را می‌توان به دو دسته طبقه‌بندی کرد، که شامل متغیر وابسته و متغیرهای مستقل می‌باشد و به شرح زیر هستند:
متغیر وابسته در این پژوهش شرکت‌های سالم و ورشکسته است. در این پژوهش با توجه به اهداف پژوهش، شرکت‌های ورشکسته مقدار یک و شرکت‌های سالم مقدار صفر را به خود اختصاص داده‌اند.
در این مطالعه متغیرهای مستقل نسبت‌های مالی می‌باشندکه بر اساس بهترین نسبت‌ها در نتایج پژوهش‌های قبلی در نظر گرفته شده‌اند و زمان (t، 1-t، 2-t) نیز به عنوان یک متغیرمستقل وارد مدل شده است که در نگاره (1) منعکس گردیده است.

نگاره 1. متغیرهای مستقل
نام متغیر نماد نحوه محاسبه(از چپ به راست)
نسبت جاری CA/CL دارایی‌های جاری/ بدهی‌های جاری
نسبت سرمایه در گردش به کل دارایی‌ها WC/TA سرمایه در گردش/ کل دارایی‌ها
نسبت بدهی TD/TA کل بدهی‌ها/ کل دارایی‌ها
نسبت گردش دارائی‌ها NS/TA خالص فروش/ کل دارایی‌ها
نسبت دارایی‌های جاری به کل دارایی‌ها CA/TA دارایی‌های جاری/ کل دارایی‌ها
نسبت سود عملیاتی به کل دارایی‌ها EBIT/TA سود عملیاتی/ کل دارایی‌ها
حاشیه سود عملیاتی EBIT/NS سود عملیاتی/ خالص فروش
بازده دارایی‌ها ROA سود خالص/ کل دارایی‌ها
بازده حقوق صاحبان سهام ROE سود خالص/ حقوق صاحبان سهام
اندازه شرکت FS لگاریتم خالص فروش


مدل‌های مورد استفاده
در این پژوهش از روش‌های داده کاوی و مدل‌های درخت تصمیم‌گیری CART و رگرسیون لجستیک استفاده شده است. در ادامه این دو مدل تشریح می‌گردد.
الف) مدل درخت تصمیم‌گیری CART:
درخت تصمیم یکی از روش‌های ناپارامتری رده‌بندی کردن است. این روش با به کارگیری تکنیک‌های بسیار ساده، یک الگوی رده بندی را برای مشاهدات موجود معرفی می‌نماید. الگوی معرفی شده توسط این روش،‌ از ساختاری بسیار ساده و قابل درک برای تصمیم‌گیری برخوردار است. با اینکه این روش از تکنیک‌های ساده‌ای استفاده می‌نماید ولی در زمینه تشخیص و پیشگویی می‌تواند به خوبی روش‌های پیچیده‌ای نظیر شبکه‌های عصبی عمل نماید ]36[. درخت تصمیم یک روش ساده و توانمند برای طبقه‌بندی یک مجموعه به رده‌های متمایز و همگن می‌باشد که یک گراف غیر چرخشی شبیه درخت دارد که این درخت توسط مجموعه‌ای از سؤالات نشان داده می‌شود معمولاً هر سؤال با توجه به یک متغیر مطرح می‌شود. یک گراف درخت تصمیم از سه جزء اصلی ریشه ، گره داخلی و گره خارجی (برگ) تشکیل شده است و روند بدین گونه است که ابتدا یک متغیر کمکی به عنوان ریشه انتخاب می‌گردد و با توجه به یک سری از سؤالات و ویژگی‌ها به چندین گره داخلی تقسیم می‌شود. الگوریتم‌های درخت تصمیم انواع مختلفی دارند که مهم‌ترین آن‌ها عبارتند از:Quest ، Chaid،C5.0 ، Cart ]4[. در این پژوهش از درخت تصمیم‌گیری CART به‌عنوان یک الگوریتم مقایسه‌ای استفاده شده است.
CART یکی از انواع درخت رده‌بندی است که توسط بریمن و همکاران در سال 1984 م معرفی گردید. این مدل یک گراف غیر چرخشی شبیه درخت با تقسیمات دوتایی بر اساس متغیرهای کمکی را برای معرفی یک الگوی رده‌بندی و تشخیصی معرفی می‌نماید. درخت تصمیم از سه جز اصلی شامل ریشه، گره داخلی و برگ تشکیل شده و روند بدین‌گونه است که ابتدا یک متغیر کمکی به عنوان ریشه انتخاب و با توجه به اهداف مطالعه به چندین گره داخلی تقسیم می‌شود. هر گره داخلی نیز مانند ریشه به گره دیگری تقسیم می‌شود تا در نهایت به هر گره یک رده از متغیر پاسخ منتسب گردد این گره‌ها برگ نامیده می‌شود. به منظور انتخاب متغیر های مهم در الگوی رده‌بندی درختی، در این بررسی از تابعی تحت عنوان تابع ناجوری و شاخصی به نام جینی استفاده گردید. تابع ناجوری برای گره‌ای مانند t و متغیر وابسته با k رده (c1, c2, ck) به صورت زیر تعریف می‌شود:

شاخص جینی اغلب در مدل‌های درختی با تقسیمات دوتایی در هر گره مورد استفاده قرار می‌گیرد و به صورت زیر تعریف می‌شود ]6[:

رابطه بالا هنگامی که مشاهدات فقط متعلق به یک رده باشند، برابر صفر است و زمانی که احتمال هر رده برابر باشد، بیشترین امکان ممکن را اختیار می‌کند. با در نظر گرفتن متغیر کمکی x که بر اساس آن گره t به n زیر شاخه تقسیم می‌گردد (هر زیر شاخه با Tj برای j از1 تا n نشان داده می‌شود) یک کاهش در تابع ناجوری خواهیم داشت که بر اساس شاخص جینی به صورت زیر تعریف می‌شود:

