نقش توانایی مدیریت در پیش‌بینی بحران مالی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد حسابداری، دانشگاه شیراز، شیراز، ایران

2 دانشجوی دکتری حسابداری، دانشگاه شیراز، شیراز، ایران

چکیده

از آنجا که مدیریت ضعیف یکی از مهم‌ترین عوامل شکست تجاری شناخته می‌شود، انتظار می‌رود توانایی مدیریت متغیری سودمند برای پیش‌بینی بحران مالی باشد؛ بنابراین، هدف پژوهش حاضر بهبود عملکرد الگوهای پیش‌بینی بحران مالی با استفاده از توانایی مدیریت به‌عنوان یک متغیر پیش‌بین است. در این راستا، با استفاده از داده‌های نمونه‌ای شامل 201 سال- شرکت بحران‌زده و 201 سال- شرکت سالم پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی 1385 تا 1394، عملکرد الگوهای پیش‌بینی بحران مالی مبتنی بر نسبت‌‌های مالی و مبتنی بر نسبت‌های مالی و توانایی مدیریت مقایسه شد. یافته‌های پژوهش حاضر نشان می‌دهد عملکرد الگوهای پیش‌بینی بحران مالی با حضور توانایی مدیریت به‌طور معنا‌داری بیشتر از الگوهای مبتنی بر نسبت‌های مالی در روش‌های طبقه‌بندی‌کننده‌ تجمیعی بوستینگ، بگینگ و جنگل‌های چرخشی است. به‌بیان دیگر، افزودن توانایی مدیریت به الگوهای پیش‌بینی بحران مالی، دقت آنها را افزایش می‌دهد. همچنین، یافته‌های پژوهش حاضر حاکی از آن است که هرچه فاصلۀ دورۀ زمانی پیش‌بینی با وقوع بحران مالی بیشتر باشد، لحاظ‌کردن توانایی مدیریت در الگوهای پیش‌بینی بحران مالی عملکرد آنها را به میزان بیشتری بهبود می‌بخشد. بر اساس یافته‌های پژوهش نتیجه‌گیری می‌شود توانایی مدیریت، متغیری ارزشمند در پیش‌بینی بحران مالی است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Role of Managerial Ability in Financial Distress Prediction

نویسندگان [English]

  • Shokrollah Khajavi 1
  • Mohammad Hossein Ghadirian-Arani 2
1 Professor of Accounting, Shiraz University,Shiraz, Iran
2 Ph.D. Candidate of Accounting, Shiraz University, Shiraz, Iran
چکیده [English]

As poor management is generally acknowledged as one of the most key factors of business failures, it is expected that managerial ability to be a useful variable in predicting financial distress. The objective of this study is to increase the accuracy of financial distress prediction by adopting managerial ability as a predictive variable. Therefore, financial ratio–based models, and models utilizing both financial ratio and managerial ability was compared by using data of a sample of 201 financially distressed and non-distressed firm-years listed in the Tehran Stock Exchange from 2005 to 2016. The study results show that the performance of combined models is significantly more than financial ratio-based models in the Boosting, Bagging and Rotation Forest approaches. In other words, managerial ability improves the performance of financial ratio-based models to predict financial distress. Also, the secondary findings of this study showed that the more the interval between prediction years and financial distress occurrence, the more effect of managerial ability on performance of financial distress prediction models. Consequently, findings of present study reveal that managerial ability is indeed valuable for financial distress prediction.

کلیدواژه‌ها [English]

  • Financial Distress
  • Managerial ability
  • Ensemble classifiers
  • Tehran Stock Exchange

بنگاههای اقتصادی در طول حیات خود فراز و نشیب­های مختلفی را طی می‌کنند. برخی از آنها به‌دلیل عملکرد قوی، واحدهای موفق و برخی نیز به‌علت عملکرد ضعیف، واحدهای ناموفق شناخته می‌شوند. امروزه با توسعۀ تجارت جهانی و فناوری اطلاعات، رقابت در تمامی کسب و کارها افزایش یافته است. در این شرایط، عواملی همچون رقابت شدید و بی‌اطمینانی به محیط تجاری به‌طور اجتناب‌ناپذیری احتمال بحران مالی شرکت‌ها را افزایش داده است. در صورت توفیق‌نیافتن شرکت‌های بحران‌زده در سروسامان‌بخشیدن به وضع خود، حذف از صحنۀ رقابت و ورشکستگی در انتظار آنهاست. بحران مالی نه‌تنها زیان سرمایه‌گذاران و بستانکاران را موجب می­شود، به­طور مستقیم بر بقا و توسعۀ واحدهای تجاری نیز مؤثر است. بحران مالی و در نهایت ورشکستگی واحدهای اقتصادی،‌ باعث زیان­های هنگفتی در سطح خرد و کلان ‌می‌شود. در سطح کلان، درماندگی مالی شرکت‌ها سبب کاهش تولید ناخالص داخلی، افزایش بیکاری، اتلاف منابع کشور و نظایر آن می‌شود. در سطح خرد نیز ذی‌نفعان و بنگاههای اقتصادی، نظیر سهامداران، سرمایه‌گذاران بالقوه، اعتباردهندگان، مدیران، کارکنان، عرضه‌کنندگان مواد اولیه و مشتریان متحمل زیان می‌شوند و ممکن است خسارت قابل توجهی به این گروهها وارد شود [1]؛ در نتیجه، به‌منظور اجتناب از زیان­های هنگفت ناشی از بحران مالی می­توان با مشخص‌کردن دلایل این پدیده، برنامه‌ریزی برای پیشگیری از آن را تسهیل کرد. در شرایطی که در کشور رکود تورمی و شرایط تحریم حاکم باشد، به‌گونه‌ای که بسیاری از شرکت‌ها با بحران مالی روبه‌رو‌ شوند و فشار شرایط نامساعد اقتصادی بر شرکت‌ها به‌طور کامل از میان نرفته باشد، اهمیت این موضوع بیشتر احساس می‌شود. اگرچه محیط اقتصادی برای همۀ شرکت‌ها یکسان است، ولی برخی از شرکت‌ها در نتیجۀ وضعیت‌های بد اقتصادی با بحران روبه‌رو می‌شوند. به‌طور کلی، شرکت‌های سالم، سیاست‌های مناسب را برای واکنش در برابر تغییرات اقتصادی به‌کار می‌گیرند [50] و شرایط بد اقتصادی را بدون بحران پشت سر می‌گذارند. در نتیجه، شناسایی عواملی که مانعی در برابر گرفتارشدن شرکت‌ها در دوران شرایط سخت اقتصادی به بحران مالی باشد، راهنمایی‌های سودمندی برای برنامه‌ریزی‌های آتی خرد و کلان ارائه می‌دهد.

دلایل متعددی با هم به درماندگی مالی و ورشکستگی منجر می‌شوند؛ بنابراین، تعیین دقیق آنها به آسانی امکان‌پذیر نیست. با وجود این، بیشتر صاحب‌نظران (گرینین و جانسون [30]؛ گیتمن [28] لسنبرگ و همکاران [34]، نیوتن [40]) توافق دارند که ضعف و ناتوانی مدیریت یکی از مهم‌ترین و اصلی‌ترین دلایل بحران مالی است. به‌بیان دیگر، تصمیمات ضعیف و مهارت پایین مدیر در رهبری، شرکت را به سمت بحران مالی و در نهایت ورشکستگی سوق می‌دهد [35]. در نتیجه انتظار می‌رود توانایی مدیریت یکی از عوامل مؤثر بر بحران مالی باشد. در تصمیم­گیری­های مالی، یک شاخص علمی و واقعی واحد برای ارزیابی درست احتمال وقوع بحران مالی در هر شرکت نیاز است. نسبت­های مالی، یکی از مهم­ترین ابزارهای تجزیه و تحلیل مسائل مالی است و واقعیت‌های مهمی را دربارۀ عملیات و وضعیت مالی یک شرکت آشکار می­کند [46]. اگرچه تاکنون در ایران پژوهش‌های زیادی برای پیش‌بینی بحران مالی انجام گرفته است، اما در الگوهای ارائه‌شده در آنها توانایی مدیریت نادیده گرفته شده است که یکی از عوامل اصلی مؤثر بر بحران مالی است. از این‌رو، هدف اصلی پژوهش حاضر بررسی تأثیر افزودن توانایی مدیریت به‌عنوان متغیر پیش‌بین به الگوهای پیش‌بینی بحران مالی است. بدین‌منظور، بحران مالی شرکت‌ها در قالب الگوهای مختلف (با متغیر توانایی مدیریت و بدون آن) پیش‌بینی و عملکرد آنها با هم مقایسه می‌شود.