از بین چندین متغیر، متغیری مناسب است که مقدار بیشتری را برای ) GG (T ,X اختیار نماید. این ملاکی برای انتخاب بهترین از بین متغیر است. از این رو با توجه به تابع ناجوری و شاخص جینی، ابتدا مقدار تابع ناجوری در حالت کلی برای متغیر پاسخ محاسبه می‌گردد، در مرحله بعد برای تمام متغیرهای کمکی، با توجه به بهترین تقسیمات دوتایی برای متغیر پاسخ، مقدار تابع ناجوری در هر یک از دو زیر مجموعه ایجاد شده محاسبه و میانگین وزنی آنها از مقدار تابع ناجوری کل کم می‌گردد. از بین متغیرهای کمکی، متغیری که دارای بیشترین مقدار برای این رابطه باشد، در گام اول برای رده‌بندی درختی انتخاب می‌گردد. در برخورد با متغیرهای کمی، از تقسیمات دوتایی استفاده نموده و نقطه‌ای مانند a (نقطه برش) را تعیین می‌کنیم. لازم به ذکر است که نقطه برش در بسیاری از الگوهای رده‌بندی درختی توسط خود شاخص (در اینجا شاخص جینی) مشخص می‌شود. در برخورد با متغیر کیفی، هر سطح متغیر به عنوان یک زیر شاخه درخت رده‌بندی در نظر گرفته می‌شود ]9[.
در مدل CART، برای انتخاب اندازه مناسب از درخت رده‌بندی، از روشی تحت عنوان ارزش پیچیدگی (Complexity Cost) استفاده می‌شود. یک الگوی درختی زمانی مناسب است که علاوه بر اینکه برای مشاهدات موجود (نمونه فراگیری) خوب عمل می‌نمایید، برای مشاهدات جدید (نمونه آزمون) نیز مناسب باشد. با وجود اینکه با بزرگ شدن اندازه درخت رده‌بندی، دقت رده‌بندی در مورد نمونه یادگیری افزایش می‌یابد، این دقت برای نمونه آزمون از اندازه‌ای به بعد کاهش می‌یابد. روش ذکر شده در واقع تعادلی بین دقت درخت رده‌بندی و اندازه آن برقرار می‌نماید و با توجه به اندازه خط و تعداد گره‌های درخت، تصمیم‌گیری می‌نماید که کدام گره از درخت را حذف نماید.
ب) مدل رگرسیون لجستیک:
در بسیاری از پژوهش‌ها، متغیر وابسته پیوسته نبوده و ممکن است دو نتیجه داشته باشد. به‌عنوان مثال، فقط یکی از دو ارزش صفر و یک را بپذیرد که ارزش یک به معنای وقوع و ارزش صفر به معنای عدم وقوع حادثه (یا بالعکس) است. برای مثال به کمک میزان تلاش، میزان هوش، موفقیت یا عدم موفقیت فردی را در کنکور تشخیص دهیم و یا درماندگی مالی یک شرکت را با استفاده از چند متغیر تشخیص دهیم. در چنین مواردی از رگرسیون لجستیک استفاده می‌نماییم. رگرسیون لجستیک شبیه رگرسیون معمولی است با این تفاوت که تخمین ضرایب در آن یکسان نیست. رگرسیون لجستیک شبیه رگرسیون معمولی است با این تفاوت که تخمین ضرایب در آن یکسان نمی‌باشد. در رگرسیون لجستیک به جای حداقل کردن مجذور خطاها (که در رگرسیون معمولی صورت می‌گیرد) احتمال را که یک واقع رخ می‌دهد، حداکثر می‌نماید ]5.[

روش پژوهش
با توجه به اهداف این پژوهش، نوع پژوهش ازنظر هدف کاربردی و از نظر روش انجام پژوهش، توصیفی- تحلیلی از نوع مقطعی است. در این تحقیق در مرحله اول، با استفاده از نسبت‌های مالی شرکت‌های ورشکسته و سالم مندرج در لیست اوراق بهادار تهران، قدرت پیش‌بینی مدل‌های درخت تصمیم و رگرسیون لجستیک برای سال t، 1-t، 2-t در محیط اقتصادی ایران بررسی گردیده است. سپس در مرحله دوم، با استفاده از فنون درخت تصمیم و رگرسیون لجستیک، مناسب‌ترین مدل برای پیش‌بینی ورشکستگی در این سال‌ها برازش شده است.
ارزیابی اعتبار داده‌های تحقیق
برای امکان ارزیابی اعتبار داده های تحقیق از آمار توصیفی استفاده کرده ایم و نتایج حاصل شده نشان از اعتبار داده های پژوهش و همچنین قابلیت مقایسه نتایج تحقیق دارد. نتایج در نگاره (2) ارائه شده است.


پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل درخت تصمیم‌گیری CART
در این حالت با استفاده از روش درخت تصمیم، داده‌ها را رده‌بندی کرده و هر کدام از آن‌ها به یک رده تخصیص داده می‌شود. در این روش مشاهده‌ها بر اساس نزدیک‌ترین رده مرتبط رده‌بندی می‌شوند و سعی می‌شود مشاهده‌های موجود در هر رده بیشترین شباهت را به یکدیگر داشته باشند. همچنین از متغیرها به‌عنوان یک رابط استفاده نمی‌شود بلکه متغیرها فقط به‌عنوان تفکیک‌کننده مورد استفاده قرار می‌گیرند. در واقع در درخت تصمیم به وجود آمده تفکیک بر اساس اهمیت متغیرها در به وجود آمدن گره‌های تفکیکی انجام می‌گیرد. در ادامه به اجرای مدل درخت تصمیم cart در پیش‌بینی ورشکستگی شرکت‌ها می‌پردازیم همچنین جهت آزمون فرضیه‌ها در این مدل از نرم‌افزارClementine استفاده شده است. جهت پیش‌بینی وضعیت شرکت‌ها، داده‌های پژوهش به دو گروه آموزش و آزمون تفکیک و نسبت مورد استفاده در تفکیک داده‌ها به صورت 50 به 50 که 50% جزء مجموعه آموزش و 50% در مجموعه آزمون قرار می‌گیرند و سپس 10 متغیر وارد مدل گردیده است. نمودار (1) درجه اهمیت متغیرها را در تفکیک شرکت‌های دوگروه در سال t نشان می‌دهد.

نمودار 1. میزان تاثیر متغیر های ورودی بر نتیجه مدل درخت تصمیم گیری در سالt
تأثیرگذارترین متغیرها در سال1- t نسبت بدهی، نسبت بازده دارایی‌ها، سود عملیاتی به کل دارایی‌ها، حاشیه سود عملیاتی می‌باشد. تأثیرگذارترین متغیرها در سال 2- t نسبت بازده دارایی‌ها، سود عملیاتی به کل دارایی‌ها، حاشیه سود عملیاتی، نسبت بدهی است.



نمودار 2. درخت تصمیم ایجاد شده در داده های آموزش و آزمون بر اساس متغیر های پژوهش درسال t
در نمودار (2) با توجه به الگوی رده‌بندی درختی cart، نسبت بازده دارایی‌ها مهم‌ترین نقش را جهت پیش‌بینی وضعیت شرکت‌ها ایفا می‌کند. در تفسیر این نمودار می‌توان گفت به‌عنوان مثال در گام آموزش، برای طبقه‌ای که نسبت بازده دارایی‌های آن بزرگتر از 015/0- باشد در داده‌های آموزش 6/95% از شرکت‌ها را به عنوان شرکت سالم و 3/3 % از شرکت‌ها به‌عنوان شرکت ورشکسته طبقه‌بندی می‌گردد و نسبت بدهی مهم‌ترین متغیر در طبقه‌بندی شرکت‌ها در مرحله بعدی است و زمانی که نسبت بدهی بزرگتر و کوچکتر و مساوی از 860/0باشد دقت پیش‌بینی در این طبقات به 100 درصد می‌رسد. در نهایت نگاره (3) نتایج مربوط به پیش‌بینی و طبقه‌بندی مدل CART را به تصویر می‌کشد.

نگاره 3. نتایج دقت پیش‌بینی درخت تصمیم
دسته موارد تشخیص به‌عنوان شرکت سالم موارد تشخیص به‌عنوان شرکت ورشکسته درصد پیش‌بینی درست میانگین سه سال
t 1t- 2t- t 1t- 2t- t 1t- 2t-
داده‌های آموزش سالم 43 42 51 0 0 0 100% 100% 100% 100%
ورشکسته 0 0 0 25 25 23 100% 100% 100% 100%
دقت تفکیک کلی مدل 100% 100% 100% 100%
داده‌های آزمون سالم 52 54 46 3 2 1 5/94% 4/96% 9/97% 27/96%
ورشکسته 1 0 1 20 21 22 2/95% 100% 7/95% 97/96%
دقت تفکیک کلی مدل 7/94% 4/97% 1/97% 4/96%
منبع: یافته‌های پژوهش

 

 


پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل رگرسیون لجستیک
به منظور ساخت مدل رگرسیون لجستیک از نرم‌افزار spssنسخه 20 استفاده شده است. در این بخش جهت پیش‌بینی ورشکستگی شرکت‌ها، 10 نسبت به طور همزمان وارد مدل رگرسیون لجستیک گردید. در این مدل جهت بررسی معنی‌داری کلی مدل از آماره کای– دو استفاده می‌گردد و گام مناسب برای مدل از طریق معیار دو برابر لگاریتم تابع درستنمایی (LL2-) انتخاب می‌گردد. نگاره (4) آماره کای– دو مربوط به برازش و معنی‌داری کلی مدل را به تصویر می‌کشد. با توجه به اطلاعات منعکس در نگاره (4) سطح معنی‌داری مربوط به آزمون کای- دو (001/0) کمتر از میزان خطای (05/0) می‌باشد و این نشان از معنی‌داری کلی مدل می‌باشد و گامی که مقدار LL2- آن در بین گام‌های انجام شده حداقل باشد انتخاب می‌گردد. پس از بررسی معنی‌داری کلی مدل از آزمون والد جهت بررسی معنی‌داری متغیرهای مستقل استفاده گردیده است. همة متغیرها وارد مدل می‌شوند متغیرهایی که معنی‌دار نیستند از مدل خارج می‌شوند و متغیرهای معنی‌دار باقی می‌مانند.

نگاره 4. آماره کای- دو مربوط به برازش و معنی‌داری کلی مدل رگرسیون لجستیک
سال کای- دو درجه آزادی سطح معنی‌داری معیار منفی دو برابرلگاریتم تابع درستنمایی
سال t مدل 817/161 2 001/0 600/18
سال 1t- مدل 787/166 2 001/0 630/13
سال 2t- مدل 616/171 2 001/0 802/8
منبع: یافته‌های پژوهش

نگاره 5. نتایج مربوط به آزمون والد و ضرایب متغیرها
سال نام متغیر مستقل استخراج شده ضریب انحراف استاندارد آماره والد درجه آزادی سطح معنی‌داری
سال t بازده دارایی 678/78- 383/26 893/8 1 003/0
بازده حقوق صاحبان سهام 567/1- 764/0 210/4 1 04/0
مقدار ثابت 558/0- 645/0 750/0 1 386/0
سال 1-t بازده دارایی 985/92- 110/37 278/6 1 012/0
بازده حقوق صاحبان سهام 434/1- 730/0 861/3 1 049/0
مقدار ثابت 549/0- 794/0 478/0 1 489/0
سال 2-t نسبت بدهی 585/20 778/13 232/2 1 135/0
بازده حقوق صاحبان سهام 482/142- 028/81 092/3 1 079/0
مقدار ثابت 204/17- 900/11 090/2 1 148/0
منبع: یافته‌های پژوهش

نگاره (5) نتایج مربوط به آماره والد، ضریب ثابت و ضرایب متغیرها را به تصویر می‌کشد. با توجه به اطلاعات منعکس در نگاره (5) متغیر‌های مستقل باقی مانده در سطح خطای 05/0معنی‌دار بوده و با متغیر وابسته رابطه معنی‌دار دارند. در این نمودار می‌توان مشاهده کرد تأثیرگذارترین عوامل در سال t نسبت بازده دارایی و بازده حقوق صاحبان سهام می‌باشد و رابطه بازده حقوق صاحبان سهام و بازده دارایی‌ها با ورشکستگی، منفی است و با کاهش نسبت بازده حقوق صاحبان سهام و بازده دارایی‌ها احتمال ورشکستگی افزایش می‌یابد. تأثیر‌گذارترین عوامل در سال 1-t نسبت بازده دارایی و بازده حقوق صاحبان سهام است. در سال 2-t نسبت بدهی و نسبت بازده حقوق صاحبان سهام معنادار نمی‌باشند.
نگاره 6. آماره هاسمر و لمشو مربوط به اعتبار مدل
سطح معنی‌داری درجه آزادی کای- دو
355/0 8 852/8 سال t
394/0 8 414/8 سال 1-t
1 8 045/0 سال 2-t
منبع: یافته‌های پژوهش
با توجه به اطلاعات منعکس شده در نگاره (6) آﻣﺎره ﻫﺎﺳﻤﺮ- ﻟﻤﺸﻮ دارای ‫ﺗﻮزﻳﻊ 2X ﺑﺎ 2-J درﺟﻪ آزادی ﻣﻲ‌ﺑﺎﺷﺪ (J ﺗﻌﺪاد گروه‌ها اﺳﺖ) که نشان می‌دهد ﺗﻮزﻳﻊ ﻧﺴﺒﺖ ﺑﻪ ﻧﻤﻮﻧﻪ ﺣﺴﺎس اﺳﺖ. ‫لذا زﻣﺎﻧﻲ ﻛﻪ ﺗﻌﺪاد ﻧﻤﻮﻧﻪ ﺧﻴﻠﻲ ﺑﺰرگ ﺑﺎﺷﺪ، ﺗﻔﺎوت‌های ‫ﻛﻤﻲ ﺑﻴﻦ ﻣﻘﺎدﻳﺮ ﻣﺸﺎﻫﺪه ﺷﺪه و ﭘﻴﺶ‌ﺑﻴﻨﻲ ﺷﺪه از ‫ﻃﺮﻳﻖ اﻳﻦ روش ﻧﺸﺎن داده ﻣﻲ‌ﺷﻮد و آزﻣﻮن ‫ﻣﻌﺘﺒﺮ است. ‫ﻣﻘﺪار اﻳﻦ آﻣﺎره در ﻣﺪل ﺑﺮآورد ﺷﺪه در سال t دارای ﺗﻮزﻳﻊ 2X ﺑا 8 درﺟﻪ آزادی ﺑﺮاﺑﺮ 852/8 ﻣﻲ‌‫ﺑﺎﺷﺪ و اﺣﺘﻤﺎل آن بزرگ‌تر از 05/0 و ﺑﺮاﺑﺮ 355/0 ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ و ﻣﻘﺪار اﻳﻦ آﻣﺎره در ﻣﺪل ﺑﺮآورد ﺷﺪه در سال 1-t دارای ﺗﻮزﻳﻊ 2X ﺑا 8 درﺟﻪ آزادی ﺑﺮاﺑﺮ 414/8 ﻣﻲ‌‫ﺑﺎﺷﺪ و اﺣﺘﻤﺎل آن بزرگ‌تر از 05/0 و ﺑﺮاﺑﺮ 394/0 ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ و ﻣﻘﺪار اﻳﻦ آﻣﺎره در ﻣﺪل ﺑﺮآورد ﺷﺪه در سال 2-t دارای ﺗﻮزﻳﻊ 2X ﺑا 8 درﺟﻪ آزادی ﺑﺮاﺑﺮ 045/0 است و اﺣﺘﻤﺎل آن بزرگ‌تر از 05/0 و ﺑﺮاﺑﺮ 1 ﺑﺪﺳﺖ آﻣﺪه اﺳﺖ. ﺑﻨﺎﺑﺮاﻳﻦ ﻓﺮض ﺻﻔﺮ ﻛﻪ ﺑﻴﺎﻧﮕﺮ ‫ﻧﻜﻮﻳﻲ ﺑﺮازش اﺳﺖ، ﭘﺬﻳﺮﻓﺘﻪ ﻣﻲ‌ﺷﻮد (رد ﻧﻤﻲ‌ﮔﺮدد).‫ ﭘﺲ ﻣﺘﻐﻴﺮﻫﺎی ﻣﺴﺘﻘﻞ ﻣﺪل ﻗﺪرت پیش‌بینی را دارند.
پس از بررسی معنی‌دار کلی مدل وآماره‌های مربوط به آن، جهت آزمون فرضیه‌ها، باید دقت دسته‌بندی مدل در پیش‌بینی ورشکستگی شرکت‌ها مورد بررسی قرار گیرد. نگاره (7) نتایج مربوط به دقت پیش‌بینی مدل را درسه سال به تصویر می‌کشد.