 

مبانی نظری و پیشینۀ پژوهش

برونو و لیدکر [20] با بررسی پژوهش­های انجام‌شده در زمینۀ شکست تجاری، دریافتند که شکست تجاری، فرایندی تدریجی است که در طول زمان رخ می­دهد و به­منزلۀ نابودی ناگهانی شرکت نیست. در شرکت­های بحران‌زده، عوامل قابل‌شناسایی مشخصی وجود دارد که به شکست آن منجر شده است و با شناسایی این عوامل، میزان گرایش شرکت‌ها به سمت شکست پیش­بینی و اقدامات لازم برای پیشگیری از آن‌ انجام می‌شود. این عوامل در دو گروه کلی دلایل درون­سازمانی و برون­سازمانی طبقه­بندی می‌شود [20]. نیوتن [39] مدیریت ناکارا و مدیریت‌نکردن را از جمله مهم‌ترین دلایل درون‌سازمانی این پدیده می‌داند [39].

مدیریت­نکردن: یکی از دلایل شکست تجاری از واکنش نشان­‌ ندادن مدیران در موقعیت­های خاص و نه واکنش نامناسب آنها نشأت می­گیرد. از جمله نشانه­های آن، می­توان به نداشتن راهبرد و طرح تجاری جامع و قابل فهم، تصمیم‌گیری­‌نکردن به­موقع، تعویض زیاد کارکنان با صلاحیت، داشتن دانش محدود دربارۀ مشتریان و شرایط بازار و کافی‌نبودن اختیارات مدیران اشاره کرد [29].

مدیریت ناکارا: نداشتن آموزش، تجربه، توانایی و ابتکار عمل به­وسیلۀ مدیریت، بقای واحد تجاری در عرصۀ رقابت و فناوری را با مشکل روبه‌رو می­سازد. بیش‌ترین تعداد ورشکستگی­ها به‌دلیل ناکارامدی مدیران است و همکاری‌نکردن و نبود ارتباط مؤثر مدیریت با افراد حرفه­ای و متخصصان را نیز در برمی­گیرد [39]. ناتوانی در همگام‌شدن با تغییرات بازار و پیشرفت­های سریع فناوری، کنترل عملیاتی نامناسب (شامل کنترل بودجه‌ای، هزینه‌یابی محصولات، حسابداری سنجش مسئولیت، تعیین ارزش دارایی‌ها، پیش­بینی جریانات نقدی)، توسعۀ بیش از حد، فروش ناکافی، قیمت­گذاری نامناسب محصولات، هزینه‌های سربار و عملیاتی و هزینه بهره بدهی‌های بلندمدت بیش از اندازه، سرمایه‌گذاری‌های بیش از حد در دارایی‌های غیرجاری و موجودی­ها، سرمایه در گردش ناکافی و نقدینگی ضعیف، ساختار سرمایۀ نامتوازن، نداشتن پوشش بیمه­ای کافی، روش‌ها و ثبت­های نامناسب حسابداری و رشد بیش از اندازه و کنترل­نشده از جمله شرایط ناشی از مدیریت ناکارا هستند که موجبات بحران مالی را فراهم می‌کنند [39].

توانایی مدیریت یکی از ابعاد سرمایۀ انسانی شرکت­هاست که به‌عنوان دارایی نامشهود طبقه­بندی می­شود. دمرجیان و همکاران [25] توانایی مدیریت را‌ کارایی مدیران نسبت به رقبا در تبدیل منابع شرکت به درآمد تعریف می­کنند. این منابع تولید درآمد در شرکت­ها عبارت‌اند از بهای موجودی­ها، هزینه­های اداری و توزیع و فروش، دارایی‌های ثابت، اجاره­های عملیاتی، هزینه­های تحقیق و توسعۀ گذشته و دارایی‌های نامشهود شرکت [25]. توانایی مدیریتی بالاتر به مدیریت کاراتر عملیات روزانۀ شرکت منجر می‌شود، به‌ویژه در دوره­های بحرانی عملیات که تصمیم‌گیری­های مدیریتی تأثیر زیادی بر عملکرد شرکت دارد. مدیران تواناتر با احتمال بیشتری در پروژه­های با ارزش فعلی خالص مثبت بالاتر سرمایه­گذاری می­کنند و همچنین، توانایی بیشتری در اجرای مناسب آنها دارند. افزون بر این، در دوره­هایی که شرکت با بحران روبه‌رو‌ست، مدیران تواناتر تصمیم‌گیری مناسب‌تری در ارتباط با تأمین منابع مورد نیاز دارند [12]. مدیران توانمندتر علاوه بر داشتن دانش و آگاهی بیشتر دربارۀ مشتریان و شرایط کلان اقتصادی، درک بهتری دربارۀ معیارهای پیچیده­تر دارند و قادرند آنها را به درستی اجرا کنند [24]. مدیران تواناتر درک مناسب‌تری از فناوری و روند صنعت دارند و با اتکای بیشتری تقاضای محصولات را پیش‌بینی می‌کنند. همچنین، سرمایه‌‌گذاری مناسب­تر در پروژه‌های باارزش­تر و مدیریت کارای کارمندان نیز از ویژگی مدیران توانمند است. در کوتاه‌مدت انتظار بر این است مدیرانی که توانایی‌های بیشتری دارند، با استفاده از سطح معینی از منابع درآمد بیشتری ایجاد کنند یا با استفاده از منابع کمتر، به سطح معینی از درآمد دست یابند [25]. به‌بیان دیگر، چنین مدیرانی کارایی منابع مورد استفاده را به حداکثر می‌رسانند. این درحالی است که تصمیمات ضعیف و مهارت پایین مدیر در رهبری ممکن است شرکت را به سمت بحران مالی و در نهایت ورشکستگی سوق دهد [35]. بیشتر صاحب‌نظران (گرینین و جانسون [30]، گیتمن [28]، لسنبرگ و همکاران [34]، نیوتن [40]) نیز معتقدند‌ ضعف و ناتوانی مدیریت یکی از مهم‌ترین و اصلی‌ترین دلایل بحران مالی شرکت‌هاست.

یافته‌های پژوهش بار و همکاران [15] نشان داد‌ توانایی مدیران بانک‌های سالم و ورشکسته در سال‌های پیش از ورشکستگی با هم تفاوت دارند و گنجاندن توانایی مدیریت در الگوهای پیش‌بینی ورشکستگی، دقت آنها را بهبود می‌بخشد. لوزیر و کرمن [36] با استفاده از اطلاعات غیرمالی (شامل سرمایۀ کافی برای شروع، وجود دفترداری و کنترل مالی، تجربۀ صنعتی، تجربۀ مدیر، برنامه‌ریزی، مشاوران حرفه‌ای، سطح تحصیلات مالک، کیفیت کارکنان، چرخۀ عمر محصولات/ خدمات، وضعیت اقتصادی شروع به‌کار شرکت، سن مهارت‌های بازاریابی و تجربۀ مالک شرکت) الگویی برای پیش‌بینی شکست و یا موفقیت شرکت‌های کوچک نوپا ارائه کردند. بار و سیمز [14] با گنجاندن توانایی مدیریت در الگوی پیش‌بینی شکست بانک‌ها نشان دادند‌ مدیریت برای عملیات موفق بانک‌ها اهمیت بسیار زیادی دارد. پارک و هان [41] به این نتیجه رسیدند‌ استفادۀ همزمان از نسبت‌های مالی و متغیرهای غیرمالی (شامل توان رشد سودآوری، چشم‌انداز سود، تمایل یا تمایل‌نداشتن بازار[1]، وضعیت صنعت، سیاست‌های استخدامی کارکنان، توسعۀ فناوری و نوآوری کیفیت، مزیت رقابتی در قیمت‌گذاری، مزیت رقابتی بین‌المللی، کیفیت مدیریت، رابطه بین سرمایه و نیروی کار، شرایط کاری و تسهیلات رفاهی، ثبت پرداخت‌های گذشته، شهرت صنعت، تاریخچه و اندازۀ شرکت) قدرت الگوی پیش‌بینی ورشکستگی را افزایش می‌دهد. باچتی و سیرا [17] به این نتیجه رسیدند‌ کارایی نسبی


[1] Market niche/trend

شرکت قدرت توضیح‌دهندگی قابل توجهی در پیش‌بینی ورشکستگی دارد. شوآی و لی [47] با استفاده از تحلیل پوششی داده‌ها و متغیرهای ساختار مالی، توانایی پرداخت بدهی، کیفیت مدیریت، سودآوری، تغییر غیرعادی در مدیرعامل در سال گذشته، تغییر مدیر مالی طی سال گذشته، نوع اظهار نظر حسابرس و تغییر حسابرس در سال گذشته الگویی برای پیش‌بینی ورشکستگی شرکت‌ها ارائه کردند. گرانرت و همکاران [31] نشان دادند‌ دقت پیش‌بینی نکول با استفادۀ همزمان سازه‌های مالی و غیرمالی (شامل کیفیت مدیریت و وضعیت تجاری) بیشتر از دقت پیش‌بینی آن با استفادۀ جداگانه از سازه‌های مالی و یا غیر‌مالی می‌شود. اکاه و چی [9] به این نتیجه رسیدند‌ نوع صنعت و عوامل داخلی شرکت مانند توانایی‌های مدیریت و منابع انسانی بر سودآوری شرکت تأثیر دارند؛ اما تأثیر عوامل داخلی بیشتر است. سیلاکی و همکاران [34] نشان دادند ترکیب عوامل مالی و غیرمالی توانایی بانک‌ها را در پیش‌بینی شکست‌های تجاری نسبت به الگوهای مبتنی بر نسبت‌های مالی افزایش می‌دهد. نتایج پژوهش لورتی و گریس [35] نشان می‌دهد توانایی‌های مدیران شرکت‌های ورشکسته کمتر از شرکت‌های سالم است. همچنین، توانایی مدیریت با مدت‌زمان بحران مالی، احتمال ورشکستگی و هزینه‌های آن رابطۀ معکوس دارد. آندرو و همکاران [12] به این نتیجه رسیدند توانایی مدیریت ارتباط مثبت و معنا‌داری با عملکرد شرکت دارد. به این معنا که شرکت‌هایی که مدیران تواناتری دارند در دوره­های بحرانی، سرمایه‌گذاری بیشتری انجام می‌دهند و سود بیشتری عاید شرکت می‌کنند. همچنین، چنانچه روند سودآوری مناسب نباشد، از ابزارهای تأمین مالی بدهی به نحو مناسب بهره می­گیرند. آنها نتیجه‌گیری کردند‌ مدیریت تواناتر به عملکرد بهتر شرکت، افزایش سودآوری، استفادۀ مناسب از منابع و کاهش عدم‌تقارن اطلاعاتی در شرکت منجر خواهد شد. آندرو و همکاران [13] به این نتیجه رسیدند‌ شرکت‌های با توانایی مدیریتی بالاتر در طول دورۀ بحران، سرمایه‌گذاری بیشتری انجام می‌دهند. همچنین، شرکت‌های با توانایی مدیریتی بالاتر در طول بحران کمتر از محدودیت‌های مالی آسیب‌پذیرند و می‌توانند سرمایه‌گذاری بیشتری انجام دهند. آنها نتیجه‌گیری کردند مدیران توانا با کاهش مشکلات سرمایه‌گذاری در دورۀ بحران، ارزش شرکت را افزایش می‌دهند.

ملاحسینی و محمدی [7] نشان دادند متغیرهای تجربه و مرتبط‌بودن تحصیلات با رشتۀ کاری رابطۀ مثبت و معنا‌داری با عملکرد دارند. یافته‌های پژوهش خواجوی و قدیریان‌آرانی [3] نشان داد توانایی مدیران عامل مهمی در موفقیت شرکت‌هاست؛ به‌طوری که با بهبود عملکرد مالی شرکت‌ها، خطر ورشکستگی آنها را کاهش می‌دهد. ممتازیان و کاظم‌نژاد [8] به این نتیجه رسیدند با افزایش توانایی مدیریت، عملکرد شرکت‌های پذیرفته‌شده در بورس اوراق بهادر تهران بهبود یافته است و از این طریق ثروت سهامداران افزایش می‌یابد. ستایش و همکاران [2] نشان دادند روش جنگل‌های تصادفی نسبت به رگرسیون لجستیک عملکرد بهتری در پیش‌بینی بحران مالی دارد.

 

فرضیۀ‌ پژوهش

افزون بر مباحث نظری دربارۀ اهمیت توانایی مدیریت در اقتصاد رقابتی امروزی، نتایج پژوهش‌های پیشین نیز نشان داد این دارایی نامشهود یکی از مهم‌ترین عوامل موفقیت شرکت‌هاست و عملکرد آنها را بهبود می‌بخشد (بار و سیمز [14]، اکاه و چی [9]، آندرو و همکاران [12]، آندرو و همکاران [13]، ممتازیان و کاظم‌نژاد [8]، خواجوی و قدیریان‌آرانی [3]) و  از وقوع بحران مالی جلوگیری می‌کند (بار و همکاران [15]، لورتی و گریس [35])؛ بنابراین، چنین استدلال می‌شود توانایی مدیریت عاملی برای موفقیت تجاری است و بدین‌ترتیب احتمال وقوع بحران مالی شرکت‌ها را کاهش می‌دهد. بر این اساس، انتظار می‌رود استفاده از توانایی مدیریت به‌عنوان یک متغیر پیش‌بین، عملکرد الگوهای پیش‌بینی بحران مالی را بهبود بخشد. بر مبنای این استدلال فرضیۀ زیر تدوین می‌شود:

فرضیۀ پژوهش: استفاده از توانایی مدیریت در الگوهای پیش‌بینی بحران مالی، عملکرد آنها را بهبود می‌بخشد.

 

روش پژوهش

این پژوهش از بعد راهبرد، پژوهشی کمّی مبتنی بر انگارۀ (پارادایم) اثبات‌گراست که در آن از روش علمی ساخت و اثبات تجربی استفاده می‌شود. از آنجا که بررسی‌ها پس از وقوع رویدادها انجام گرفته است و امکان دستکاری متغیرهای مستقل وجود ندارد، پژوهش حاضر پژوهشی پس‌رویدادی است. جامعۀ آماری این پژوهش، کلیۀ شرکت‌های غیرمالی پذیرفته‌شده در بورس اوراق بهادار تهران طی دورۀ زمانی 1385 تا 1394 است. ابتدا با توجه به معیار بحران مالی استفاده‌شده در پژوهش، فهرستی از شرکت‌های بحران‌زده تهیه شد. داده‌های مورد نیاز برای اندازه‌گیری متغیرها تنها برای 201 سال- شرکت این فهرست در دسترس بود که همگی سال- شرکت‌های بحران‌زده انتخاب شدند. سپس، با توجه به شرایط زیر 201 سال- شرکت­سالم نیز انتخاب شد:

  1. پایان سال مالی آن با شرکت بحران‌زده تفاوت قابل ملاحظه‌ای نداشته باشد.
  2. از نظر نوع صنعت مشابه شرکت بحران‌زده باشد.
  3. داده‌های لازم برای 3 سال پیش از سال مبنا موجود باشد.

داده‌های مورد نیاز برای نمونه از نرم‌افزار ره‌آورد‌نوین و صورت‌های مالی آنها استخراج شد. پس از گردآوری داده‌ها از روش‌های تجمیعی[1] بوستینگ[2]، بگینگ[3] و جنگل چرخشی[4] برای پیش‌بینی بحران مالی استفاده شد. همچنین، معیارهای میانگین دقت، خطای نوع اول و دوم به‌منظور مقایسۀ عملکرد الگوهای ارائه‌شده (الگوهای شامل توانایی مدیریت و الگوهای بدون این متغیر) به‌کار رفت. لازم به ذکر است Weka 3.6.9 وSPSS 22 نرم‌افزارهای استفاده‌شده در پژوهش حاضر برای انجام طبقه‌بندی‌کننده‌های تجمیعی و آزمون مقایسۀ عملکرد الگوها هستند.