نگاره 7. دقت پیش‌بینی در مدل رگرسیون لجستیک
دسته موارد تشخیص به‌عنوان شرکت سالم موارد تشخیص به‌عنوان شرکت ورشکسته درصد پیش‌بینی درست میانگین سه سال
t 1t- 2t- t 1t- 2t- t 1t- 2t-
سالم 98 98 96 0 0 2 100% 100% 98% 33/99%
ورشکسته 1 1 1 45 45 45 8/97% 8/97% 8/97% 8/97%
دقت تفکیک کلی مدل 3/99% 3/99% 9/97% 83/98%
منبع: یافته‌های پژوهش



آزمون فرضیه‌های پژوهش
در این پژوهش برای پیش‌بینی ورشکستگی شرکت‌ها از مدل درخت تصمیم و رگرسیون لجستیک استفاده شده است. در مدل‌های داده کاوی دقت دسته‌بندی از اهمیت خاصی برخوردار است. با توجه به نتایج به دست آمده در بخش‌های قبل، دقت دسته‌بندی بر اساس هریک از مدل‌های فوق در نگاره (8)خلاصه شده است.


نگاره 8. مقایسه دقت پیش‌بینی مدل درخت تصمیم‌گیری CART و رگرسیون لجستیک
مدل دقت پیش‌بینی در سال t دقت پیش‌بینی در سال 1-t دقت پیش‌بینی در سال 2-t
سالم ورشکسته سالم ورشکسته سالم ورشکسته
درخت تصمیم‌گیریCART داده‌های آموزش 100% 100% 100% 100% 100% 100%
داده‌های آزمون 5/94% 2/95% 4/96% 100% 9/97% 7/95%
رگرسیون لجستیک 100% 8/97% 100% 8/97% 98% 8/97%
منبع: یافته‌های پژوهش

به‌طورکلی و بر مبنای نتایج حاصل از دو مدل فوق می‌توان گفت جهت بررسی فرضیه اول و دوم فرضیه صفر رد می‌شود و فرضیه یک مبنی بر اینکه الگوها توانایی درست پیش‌بینی کردن را دارند پذیرفته می‌شود. جهت آزمون فرضیه سوم از سطح زیر منحنی ROC استفاده شده است. در مطالعات مدل‌سازی جهت سنجش میزان دقت مدل و پیش‌بینی صورت گرفته از منحنی ROC و سطح زیر منحنی نیز استفاده می‌کنند. محدوده زیر منحنی، میزان توانایی مدل در تفاوت قائل شدن بین دو نتیجه است این میزان تمایز نام دارد. هر چه سطح زیر منحنی ROC به عدد 1 نزدیک‌تر باشد دقت مدل در معیار خوب و هر چه این عدد به 5/0 نزدیک‌تر باشد، نشان از دقت پایین مدل و پیش‌بینی نامناسب مدل است. برای مقایسه عملکرد دو مدل از سطح زیر منحنی ROC که با استفاده از روش شناسی‌های داده کاوی به دست می‌آید استفاده می‌شود. نتایج به شرح نگاره (9) است.

 

نگاره 9. سطح زیر منحنی ROC
سال t سال 1t- سال 2t-
درخت تصمیم‌گیری CART 974/0 990/0 984/0
رگرسیون لجستیک 993/0 996/0 999/0
منبع: یافته‌های پژوهش
این نتیجه بیانگر آن است که از نظر سطح زیر منحنی ROC مدل رگرسیون لجستیک در سال t، 1-t، 2-t توانایی بالاتری در پیش‌بینی ورشکستگی دارد و به این مدل از عملکرد بهتری برخوردار است و فرضیه سوم پژوهش رد می‌شود.