 

روش‌‌های پیش‌بینی بحران مالی

الگو­های پیش­بینی بحران مالی و ورشکستگی در سه دستۀ الگوهای آماری، هوش مصنوعی و نظری طبقه‌بندی می‌شوند. مطالعات اولیه در این زمینه، بر روش­های خطی مانند الگو­های تحلیل چند­گانه، لاجیت و پروبیت متمرکز بود. در سال‌های اخیر روش­های مبتنی بر هوش مصنوعی و شیوه­های داده­کاوی همچون شبکۀ عصبی، الگوریتم ژنتیک و سیستم­های هوشمند، به‌دلیل توانایی آنها در استخراج اطلاعات مفید از میان مجموعه‌داده‌های زیاد و نیز نداشتن مفروضات محدود­کننده اثربخشی و اعتبار پیش‌بینی روش‌های خطی (مثل خطی‌بودن، نرمال‌بودن و مستقل‌بودن متغیرهای ورودی) به‌طور گسترده برای پیش‌بینی بحران مالی و ورشکستگی استفاده شده‌اند [21]. به‌تازگی روش‌های تجمیعی هوش مصنوعی نیز در برخی پژوهش‌ها (برای نمونه، آلفارو و همکاران، [10] و سان و همکاران [48]) به‌کار گرفته‌ شده است که نسبت به شیوه‌های انفرادی هوش مصنوعی عملکرد بهتری داشته‌اند. با توجه به محدودنبودن روش‌های تجمیعی هوش مصنوعی به مفروضات خاص و عملکرد بهتر آنها نسبت به روش‌های انفرادی، در پژوهش حاضر از این روش‌ها برای پیش‌بینی بحران مالی استفاده می‌شود. این نوع طبقه‌بندی‌کننده‌ها بر مبنای تصمیم­گیری چند‌خبره در مقابل یک‌خبره عمل می­کنند. به‌کارگیری طبقه‌بندی‌کننده‌های تجمیعی، قابلیت اتکای تصمیم‌گیری­ها را افزایش می‌دهد [33]. مزیت رویکرد تجمیعی نسبت به الگو‌های انفرادی[5] شامل افزایش دقت و پایداری[6] است [38]. فرایند یادگیری تجمیعی دارای سه مرحلۀ ایجاد[7]، هرس‌کردن[8] و تجمیع است. در مرحلۀ ایجاد، مجموعه‌ای از الگو‌های پیش‌بینی ایجاد می‌شود. تعدادی الگوی اضافی نیز اغلب در این مرحله به‌وجود می‌آید. در مرحلۀ دوم، از طریق حذف برخی از الگو‌های ایجادشده قبلی تجمیع انجام‌شده هرس می‌شود و در نهایت، یک راهبرد برای ترکیب الگو‌های پایه تعریف می‌شود. سپس، از این راهبرد برای به‌دست آوردن پیش‌بینی از تجمیع برای موارد جدید براساس پیش‌بینی‌های الگو‌های پایه استفاده می‌شود [38]. بگینگ و بوستینگ از شیوه‌های تجمیعی هستند. بگینگ چندین طبقه‌بندی‌کننده را بر اساس استفاده از الگوریتم طبقه‌بندی مشابه برای مجموعه‌های آموزشی ایجادشده به‌صورت تصادفی ترکیب می‌کند. در این روش، هر طبقه‌بندی‌کننده انفرادی به‌صورت جداگانه آموزش می‌بیند و نتایج طبقه‌بندی با استفاده از یک سیاست رأی‌گیری حداکثری ترکیب می‌شود. بوستینگ نیز از الگوریتم طبقه‌بندی مشابه برای هر طبقه‌بندی‌کننده انفرادی استفاده می‌کند. تفاوت اصلی بین بگینگ و بوستینگ این است که بگینگ هر طبقه‌بندی‌کننده انفرادی را به‌صورت مستقل آموزش می‌دهد، اما در بوستینگ هر طبقه‌بندی‌کننده انفرادی به‌صورت وابسته (مرتبط) به هم آموزش می‌بیند. بوستینگ یک طبقه‌بندی‌کننده انفرادی جدید اجرا می‌کند تا نمونه‌های ورودی که به‌صورت نادرست به‌وسیلۀ طبقه‌بندی‌کننده قبلی طبقه‌بندی یا پیش‌بینی شده است، دوباره آموزش ببیند؛ بنابراین، طبقه‌بندی‌کننده انفرادی جدید از قبلی تأثیر نمی‌گیرد [33]. یکی دیگر از تفاوت‌های این دو روش این است که در بگینگ بر خلاف بوستینگ وزن­ها تعدیل نمی‌شود [10].

به‌تازگی، برای تأکید بر گوناگونی یادگیرنده‌های پایه، کاوش‌هایی از منظر یکپارچه‌سازی تقسیم‌بندی نمونه و تقسیم‌بندی ویژگی (متغیر) انجام شده است [19 و 45]. برای مثال، بریمن [19] نسخۀ جدیدی از بگینگ به‌نام جنگل تصادفی[9] را ارائه کرده است. تجمیع شامل درخت‌های تصمیمی هستند که بر نمونه‌های بوت-استراپ[10] ساخته می‌شوند. تفاوت‌ها در ساخت درخت‌ تصمیم[11] واقع می‌شوند. بهترین متغیر از بین متغیرهای منتخب تصادفی، به‌منظور شکستن یک گره[12] انتخاب می‌شود. این تبدیل، اکتشافی قوی است؛ چراکه بدون کاهش صحت یادگیرنده‌های انفرادی، گوناگونی‌ها و تنوع‌هایی را ایجاد می‌کند. جنگل‌ تصادفی بر خلاف درخت تصمیم برای طبقه‌بندی‌ نویزی[13] عملکرد مناسبی دارد، ولی در بررسی تعداد زیادی متغیر نامربوط، مؤثر نیست [19]. رودریگز و همکاران [45] به‌منظور تقویت همزمان صحت و تنوع در روش‌های تجمیعی، روش جدیدی به‌نام جنگل‌ چرخشی ارائه کردند. در این روش تنوع از طریق استخراج ویژگی برای هر یادگیرنده پایه، تقویت می‌شود. به‌منظور ایجاد یک داده آموزش برای یادگیرنده‌های پایه، مجموعه متغیرها به‌طور تصادفی به K زیرمجموعه‌ شکسته می‌شوند و برای هر یک از زیرمجموعه‌ها تحلیل مؤلفۀ اصلی[14] (PCA) به‌کار می‌رود. به‌منظور حفظ تغییرپذیری موجود در داده‌ها، تمام مؤلفه‌های اصلی حفظ می‌شوند. همچنین، درخت‌های تصمیم به‌عنوان یادگیرنده‌های پایه به‌کار می‌روند؛ چرا که به چرخش محور متغیرها حساس هستند. یادگیرنده‌های انفرادی ساخته‌شده باکمک روش جنگل چرخشی، صحت و درستی بیشتری نسبت به روش جنگل‌های تصادفی و بوستینگ دارد و نسبت به روش بگینگ متنوع‌تر و همچنین گاهی صحیح‌تر هستند [45]. در پژوهش حاضر از برای روش پیش‌بینی بحران مالی از طبقه‌بندی‌کننده‌های تجمیعی بوستینگ، بگینگ و جنگل چرخشی استفاده می‌شود.

همچنین، به‌منظور بررسی تعمیم‌پذیری پیش‌بینی‌های انجام‌شده باکمک طبقه‌بندی‌کننده‌ها از بررسی روایی 10‌بخشی[15] استفاده می‌شود. بررسی روایی 10‌بخشی برای برآورد نرخ خطای واقعی کاملاً قابل اتکا و کافی است [32]. در این روش، نمونۀ اصلی به 10 دسته نمونۀ فرعی مختلف تقسیم می‌شود. در طبقه‌بندی، 9 نمونۀ فرعی، نمونه‌های آموزشی هستند و نمونۀ فرعی باقی‌مانده، نمونۀ آزمایشی است که آزمون می‌شود. این شیوه تا آنجا تکرار می‌شود که هر یک از 10 نمونۀ فرعی به‌عنوان نمونۀ آزمایشی آزمون شوند. در این پژوهش، بررسی روایی 10‌بخشی، با استفاده از اجزای مختلف مجموعۀ داده‌ها، به‌طور مستقل، 10 بار انجام شده است (بررسی روایی 10‌بخشی با 10‌بار تکرار). 10‌بار تکرار بررسی روایی 10‌بخشی، دربارۀ هر الگو به ایجاد 100 پیش‌بینی منجر می‌شود که می‌توان آن را برای بررسی تفاوت بین عملکرد الگوهای پیش‌بینی و آزمون فرضیۀ‌ پژوهش استفاده کرد.