 

 


نتیجه
ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﺷﺮﻛﺖﻫﺎ ﻳﻜﻲ از ﻣﻄﺎﻟﻌﻪﻫﺎی ﺟﺎﻟﺐ و ﺑﺎ اﻫﻤﻴﺖ در ﺣﻮزه ﻣﺎﻟﻲ اﺳﺖ. ‫ﺑﺎ ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ و ﭘﺲ از آن رﻳﺸﻪﻳﺎﺑﻲ مسأله و ﺣﻞ آن، ﻣﻲﺗﻮان ﺑﻪ ﻧﺘﺎﻳﺞ ﺑﺴﻴﺎر ‫رﺿﺎﻳﺖﺑﺨﺸﻲ دﺳﺖ ﻳﺎﻓﺖ. ‫در اﻳﻦ ﭘﮋوﻫﺶ از ﻣﺪل درخت تصمیم و رگرسیون لجستیک ﻛﻪ از روشﻫﺎی داده کاوی هستند، ‫ﺟﻬﺖ ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ﺷﺮﻛﺖ‌ﻫﺎی داﺧﻠﻲ، اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. ﻧﺘــﺎﻳﺞ ﺑــﻪ دﺳــﺖ آﻣــﺪه از ﭘــﮋوﻫﺶ ﻧﺸــﺎن داد، اطلاعات صورت‌های مالی دارای قدرت پیش‌بینی‌کننده بالا می‌باشند و ﺷــﺮﻛﺖﻫــﺎی ﮔــﺮوه ورﺷﻜﺴــﺘﻪ در ﻣﺮاﺣــﻞ ‫ورﺷﻜﺴﺘﮕﻲ، ﻓﺮوش، ﺳﻮد وﻳﮋه و داراﻳﻲﻫﺎی ﻛﻤﺘـﺮی ﻧﺴـﺒﺖ ﺑـﻪ ﮔـﺮوه دوم دارﻧـﺪ ﻛـﻪ در ‫ﻧﻬﺎﻳﺖ ﺑﻪ ﺗﻔﺎوت ﻣﻌﻨﺎدار ﻧﺴﺒﺖﻫﺎی ﻣﺎﻟﻲ دو ﮔﺮوه ﻣﻨﺠﺮ ﺧﻮاﻫﺪ ﺷﺪ. ﻣﺪل اﻳﺠﺎد ﺷﺪه ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢCART ﺗﻮاﻧﺴﺖ ﺑﻪﻃﻮر ﻣﻴﺎﻧﮕﻴﻦ در دو ﺳﺎل ﻗﺒﻞ از ‫ورﺷﻜﺴﺘﮕﻲ در داده‌های آزمون دﻗﺘﻲ ﻣﻌﺎدل 1/97 درﺻﺪ داﺷﺘﻪ ﺑﺎﺷﺪ؛ در ﺣﺎﻟﻲﻛﻪ ﻣﺪل رگرسیون لجستیک دﻗﺘﻲ ﻣﻌﺎدل ‫9/97 درﺻﺪ داﺷﺘﻪ، در ﻳﻜﺴﺎل ﻗﺒﻞ از ﺳﺎل ﻣﺒﻨﺎ ﻣﺪل اﻟﮕﻮرﻳﺘﻢ CART ﺑﻪﻃﻮر ﻣﻴﺎﻧﮕﻴﻦ دﻗﺘﻲ ‫ﻣﻌﺎدل 4/97 درﺻﺪ داﺷﺘﻪ در ﺣﺎﻟﻲﻛﻪ ﻣﺪل رگرسیون لجستیک دﻗﺘﻲ ﻣﻌﺎدل 3/99 درﺻﺪ داﺷﺘﻪ، در ﺳﺎل ‫ﻣﺒﻨﺎ ﻣﺪل اﻟﮕﻮرﻳﺘﻢ CART ﺑﻪﻃﻮر ﻣﻴﺎﻧﮕﻴﻦ دﻗﺘﻲ ﻣﻌﺎدل 7/94 درﺻﺪ داﺷﺘﻪ ﺿﻤﻦ اﻳﻨﻜﻪ در ‫اﻳﻦ ﺳﺎل ﻣﺪل رگرسیون لجستیک دﻗﺘﻲ ﻣﻌﺎدل 3/99 درﺻﺪ داﺷﺘﻪ اﺳﺖ. ‫ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ دﻗﺖ ﻛﻠﻲ و سطح زیر منحنی ROC در ﻣﺪل رگرسیون لجستیک ﻧﺴﺒﺖ به ﻣﺪل ‪ CART ﺑﻴﺸﺘﺮ ‫اﺳﺖ؛ ﭘﺲ ﺑﻪﻃﻮرﻛﻠﻲ ﻣﺪل رگرسیون لجستیک اﺑﺰار ﻣﻨﺎﺳﺐﺗﺮی ﺑﺮای ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ ‫ﺷﺮﻛﺖﻫﺎ اﺳﺖ. ﻫﻤﭽﻨﻴﻦ ﺑﺎ اﺳﺘﻔﺎده از ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ از آزﻣﻮن ﻓﺮﺿﻴﻪﻫﺎی ﭘﮋوﻫﺶ ﻣﻲﺗﻮان ‫ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ، ﻣﺪلﻫﺎی اﻟﮕﻮرﻳﺘﻢ CART و ﻣﺪل رگرسیون لجستیک اﺑﺰارﻫﺎی ﻣﻨﺎﺳﺒﻲ ﺑﺮای ﭘﻴﺶﺑﻴﻨﻲ ‫ورﺷﻜﺴﺘﮕﻲ ﻣﺤﺴﻮب ﻣﻲﺷﻮﻧﺪ و ﺑﺎ آزﻣﻮن ﻓﺮﺿﻴﻪ سوم ﻣﺸﺎﻫﺪه ﺷﺪ ﻛﻪ ﻣﺪل رگرسیون لجستیک ﻣﺤﺎﻓﻈﻪﻛﺎرﺗﺮ از ﻣﺪل CART ﻋﻤﻞ ﻣﻲﻧﻤﺎﻳﺪ. ﻧﺘﺎﻳﺞ توان پیش‌بینی دو ﻣﺪل ﺑﺎ ﻧﺘﺎﻳﺞ ﭘﮋوﻫﺶﻫﺎی ﺻﻮرت ﮔﺮﻓﺘﻪ ﺗﻮﺳﻂ جنانی و همکاران (2013) و موسوی شیری و همکاران (2012) و لی (2004) و راعی و فلاح‌پور (1387) و سعیدی و آقایی (1388) و اهلسون )1980 (و تام و کیانگ )1992 (و ژانگ و همکاران )1999( و جپ و همکاران (2010 (و اکسی (2011) ﺳﺎزﮔﺎر اﺳﺖ و ﻧﺘﺎﻳﺞ ﻣﻘﺎﻳﺴﻪای دو ﻣﺪل ﺑﺎ ﻧﺘﺎﻳﺞ ﭘﮋوﻫﺶﻫﺎی ﺻﻮرت ﮔﺮﻓﺘﻪ ﺗﻮﺳﻂ جنانی و همکاران (2013) و موسوی شیری و همکاران (2012) و لی (2004) ﻧﺎﺳﺎزﮔﺎر اﺳﺖ.
پیشنهادهای کاربردی حاصل از نتایج پژوهش
با توجه به نتایج حاصل از پژوهش و اهمیت موضوع می‌توان پیشنهادهای زیرا را ارائه نمود:
الف) سازمان بورس و اوراق بهادار تهران برای اطمینان نسبی از وضعیت مناسب مالی آتی شرکت‌ها می‌تواند از مدل‌های این پژوهش در پذیرش شرکت جدید به سازمان بورس استفاده نماید.
ب) بانک‌ها و مؤسسات مالی و اعتباری از مدل‌های این پژوهش در اعطا وام‌ها با مبالغ بالا به متقاضیان صاحبان صنایع می‌توانند استفاده نمایند.
ج) کارگزاران بورس، تحلیل‌گران و مشاوران مالی که وظیفه آن‌ها تجزیه و تحلیل وضعیت مالی شرکت‌های داخل بورس و تشریح وضعیت مالی آینده شرکت‌ها برای متقاضیان خرید سهام شرکت‌ها می‌باشند نیز می‌توانند از مدل‌های این پژوهش استفاده نمایند.
د) مدیران شرکت‌ها همواره مایل به ارزیابی نقاط ضعف و پیش‌بینی تهدید‌های آتی می‌باشند. یک‍ی از روش‌های ارزیابی نقاط ضعف مالی در آینده و در نهایت درماندگی مالی استفاده از مدل‌های مبتنی بر داده‌های مالی می‌باشد. مدیران از مدل‌های ارائه شده در این پژوهش برای تشخیصی درماندگی مالی می‌تواننداستفاده نمایند.
ه) شرکت‌های سرمایه‌گذاری همواره در پی کسب وضعیت مناسب برای سرمایه‌گذاری هستند. اصولاً آنها قبل از اقدام به سرمایه‌گذاری در صنایع مختلف، وضعیت این صنایع را با روش‌های گوناگون مورد ارزیابی و تجزیه و تحلیل قرار می‌دهند تا نسبت به سودآوری آن‌ها مطمئن شوند. یکی از انواع روش‌های ارزیابی مورد استفاده این شرکت‌ها، ارزیابی وضعیت ورشکستگی است. بنابراین با توجه به نتایج حاصل از این تحقیق، شرکت‌های سرمایه‌گذاری می‌توانند از مدل‌های استفاده شده در این پژوهش برای ارزیابی ورشکستگی شرکت‌ها استفاده نمایند.
و) صنایع همواره برای مقاصد توسعه محصول و کنترل بر مواد اولیه مورد نیاز خود، تصمیم به ادغام و خرید شرکت‌های دیگر می‌گیرند. این صنایع در زمان تصمیم به خرید، آن‌ها را مورد ارزیابی قرار داده و وضیعت مالی آن‌ها را بررسی کامل می‌نمایند، تا پس ازادغام دچار مشکلات مالی نشود. با توجه به نتایج ارائه شده در این تحقیق، این صنایع می‌توانند وضیعت فعالیت این شرکت‌ها را در آینده با استفاده از مدل‌های بکار گرفته شده در این پژوهش پیش‌بینی نمایند.