 

متغیرهای پژوهش

در بیشتر پژوهش‌های پیشین برای مشخص‌کردن شرکت‌های بحران‌زده از تعاریف قانونی (مثلاً ورشکستگی بر مبنای فصل یازده[16] در ایالات متحده، ورشکستگی برمبنای ماده 141 قانون تجارت در ایران و تصفیۀ اختیاری یا اجباری[17] برمبنای قانون شرکت‌ها[18] در انگلستان) استفاده شده است. از آنجا که این تعاریف، رویدادهای آشکاری هستند، عینی‌بودن و مشخص‌بودن تاریخ دقیق، نقطه قوت آنها برای استفاده در این الگوها به‌شمار می‌آید [49]. با وجود این، کاربرد این تعاریف قانونی از شکست نیز بدون مشکل نیست؛ برای مثال ناتوانی در پرداخت بدهی ممکن است فرایندی زمان‌بر باشد و تاریخ قانونی شکست، رویداد واقعی یا اقتصادی شکست را نشان ندهد. همچنین، این امکان وجود دارد که تغییری در وضعیت یک شرکت بحران‌زده از لحاظ قانونی ایجاد نشود و آن شرکت از لحاظ قانونی ورشکست نشود. همچنین، تغییر در قانون‌گذاری درمورد ناتوانی در پرداخت بدهی با هدف ایجاد فرهنگ نجات[19] ماهیت و تاریخ فرایند ورشکستگی قانونی را تغییر می‌دهد [49]. افزون بر این موارد، با توجه به زمان‌بر و طولانی‌بودن فرایند به‌روز‌رسانی قانون ممکن است تعریف قانونی مربوط‌بودن خود را در طول زمان از دست بدهد.

از آنجا که بحران مالی و شکست در پرداخت بدهی لزوماً به ورشکستگی منجر نمی‌شود، در این پژوهش بر اساس پژوهش‌های پیندادو و همکاران [42]، تینوکو و ویلسان [49] و مانزانک و همکاران [37] بحران مالی شرکت‌ها تعریف و شناسایی می‌شود. بر اساس پژوهش پیندادو و همکاران [42] برای اینکه بتوان یک شرکت را بحران‌زده تلقی کرد، دو شرط باید برآورد شود: الف) برای دو سال پیاپی سود قبل از بهره، استهلاک و مالیات شرکت کمتر از هزینه‌های مالی آن باشد؛ ب) ارزش بازار شرکت برای دو سال پیاپی با رشد منفی روبه‌رو باشد. آنها استدلال می‌کنند برآورده‌شدن شرط اول به این معنا است که سودآوری عملیاتی شرکت برای پوشش تعهدات مالی آن کافی نیست. همچنین، استدلال آنها دربارۀ شرط دوم این است که بازار و سهام‌داران احتمالاً درمورد چنین شرکت‌هایی که از کسری عملیاتی رنج می‌برند، به‌طور منفی قضاوت می‌کنند تا زمانی که در شرایط مالی دوباره بهبودی حاصل شود؛ بنابراین، افت ارزش بازار برای دو سال پیاپی، یکی از شرایط بحران مالی شرکت‌ها در نظر گرفته می‌شود. تینوکو و ویلسان [49] معیار تشخیص بحران مالی پیندادو و همکاران [42] را گسترش دادند. آنها در پژوهش خود شرکتی را بحران‌زده در نظر گرفتند که در مرحلۀ ورشکستگی (بر اساس تعریف مشخص‌شده در پایگاه داده‌های قیمت سهام لندن[20]) هستند یا اینکه هر دو شرطی را که پیندادو و همکاران [42] ارائه دادند دربارۀ شرکتی صدق کند.

در پژوهش حاضر برای مشخص‌کردن بحران مالی از رویکردی مشابه پژوهش تینوکو و ویلسان [49] استفاده می‌شود. با توجه به شرایط تورمی حاد در کشور در سال‌های اخیر الگوی تینوکو و ویلسان [49] تعدیل می‌شود. در پژوهش حاضر شرکتی بحران‌زده تلقی می‌شود که بر اساس ماده 141 قانون تجارت ورشکسته باشد یا اینکه هر دو شرط زیر دربارۀ آن صدق کند: الف) برای دو سال پیاپی سود قبل از بهره، استهلاک و مالیات شرکت کمتر از هزینه‌های مالی آن باشد؛ ب) ارزش بازار تعدیل‌شده بر اساس نرخ تورم شرکت برای دو سال پیاپی با رشد منفی روبه‌رو باشد.

 

شاخص‌های مالی

شاخص‌های مالی، پرکاربردترین و سودمندترین متغیرهای پیش‌بینی‌کنندۀ بحران مالی محسوب می‌شوند. با بررسی پیشینۀ پژوهش نسبت‌های مالی پرکاربرد در پیش‌بینی بحران مالی شناسایی شد. این نسبت‌ها و برخی از کاربردهای آنها در پژوهش‌های پیشین در نگارۀ (1) ارائه شده است.

 

 

 

نگارۀ 1- نسبت‌های مالی مورد استفاده در پژوهش

نسبت مالی

برخی پژوهش‌های استفاده‌کننده از این نسبت‌ها

سود خالص به فروش                

بهونیا [18]، پورحیدری و کوپایی‌ [1]، کرمی و سیدحسینی [5]، مشایخی و گنجی [6]

سود خالص به دارایی‌های ثابت

داوالاس [22]، رشید و عباس [44]، کرمی و سیدحسینی [5]، مشایخی و گنجی [6]

سود خالص به کل دارایی‌ها

بیور [16]، داوالاس [22]، شیه و همکاران [50]، مشایخی و گنجی [6]

سود ناخالص به فروش

شیه و همکاران [50]، فلاح‌پور و ارم [4]

سود عملیاتی به فروش

اعتمادی و همکاران [26]، ستایش و همکاران [2]

سود عملیاتی به کل دارایی‌ها

داوالاس [22]، کرمی و سیدحسینی [5]، مشایخی و گنجی [6]

سود قبل از بهره و مالیات به کل دارایی‌ها

آلتمن [11]، گیلبرت [27]، پورحیدری و کوپایی‌حاجی [1]، کرمی و سیدحسینی [5]، مشایخی و گنجی [6]، فلاح‌پور و ارم [4]

فروش به دارایی‌های جاری

اعتمادی و همکاران [26]، ستایش و همکاران [2]

سرمایه در گردش به کل دارایی‌ها

آلتمن [11]، شیه و همکاران [50]، پورحیدری و کوپایی‌حاجی [1]

حقوق صاحبان سهام به کل دارایی‌ها

آلتمن [11]، ستایش و همکاران [2]

فروش به کل دارایی‌ها

گیلبرت [27]، شیه و همکاران [50]، کرمی و سیدحسینی [5]، مشایخی و گنجی [6]

وجه نقد به فروش

دیکین [23]، کرمی و سیدحسینی [5]

وجه نقد به کل دارایی‌ها

گیلبرت [27]، داوالاس [22]، کرمی و سیدحسینی [5]

وجه نقد به بدهی‌های جاری

بهونیا [18]، کرمی و سیدحسینی [5]

وجه نقد به کل بدهی‌ها

بیور [16]، دیکین [23]، کرمی و سیدحسینی [5]

دارایی‌های جاری به بدهی‌های جاری

بیور [16]، گیلبرت [27]، پورحیدری و کوپایی‌حاجی [1]

دارایی‌های جاری به کل دارایی‌ها

دیکین [23]، گیلبرت [27]، کرمی و سیدحسینی [5]

دارایی‌های آنی به کل دارایی‌ها

اعتمادی و همکاران [26]

سود خالص به کل بدهی‌ها

رشید و عباس [44]، کرمی و سیدحسینی [5]

بدهی‌های جاری به جمع دارایی‌ها

داوالاس [22]، کرمی و سیدحسینی [5]

کل بدهی‌ها به کل دارایی‌ها

بیور [16]، پورحیدری و کوپایی‌حاجی [1]، کرمی و سیدحسینی [5]، فلاح‌پور و ارم [4]

 

 

 

 

توانایی مدیریت

یکی دیگر از متغیرهای پیش‌بین در پژوهش حاضر توانایی مدیریت است که در این پژوهش برای اندازه‌گیری آن از الگویی استفاده می‌شود که دمرجیان و همکاران [25] ارائه داده‌اند. در این الگو برای اندازه‌گیری توانایی مدیریت گام‌های زیر دنبال می­شود:

گام اول- ابتدا کارایی شرکت با استفاده از متغیرهای فروش (Sales)، بهای­تمام‌شدۀ کالای فروش‌رفته (CGS)، هزینه‌های عمومی، اداری و توزیع و فروش (SG&A)، دارایی­های ثابت (PPE)، اجارۀ عملیاتی (OpsLease)، هزینه‌های تحقیق و توسعه (R&D) و دارایی‌های نامشهود (Intan) سنجیده می­شود. در نتیجه، رابطۀ بهینه­سازی زیر به‌منظور سنجش کارایی شرکت­ها حل می­شود:

 

رابطۀ(1)

 

 

متغیرهای PPE، OpLease،  R&Dو Intan در رابطۀ بالا بر اساس ارزش ابتدای سال t اندازه­گیری و متغیرهای CGS و SG&A بر اساس ارزش طی سال t محاسبه می­شوند.