 

 

1- ابزری، مهدی، میرشمس شهشهانی، مرتضی و مهدی رسول‌زاده. (1380) بررسی کاربرد مدل آلتمن برای تعیین وضعیت ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران (صنایع نساجی و ساخت فلزات اساسی).پایان‌نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه اصفهان، اصفهان.

2- ابزری، مهدی، منجمی، امیرحسن و مروه بخشایش. (1390) پیش بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران با استفاده از شبکه‌های عصبی باز جریانی. پایان‌نامه کارشناسی ارشد، دانشکده مدیریت دانشگاه اصفهان، اصفهان.

3- امینی، پیمان. (1385) بررسی امکان سنجی استفاده از مدل فولمر برای تخمین ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. پایان‌نامه کارشناسی ارشد، رشته حسابداری دانشگاه تربیت مدرس، تهران.

4- آذر، عادل، احمدی، پرویز و محمد وحید بسط. (1389) طراحی مدل انتخاب نیروی انسانی با رویکرد داده کاوی، نشریه مدیریت فناوری و اطلاعات، ش 4، صص 22-3.

5- پیرایش، ‌رضا، منصوری، علی و صابر امجدیان. (1388) طراحی مدل های ریاضی مبتنی برجریان های نقدی برای پیش بینی ورشکستگی شرکت های پذیرفته شده دربورس اوراق بهادار تهران، مجله توسعه سرمایه، ش 4، صص 94-73.

‫6- ﭘﻮرﺣﯿﺪری، اﻣﯿﺪ و ﻣﻬﺪی ﮐﻮﭘﺎﺋﯽ ﺣﺎﺟﯽ. (1389) ﭘﯿﺶﺑﯿﻨﯽ ﺑﺤﺮانﻣﺎﻟﯽ ﺷﺮﮐﺖﻫﺎ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻣﺒﺘﻨﯽ ﺑﺮ ﺗﺎﺑﻊ ﺗﻔﮑﯿﮑﯽ ﺧﻄﯽ.ﻣﺠﻠﻪ ﭘﮋوﻫﺶﻫﺎی ﺣﺴﺎﺑﺪاری ﻣﺎﻟﯽ، دوره 2، ش 1،‌ صص 46-33.

‫‫7- ﭘﻮرزﻣﺎﻧﯽ، زﻫﺮا، ﺟﻬﺎﻧﺸﺎد، آزﯾﺘﺎ و ﺷﻬﺮام ﻋﯿﻦ ﻗﻼﯾﯽ. (1388) ﭘﯿﺶ‌ﺑﯿﻨﯽ وﺿﻌﯿﺖ ﻣﺎﻟﯽ و اﻗﺘﺼﺎدی شرکت‌ها ﺑﺎ اﺳﺘﻔﺎده از نسبت‌های ﻣﺎﻟﯽ ‫ﻣﺒﺘﻨﯽ ﺑﺮ ﺳﻮدآوری، جریان‌های ﻧﻘﺪی و رﺷﺪ. ﭘﮋوﻫﺸ‌ﻨﺎﻣﻪ ﺣﺴﺎﺑﺪاری ﻣﺎﻟﯽ و ﺣﺴﺎﺑﺮﺳﯽ، دوره 1، ش 3، صص 115 -93.

‫8- ﭘﻮرزﻣﺎﻧﯽ، زﻫﺮا، ﺗﻮاﻧﮕﺮ ﺣﻤﺰه ﻛﻼﻳﻲ، اﻓﺴﺎﻧﻪ و آوا ﻛﻴﺎرﺳﻲ. (1389) ﺑﺮرﺳﻲ ﻛﺎراﻳﻲ اﻟﮕﻮی ﻟﻮﺟﻴﺖ و ﺗﺤﻠﻴﻞ ﺗﻤﺎﻳﺰی ﭼﻨﺪ ﻣﺘﻐﻴﺮه در ﭘﻴﺶﺑﻴﻨﻲ ‫وﺿﻌﻴﺖ ﻣﺎﻟﻲ ﺷﺮﻛﺖﻫﺎی ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان. ﭘﮋوﻫﺸﻨﺎﻣﻪ ﺣﺴﺎﺑﺪاری ﻣﺎﻟﯽ و ﺣﺴﺎﺑﺮﺳﯽ، دوره 2، ش 5: 122-94.