گام دوم: توانایی مدیریت با استفاده از کارایی به‌دست آمده در مرحلۀ اول و معادلۀ رگرسیون زیر محاسبه می‌شود:

Firm Efficiencyi=α+β1 ln (Sales)i+β2 Market Sharei+ β3 FCFi+ β4 ln(Age)i+ β5 Business SCi+ β6 FCIi+ Yeari+ εi

رابطۀه (2)

که در آن: Ln (Sales): اندازۀ شرکت؛ Market Share: سهم بازار شرکت؛ FCF: جریان نقد آزاد،‌ Ln (Age): عمر شرکت؛ Business SC: پیچیدگی عملیات شرکت[21]، FCI: شاخص فعالیت برون‌مرزی شرکتو ɛi: مقدار باقیمانده معادلۀ رگرسیون که نشان‌دهندۀ توانایی مدیریت شرکت است.

 

یافته‌های پژوهش

به‌منظور بررسی سودمندی متغیرهای مورد استفاده در پیش‌بینی بحران مالی، از آزمون مقایسۀ میانگین متغیرهای پیش‌بین در شرکت‌های بحران‌زده و سالم استفاده شده است. میانگین متغیرهای پژوهش در دو گروه شرکت‌های سالم و بحران‌زده و همچنین، نتایج آزمون معنا‌دار‌بودن تفاوت آنها در دو گروه به‌عنوان آزمون انتخاب متغیرهای پیش‌بین در نگارۀ (2) به‌طور خلاصه ارائه شده است. در مواردی که در این نگاره، اعداد در پرانتز گنجانده شده، تفاوت میانگین متغیرهای پژوهش بین شرکت‌های بحران‌زده و سالم معنادار نبوده است. با توجه به آزمون انجام‌شده میانگین توانایی مدیریت در شرکت‌های بحران‌زده به‌طور معنا‌داری بیشتر از شرکت‌های سالم است (برای دوره‌های یک تا سه‌سال پیش از بحران مالی) و می‌توان آن‌ را به‌عنوان متغیرهای پیش‌بین در الگوها گنجاند.

 


نگارۀ 2- میانگین متغیرهای پژوهش و نتایج آزمون انتخاب آنها به‌عنوان متغیرهای پیش‌بین

متغیرهای پیش‌بین

یک‌سال پیش از وقوع بحران مالی

دو‌سال پیش از

وقوع بحران مالی

سه‌سال پیش از وقوع بحران مالی

شرکت‌های بحران‌زده

شرکت‌های سالم

شرکت‌های بحران‌زده

شرکت‌های سالم

شرکت‌های بحران‌زده

شرکت‌های سالم

سود خالص به فروش                  

2706/0-

2564/0

1925/0-

2230/0

1255/0-

2044/0

سود خالص به دارایی‌های ثابت

6731/0-

3331/1

3748/0-

1621/1

2177/0-

9828/0

سود خالص به کل دارایی‌ها

1049/0-

1671/0

0723/0-

1668/0

0386/0-

1632/0

سود ناخالص به فروش

0480/0

3078/0

0754/0

3171/0

0987/0

3139/0

سود عملیاتی به فروش

1990/0-

2674/0

1482/0-

2606/0

0923/0-

2572/0

سود عملیاتی به کل دارایی‌ها

0710/0

1930/0

0529/0-

1987/0

0280/0-

1985/0

سود قبل از بهره و مالیات به کل دارایی‌ها

1094/0

3896/0

1120/0

3899/0

1192/0

3834/0

فروش به دارایی‌های جاری

1003/1

3153/1

1237/1

3062/1

1588/1

3517/1

سرمایه در گردش به کل دارایی‌ها

2800/0-

2267/0

1818/0-

1987/0

0986/0-

1799/0

حقوق صاحبان سهام به کل دارایی‌ها

1204/0-

4841/0

0088/0

4637/0

1135/0

4512/0

فروش به کل دارایی‌ها

6966/0

8557/0

7311/0

8278/0

(7549/0)

(8303/0)

وجه نقد به فروش

0412/0

0769/0

(0478/0)

(0717/0)

0401/0

0768/0

وجه نقد به کل دارایی‌ها

0236/0

0524/0

0248/0

0523/0

0276/0

0528/0

وجه نقد به بدهی‌های جاری

0304/0

1607/0

0368/0

1527/0

04175/0

1452/0

وجه نقد به کل بدهی‌ها

0245/0

1369/0

0306/0

1308/0

0354/0

1224/0

دارایی‌های جاری به بدهی‌های جاری

8280/0

7147/1

8987/0

6080/1

9775/0

5453/1

دارایی‌های جاری به کل دارایی‌ها

(6673/0)

(6719/0)

(6739/0)

(6615/0)

(6766/0)

(6496/0)

دارایی‌های آنی به کل دارایی‌ها

(3396/0)

(3677/0)

(3278/0)

(3499/0)

(3280/0)

(3456/0)

سود خالص به کل بدهی‌ها

0859/0-

4656/0

0612/0-

4443/0

0216/0-

4166/0

بدهی‌های جاری به جمع دارایی‌ها

9473/0

4451/0

8557/0

4627/0

7753/0

4697/0

کل بدهی‌ها به کل دارایی‌ها

1231/1

5089/0

9902/0

5308/0

8864/0

5463/0

توانایی مدیریت

2296/0-

2077/0

1974/0-

2053/0

1660/0-

1981/0

منبع: یافته‌های پژوهش


 

 

 

نسبت‌های مالی منتخب برای پیش‌بینی در هر یک از دوره‌های یک تا سه‌ساله پیش از بحران مالی با توجه به نتایج آزمون مقایسۀ میانگین این نسبت‌ها در الگوها گنجانده شده است.

 

نگارۀ (3) معیارهای ارزیابی مربوط به پیش‌بینی بحران مالی را برای الگوهای مورد بررسی در پژوهش حاضر نشان می‌دهد.


 

 

 

نگارۀ 3- معیارهای عملکرد الگوهای پیش‌بینی بحران مالی

روش پیش‌بینی

معیار ارزیابی

نوع الگو بر اساس متغیرهای پیش‌بین

یک‌سال پیش از بحران مالی

دو‌سال پیش از بحران مالی

سه‌سال پیش از بحران مالی

بوستینگ

دقت

نسبت‌های مالی

84/95

43/93

49/92

نسبت‌های مالی و توانایی مدیریت

91/97

61/96

89/96

خطای نوع اول

نسبت‌های مالی

88/2

13/5

67/6

نسبت‌های مالی و توانایی مدیریت

89/1

39/3

43/3

خطای نوع دوم

نسبت‌های مالی

41/5

99/7

33/8

نسبت‌های مالی و توانایی مدیریت

28/2

38/3

78/2

بگینگ

دقت

نسبت‌های مالی

44/96

07/95

095/92

نسبت‌های مالی و توانایی مدیریت

01/98

29/97

30/95

خطای نوع اول

نسبت‌های مالی

64/2

03/4

91/6

نسبت‌های مالی و توانایی مدیریت

08/2

89/1

02/4

خطای نوع دوم

نسبت‌های مالی

46/4

81/5

88/8

نسبت‌های مالی و توانایی مدیریت

89/1

52/3

35/5

جنگل چرخشی

دقت

نسبت‌های مالی

023/96

75/94

07/92

نسبت‌های مالی و توانایی مدیریت

13/98

14/97

22/96

خطای نوع اول

نسبت‌های مالی

93/3

63/4

17/7

نسبت‌های مالی و توانایی مدیریت

29/1

54/1

78/2

خطای نوع دوم

نسبت‌های مالی

01/4

86/5

68/8

نسبت‌های مالی و توانایی مدیریت

43/2

18/4

78/4

منبع: یافته‌های پژوهش

 

 

همان‌طور که در نگارۀ (3) قابل مشاهده است افزودن توانایی مدیریت به نسبت‌های مالی دقت طبقه‌بندی‌کنند‌های تجمیعی بوستینگ، بگینک و جنگل چرخشی در پیش‌بینی بحران مالی را در تمامی دوره‌ها افزایش می‌دهد. همچنین، خطای نوع اول و دوم الگوهای شامل مبتنی بر نسبت‌های مالی و توانایی مدیریت کمتر از الگوهای مبتنی بر نسبت‌های مالی است.

به‌منظور آزمون فرضیه‌های پژوهش معنا‌دار‌بودن تفاوت بین عملکرد الگوهای پیش‌بینی مبتنی بر نسبت‌های مالی و الگوهای مبتنی بر نسبت‌های مالی و توانایی مدیریت با استفاده از آزمون مقایسۀ میانگین بررسی شد که نتایج آن در نگارۀ‌ (4) ارائه شده است.

 

 

 

 

 نگارۀ 4- نتایج آزمون فرضیه‌های پژوهش

روش پیش‌بینی

معیار ارزیابی

یک‌‌سال پیش از بحران مالی

دو‌سال پیش از بحران مالی

سه‌سال پیش از بحران مالی

آزمون t

آزمون من‌ویتنی

آزمون t

آزمون من‌ویتنی

آزمون t

آزمون من‌ویتنی

بوستینگ

دقت

*239/6

(000/0)

*550/5-

(000/0)

*344/7

(000/0)

*974/6-

(000/0)

*807/9

(000/0)

*448/8-

(000/0)

خطای نوع اول

*175/2-

(031/0)

**814/1-

(000/0)

*736/2-

(007/0)

*861/2-

(004/0)

*930/4-

(000/0)

*622/4-

(000/0)

خطای نوع دوم

*448/5-

(000/0)

*052/5-

(000/0)

*198/6-

(000/0)

*235/6-

(000/0)

*226/7-

(000/0)

*673/6-

(000/0)

بگینگ

دقت

*745/4

(000/0)

*373/4-

(000/0)

*416/5

(000/0)

*935/4-

(000/0)

*678/6

(000/0)

*121/6-

(000/0)

خطای نوع اول

208/1-

(228/0)

236/1-

(216/0)

*134/4-

(000/0)

*907/3-

(000/0)

*131/4-

(000/0)

*632/3-

(000/0)

خطای نوع دوم

*767/4-

(000/0)

*602/4-

(000/0)

*537/3-

(002/0)

*458/3-

(001/0)

*111/4-

(000/0)

*121/4-

(000/0)

جنگل چرخشی

دقت

*796/5

(000/0)

*478/5-

(000/0)

*772/5

(000/0)

*373/5-

(000/0)

*793/8

(000/0)

*693/7-

(000/0)

خطای نوع اول

*229/5-

(000/0)

*345/5-

(000/0)

*873/5-

(000/0)

*620/5-

(000/0)

*101/6-

(000/0)

*727/5-

(000/0)

خطای نوع

دوم

*893/2-

(000/0)

*161/3-

(002/0)

*518/2-

(002/0)

*386/2-

(017/0)

*081/5-

(000/0)

*699/4-

(000/0)

* معنا‌داری در سطح خطای 05/0؛ ** معنا‌داری در سطح خطای 1/0

منبع: یافته‌های پژوهش

 

                 

 

 

 

 

همان‌طور که در این نگاره قابل مشاهده است میانگین دقت الگوهای مبتنی بر نسبت‌های مالی و توانایی مدیریت به‌طور معنا‌داری بیشتر از الگوهای مبتنی بر نسبت‌های مالی است. همچنین، میانگین خطاهای نوع اول و دوم الگوهای پیش‌بینی مبتنی بر نسبت‌های مالی و توانایی مدیریت به‌طور معنا‌داری (به استثنای خطای نوع اول یک‌سال پیش از بحران مالی در روش بگینگ) کمتر از الگوهای مبتنی بر نسبت‌های مالی است؛ بنابراین، چنین نتیجه‌گیری می‌شود که عملکرد الگوهای مبتنی بر نسبت‌های مالی و توانایی مدیریت در پیش‌بینی بحران مالی به‌طور معنا‌داری بهتر از الگوهای مبتنی بر نسبت‌های مالی است. به‌بیان دیگر، افزودن توانایی مدیریت به الگوهای پیش‌بینی بحران مالی عملکرد آنها را بهبود می‌بخشد.

لازم به ذکر است میانگین دقت الگوها نشان می‌دهد‌ افزودن توانایی مدیریت به الگوهای مبتنی بر نسبت‌های مالی پیش‌بینی بحران مالی، دقت آنها را در یک تا سه‌سال پیش از وقوع بحران مالی به‌ترتیب 064/2، 17/3 و 4/4 درصد (در روش بوستینگ)، 56/1، 21/2 و 21/3 درصد (در روش بگینگ) و 10/2، 38/2 و 15/4 درصد (در روش جنگل چرخشی) افزایش می‌دهد. همچنین، افزودن توانایی مدیریت به الگوهای پیش‌بینی بحران مالی، خطای نوع اول را در آنها یک تا سه‌سال پیش از وقوع بحران مالی به‌ترتیب 9/0، 74/1 و 24/3 درصد (در روش بوستینگ)، 6/0، 14/2 و 89/2 درصد (در روش بگینگ) و 63/2، 08/3 و 38/4 درصد (در روش جنگل چرخشی) کاهش می‌دهد. این کاهش خطای دوم ناشی از لحاظ‌کردن توانایی مدیریت در الگوهای پیش‌بینی یک، دو و سه‌سال پیش از وقوع بحران مالی به‌ترتیب 13/3، 61/4 و 55/5 درصد (در روش بوستینگ)، 57/2، 28/2 و 55/3 (در روش بگینگ) و 58/1، 67/1 و 91/3 درصد (در روش جنگل چرخشی) است. به‌طور خلاصه، هرچه فاصلۀ دورۀ زمانی پیش‌بینی با وقوع بحران مالی بیشتر باشد، افزودن توانایی مدیریت به الگوهای پیش‌بینی این رویداد، عملکرد آنها را به میزان بیشتری بهبود می‌بخشد.

 

نتیجه‌گیری

با افزایش رقابت بین بنگاههای اقتصادی، تقویت مزیت رقابتی پایدار شرکت‌ها عامل مهمی برای بهبود عملکرد و کاهش احتمال بحران مالی است. در دیدگاه مبتنی بر منابع، تأکید زیادی بر نقش مدیران در موفقیت شرکت‌ها شده است. در این دیدگاه، توانایی مدیریت منبع با ارزشی است که دستیابی به مزیت رقابتی پایدار را برای شرکت‌ها امکان‌پذیر می‌سازد؛ چراکه مدیران توانا می‌توانند با مدیریت کارای منابع، عملکرد شرکت بهبود بخشند؛ بنابراین، بر اساس این نظریه پیش‌بینی می‌شود توانایی مدیریت با ایجاد مزیت رقابتی، عاملی برای موفقیت تجاری و عملکرد مالی برتر باشد و بدین‌ترتیب احتمال وقوع بحران مالی را برای بنگاههای اقصادی در بازار رقابتی کاهش دهد. از طرف دیگر، تصمیمات ضعیف و مهارت پایین مدیر در رهبری شرکت را به سمت بحران مالی سوق دهد. بر این اساس، انتظار می‌رود افزودن توانایی مدیریت به الگوهای پیش‌بینی بحران مالی، عملکرد آنها را بهبود بخشد. اکثر الگوهای پیش‌بینی بحران مالی ارائه‌شده در پژوهش‌های داخلی مبتنی بر نسبت‌های مالی هستند و در این الگوها توانایی مدیریت یکی از مهم‌ترین عوامل موفقیت در اقتصاد دانش‌محور، نادیده گرفته شده است. از این‌رو، هدف اصلی پژوهش حاضر بررسی تجربی تأثیر افزودن توانایی مدیریت به‌عنوان متغیر پیش‌بین به الگوهای پیش‌بینی بحران مالی است. در این راستا، عملکرد الگوهای پیش‌بینی بحران مالی مبتنی بر نسبت‌‌های مالی و مبتنی بر نسبت‌های مالی و توانایی مدیریت با استفاده از روش‌ جنگل چرخشی در نمونه‌ای شامل 201 سال- شرکت بحران‌زده و 201 سال- شرکت سالم پذیرفته‌شده در بورس اوراق بهادار تهران در بازۀ زمانی 1394-1385 مقایسه شد.