9- حسینی، محسن، تذهیبی، مهدی، امینی، مسعود، زارع، اصغر و حسن جهانی هاشمی. (1389) کاربرد درخت رده‌بندی برای پیشگویی رتیوپانی دیابتیک و مقایسه با مدل تابع تشخیص در بیماران دیابتی نوع 2»، مجله دانشکده پزشکی اصفهان، ش 104، صص 27-17.

10- سعیدی، علی و آرزو آقایی. (1388) پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های بیز، فصلنامه بررسی‌های حسابداری و حسابرسی، دوره 16، ش 56، صص 78-59.

11- سلیمانی امیری، غلامرضا. (1382) نسبت‌های مالی و پیش‌بینی بحران مالی شرکت‌ها در بورس اوراق بهادار تهران. تحقیقات مالی، دوره 5، ش 15، صص 136-121.

12- ﺳﻠﻴﻤﺎﻧﻲ، ﻏﻼﻣﺮﺿﺎ. (1389) ارزﻳﺎﺑﻲ ﻛﺎراﻳﻲ اﻟﮕﻮﻫﺎی ﭘﻴﺶ‌ﺑﻴﻨﻲ ﺑﺤﺮان ﻣﺎﻟﻲ ﺑﺮای شرکت‌های اﻳﺮاﻧﻲ.ﻣﺠﻠﻪ داﻧﺶ ﺣﺴﺎﺑﺪاری، دوره 1، ش 2، صص 158-139.

13- ﺳﻠﻴﻤﺎﻧﻲ، اﻋﻈﻢ و ﻫﺎﺷﻢ ﻧﻴﻜﻮﻣﺮام. (1387) ‫ارزﻳﺎﺑﻲ ﺗﻮاﻧﻤﻨﺪی ﻣﺎﻟﻲ شرکت‌های ‫ﺑﻬﺎدار ﺗﻬﺮان و اراﺋﻪ ﻣﺪل ‫ﻣﻨـﺎﺳﺐ ارزﻳـﺎﺑﻲ.ﭘﮋوﻫﺸﻨﺎﻣﻪ اﻗﺘﺼﺎدی، دوره 29، ش 2، صص 253-279.

14- راعی، رضا و سعید فلاح‌پور. (1387) کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی، فصلنامه بررسی‌های حسابداری و حسابرسی، دوره 15، ش 53، صص34-17.

‫15- رﻫﻨﻤﺎی رودﭘﺸﺘﻲ، ﻓﺮﻳﺪون، ﻋﻠﻲﺧﺎﻧﻲ، راﺿﻴﻪ و ﻣﻬﺪی‫‫ ﻣﺮانﺟﻮری. (1388) ﺑﺮرﺳﻲ ﻛﺎرﺑﺮد ﻣﺪلﻫﺎی ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ آﻟﺘﻤﻦ و ﻓﺎﻟﻤﺮ ‫در ﺷﺮﻛﺖﻫﺎی ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان. ﺑﺮرﺳﻴ‌‌‌‌‌‌‌ﻬﺎی ﺣﺴﺎﺑﺪاری و ﺣﺴﺎﺑﺮﺳﻲ، دوره 16، ش 55، صص 34-19.

‫16- رﺿﺎﻳﻲ، ﻓﺮزﻳﻦ و ﻣﻬﺪی ﮔﻞ‌دوز ‫‫(1390). ﻣﻘﺎﻳﺴﻪ ﻗﺪرت ﭘﻴﺶﺑﻴﻨﻲ اﻟﮕﻮﻫﺎی ورﺷﻜﺴﺘﮕﻲ زاوﮔﻴﻦ، زﻳﻤﺴﻜﻲ و ﺷﻴﺮاﺗﺎ در ﺷﺮﻛﺖﻫﺎی ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ‫ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان. ﻣﺠﻠﻪ ﻣﺪﻳﺮﻳﺖ ﺗﻮﺳﻌﻪ ﻭ ﺗﺤﻮﻝ، ش 6، صص 81-69.

17- فلاح‌پور، سعید و رضا راعی. (1383) پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی، تحقیقات مالی، ش 17، صص 69-39.

18- فرج‌زاده دهکردی، حسن. (1386) کاربرد الگوریتم ژنتیک در پیش‌بینی ورشکستگی».پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس، تهران.

‫‫19- ﻓﻴﺮوزﻳﺎن، ﻣﺤﻤﻮد؛ ﺟﺎوﻳﺪ، دارﻳﻮش و ﻧﺮﮔﺲ ﻧﺠﻢاﻟﺪﻳﻨﻲ. (1390) ﻛﺎرﺑﺮد اﻟﮕﻮرﻳﺘﻢ ژﻧﺘﻴﻚ در ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ و ﻣﻘﺎﻳﺴﻪ آن ‫ﺑﺎ ﻣﺪل ‪ Zآﻟﺘﻤﻦ در ﺷﺮﻛﺖﻫﺎی ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ‫ﺑﻬﺎدار ﺗﻬﺮان. بررسی‌های ﺣﺴﺎﺑﺪاری و ﺣﺴﺎﺑﺮﺳﻲ، دوره 18، ش 65، صص 114-99.

20- کمیجانی، اکبر و جواد سعادت‌فر. (1385) ﮐﺎﺭﺑﺮﺩ مدل‌های ﺷﺒﮑﻪ ﻋﺼﺒﻲ ﺩﺭ ‫ﭘﻴﺶﺑﻴﻨﻲ ﻭﺭﺷﮑﺴﺘﮕﻲ ﺍﻗﺘﺼﺎﺩﻱ شرکت‌های ﺑﺎﺯﺍﺭﺑﻮﺭﺱ.ﺟﺴﺘﺎﺭﻫﺎﻱ ﺍﻗﺘﺼﺎﺩﻱ، دوره 3، ش 6، صص 43-11.

21- گلریز، حسن. (1374) بورس اوراق بهادار.تهران: انتشارات امیرکبیر.

22- مشکانی، علی و عبدالرضا ناظمی (1388). مقدمه‌ای بر داده کاوی. مشهد: موسسۀ چاپ و انتشارات دانشگاه فردوسی مشهد.

23- ﻣﻬﺮﺍﻧﻲ، ﺳﺎﺳﺎﻥ، ﻣﻬﺮﺍﻧﻲ، ﻛﺎﻭﻩ، ﻣﻨﺼﻔﻲ، ﻳﺎﺷﺎﺭ و ﻏﻼﻣﺮﺿﺎ ﻛﺮﻣﻲ. (1384) ﺑﺮﺭﺳﻲ ﮐﺎﺭﺑﺮﺩﻱ ﺍﻟﮕﻮﻫﺎﻱ ﭘﻴﺶﺑﻴﻨﻲ ﻭﺭﺷﮑﺴﺘﮕﻲ ‫ﺯﻳﻤﺴﮑﻲ ﻭ ﺷﻴﺮﺍﺗﺎ ﺩﺭ ﺷﺮﮐﺖﻫﺎﻱ ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪﻩ ‫ﺩﺭ ﺑﻮﺭﺱ ﺍﻭﺭﺍﻕ ﺑﻬﺎﺩﺍﺭﺗﻬﺮﺍﻥ.ﺑﺮﺭﺳﻲﻫﺎﻱ ﺣﺴﺎﺑﺪﺍﺭﻱ ﻭ ﺣﺴﺎﺑﺮﺳﻲ، دوره 12، ش 41، صص131-105.

24- مکیان، نظام‌الدین، سلیم کریمی تکلو.‫‫ (1389) پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکه‌های عصبی مصنوعی. فصلنامه اقتصاد مقداری، دوره 6، ش 1، 144-129.

25- نیکبخت، محمدرضا و مریم شریفی. (1389) پیش بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. مجله مدیریت صنعتی، دوره 2، ش 4، صص 180-163.

26- ناصرزاده، هوشنگ. (1374) قانون تجارت. تهران: نشردیدار.

‫27- ﻧﺒﻮی ﭼﺎﺷﻤﻲ، ﺳﻴﺪﻋﻠﻲ، اﺣﻤﺪی، ﻣﻮﺳﻲ و ﺻﺎدق ﻣﻬﺪوی ﻓﺮح‌آﺑﺎدی. ‫‫(1389) ‫ﭘﻴﺶ‌ﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ شرکت‌ها ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل ﻻﺟﻴﺖ. ﻣﺠﻠﻪ ﻣﻬﻨﺪﺳﻲ ﻣﺎﻟﻲ و ﻣﺪﻳﺮﻳﺖ ﭘﺮﺗﻔﻮی، ش 5، صص 81-55.

28- یاریفرد، رضا. (1382) بررسی مدل‌های پیش‌بینی ورشکستگی (مدل‌های فولمر و اسپرینگ) در بورس اوراق بهادار تهران. پایان‌نامه کارشناسی ارشد حسابداری، دانشگاه مازندران، مازندران.

29- Altman, E.I. (1968). Financial ratios, disarmament analysis and the prediction of corporate bankruptcy" bankruptcy. The Journal of Finance, 23 (4): 589-609.

30- Alforo, E, Garcia, N,Gámez, M,Elizondo, D. (2008). Bankruptcy forecassting: An empirical camparison of adaboost and neural networks. Decision Support Systems, 45(1): 110-122.

31- Beaver, W.H. (1966). Financial ratios as predictors of failure. Journal of AccountingResearch, Empirical Research in Accounting: Selected studies, 4: 71-111.

32- Cielen, A.P. (2004). Bankruptcy prediction using a data envelopment analysis European Journal of Operational Research, 154: 526-532.

33- Deakin, E.B. (1972)."A discriminant analysis of predictors of Business failure". Journal of Accounting Research, 10: 167-179.

34- Eksi,I. (2011). Classification of firm failure with classification and regression trees. Journal of Finance and Economics, 76: 113-120.

35- Gepp, A, Kumar, K, Bhattacharya, S. (2010). Business failure prediction using decision tree. Journal of Forecasting, 29: 536-555.

36- Kiers H.A.L,Rasson J.P, Groenen P.J.F, Schader M  . (2000). Data analysis classification and related methods.Namur, Belgium:  International Federation of Classification Societies(IFCS), 428p.

37- Jones, F.L. (1978). Current techniques in bankruptcy prediction. Journal of Accounting Literature, 6:131-164.

38- Janani GH, Nabavi Chashmi A, Faghani Makrani KH. (2013). A study on capability of financial ratios in predicting bankruptcy of firms: Evidence from Tehran Stock Exchange Management Science Letters.3: 2119–2124.

39- Lee, W.C. (2004). An empirical comparison of bankruptcy models -evidence from Taiwan. Sin Pac Financial Journal, 149-168. Available: http: //ir.lib.au.edu.tw/bitstream/987654321/812/1/CM05-pa_lee_01-0001-u

40- Min H, Jae & Lee C,Young. (2005). Bankruptcy perdiction using support vector machine with optimal choice of kernel function parameters. Expert Systems with Applications, 28: 603- 614.

41- Mousavi Shiri M, Ahangary M, Vaghfi H, Kholousi A. (2012). Corporate bankruptcy prediction using data mining techniques: evidence from iran. African Journal of Scientific Research. 8 (1): 403-426.

42- Ohlson J.A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18 (1): 109-131.

43- Odom M.D, Sharda R. (1990). A neural network model for bankruptcy prediction. IJCNN International Joint Conference on Neural Networks, 2: 163-168.

44- Premachandra 1M, Chen Y,Watson J. (2011). Dea as a tool for predicting corporate failure and success: A case of bankruptcy assessment. Omega, 39(6): 620-626.

45- Rygielski C, Wang J.C, Yen D.C. (2002). Data mining techniques for customer relationship management. Technology in Society, 24(4): 483-502.

46- Ravi Kumar P, Ravi V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques– A review. European Journal of Operational Research, 180 (1): 1-28

47- Serrano- Cinaco C. (1997). Feed forward neural networks in the classification of Financial information. The European Journal of Financial, 3: 183-202.

48- Shah J.R, Murtza M.B. (2000). A network based clustering procedure for bankuptcy prediction. American Business Review, 18 (20): 80- 86.

49- Shin K, Lee Y. (2002). A genetic algorithm application in bankruptcy prediction modeling. Expert Systems with Application, 23 (3): 321- 328.

50- Sueyoshi T, Goto M. (2009). Methodological comparison between DEA (data envelopment analysis) and DEA- DA (discriminant analysis) form the perspective of bankruptcy assessment. European Journal of Operational Research, 199: 561-575.

51- Sarkar S, Sriram R.S. (2001). Bayesian Models for Early Warning of Bank Failures. Management Science ,47(11): 1457-1475.

52- Tam K.Y, Kiang M. (1992). Managerial Applications of Neural Networks: the Case of Bank Failure Predictions. Management Science, 38 (7): 926-947.

53- Wallace A. (2004). Risk Assessment by Internal Audtors Using Past Research on Bankruptcy Applying Bankruptcy Models. J. Account. Res, 56(16): 109-131.

54- Zhang G.H, Hu M, Eddy Patuwo B.C, Indro D. (1999). Artificial neural network in bankruptcy prediction: General frame work and cross- validation analysis European Journal of Op erational Research, 116 (1): 16-32.