مقایسۀ الگوهای ارائه‌شده نشان داد‌ میانگین دقت الگوهای پیش‌بینی با حضور توانایی مدیریت به‌طور معنا‌داری بیشتر از الگوهای مبتنی بر نسبت‌های مالی است. همچنین، میانگین خطاهای نوع اول و دوم الگوهای پیش‌بینی مبتنی بر نسبت‌های مالی و توانایی مدیریت به‌طور معنا‌داری کمتر از الگوهای مبتنی بر نسبت‌های مالی است. در نتیجه، یافته‌های پژوهش حاضر نشان داد عملکرد الگوهای مبتنی بر نسبت‌های مالی و توانایی مدیریت در پیش‌بینی بحران مالی به‌طور معنا‌داری بهتر از الگوهای مبتنی بر نسبت‌های مالی است. به‌بیان دیگر، توانایی مدیریت متغیری ارزشمند برای پیش‌بینی بحران مالی شرکت‌ها‌ست، به‌طوری‌که افزودن این دارایی‌ نامشهود به الگوهای پیش‌بینی بحران مالی مبتنی بر نسبت‌های مالی، عملکرد آنها را بهبود می‌بخشد. یافته‌های پژوهش‌های بار و همکاران [15]، بار و سیمز [14]، پارک و هان [41]، شوآی و لی [47] و گرانرت و همکاران [31] مشابه نتایج به‌دست آمده در پژوهش حاضر است. همچنین، یافته‌های فرعی پژوهش نشان داد هرچه فاصلۀ دورۀ زمانی پیش‌بینی با وقوع بحران مالی بیشتر باشد، افزودن توانایی مدیریت به‌عنوان یک متغیر پیش‌بین به الگوهای مبتنی بر نسبت‌های مالی، عملکرد آنها را به میزان بیشتری بهبود می‌بخشد. به‌بیان دیگر، هرچه فاصلۀ زمانی پیش‌بینی با وقوع بحران مالی بیشتر باشد، توانایی مدیریت متغیری اثربخش‌تر در پیش‌بینی این رویداد است. بر اساس یافته‌های پژوهش نتیجه‌گیری می‌شود‌ مدیریت برای عملیات موفق شرکت‌ها اهمیت بسیار زیادی دارد و توانایی مدیریت متغیری ارزشمند در پیش‌بینی بحران مالی به‌شمار می‌رود. به‌طور خلاصه، یافته‌های پژوهش حاضر به‌نوعی هم‌راستا با نظریۀ هزینۀ معاملات و دیدگاه مبتنی بر منابع است و همچنین به‌طور غیرمستقیم با نتایج پژوهش‌های لورتی و گریس [35]، آندرو و همکاران [12]، آندرو و همکاران [13]، ممتازیان و کاظم‌نژاد [8] و خواجوی و قدیریان‌آرانی [3] مبنی بر اهمیت توانایی مدیریت در موفقیت شرکت‌ها سازگاری دارد.

با توجه به یافته‌های پژوهش مبنی بر اهمیت نقش مدیریت در موفقیت شرکت‌ها، به سهامدارن پیشنهاد می‌شود به هنگام تعیین مدیران با مد‌نظر قرار‌دادن قابلیت‌های آنها، تواناترین افراد را برای مدیریت منابع شرکت‌ها برگزینند و بدین‌ترتیب، از احتمال بروز بحران مالی در بنگاههای اقتصادی و پیامدهای اقتصادی، اجتماعی و سیاسی این رویداد ناگوار بکاهند. همچنین، از آنجا که توانایی مدیریت عملکرد الگوهای پیش‌بینی بحران مالی مبتنی بر نسبت‌های مالی را بهبود می‌بخشد، به سرمایه‌گذاران، اعتباردهندگان و تحلیل‌گران مالی پیشنهاد می‌شود این متغیر مهم را نیز افزون بر معیارهای مالی در تحلیل‌های خود دربارۀ وضعیت شرکت‌ها مد‌نظر قرار دهند. افزون بر این، با توجه به اهمیت توانایی مدیریت به سازمان‌های تدوین‌کنندۀ مقررات پیشنهاد می‌شود به‌منظور کمک به سرمایه‌گذاران بالفعل و بالقوه الزاماتی را در خصوص افشای اطلاعات بیشتر درمورد این دارایی نامشهود وضع کنند.

استفاده از الگوی تینوکو و ویلسان (2013) برای تعیین شرکت‌های بحران‌زده یکی از محدودیت‌های پژوهش حاضر است. اگرچه در این پژوهش شرط رشد منفی ارزش بازار شرکت این الگو با توجه به نرخ تورم تعدیل و در‌نتیجه اثر کاهش ارزش پول بر آن خنثی شد، اما کارا‌نبودن بازار بورس اوراق بهادار تهران ممکن است این شرط را با چالش‌هایی روبه‌رو کند. همچنین، نبود داده‌های مورد نیاز و قابل اتکا برای محاسبۀ متغیرهای پژوهش دربارۀ برخی از شرکت‌ها یا در برخی سال‌ها، موجب حذف آنها از نمونه شد که این امر بر قابلیت تعمیم نتایج به جامعه تأثیر می‌گذارد. به‌ویژه شرکت‌هایی که با بحران مالی روبه‌رو هستند، احتمالاً وقفه‌های معاملاتی بیشتری دارند، به این ترتیب به‌علت در دسترس‌نبودن اطلاعات آنها در یک یا چند‌سال، ممکن است در این پژوهش بررسی نشده باشند.



[1] Ensemble

[2] Boosting

[3] Bagging

[4] Rotation Forest

[5] Single models

[6] Robustness

[7] Generation

[8] Pruning

[9] Random Forest

[10] Bootstrap samples

[11] Decision Tree

[12] Node

[13] Noisy

[14] Principal Component Analysis

[15] 10-fold cross validation

[16] Chapter 11

[17] Creditors' compulsory and/or voluntary liquidation

[18] Enterprise Act 2004

[19] Rescue culture

[20] London Share Price Database (LSPD)

[21] از آنجا که اطلاعات مورد نیاز به منظور اندازه­گیری متغیر فوق توسط شرکت­های پذیرفته شده در بورس اوراق بهادار تهران افشا نمی‌شود، این متغیر نیز از معادله حذف می‌شود.

  1. پورحیدری، امید و مهدی کوپایی‌حاجی. (1389). پیش‌بینی بحران‌ مالی شرکت‌ها با استفاده از مدل مبتنی بر تابع تفکیکی خطی. پژوهش‌های حسابداری مالی، دورۀ 2، شمارۀ 1، صص 46-33.
  2. ستایش، محمدحسین، کاظم‌نژاد، مصطفی، و محمد حلاج. (1395). بررسی سودمندی طبقه‌بندی‌کنندۀ جنگل‌های تصادفی و روش انتخاب متغیر ریلیف در پیش‌بینی بحران مالی: مطالعۀ شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. پژوهش‌های حسابداری مالی، دورۀ 8، شمارۀ 2، صص. 24-1.
  3. خواجوی، شکرالله، و محمدحسین قدیریان‌آرانی. (1396). توانایی مدیران، عملکرد مالی و خطر ورشکستگی. دانش حسابداری، مقالات آمادۀ انتشار، پذیرفته‌شده، انتشار آنلاین از تاریخ 16 بهمن 1396.
  4. فلاح‌پور، سعید، و اصغر ارم. (1395). پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم کلونی مورچگان. تحقیقات مالی، دورۀ 18، شمارۀ 2، صص 368-347.
  5. کرمی، غلامرضا، و سید‌مصطفی سید‌حسینی. (1391). سودمندی اطلاعات حسابداری نسبت به اطلاعات بازار در پیش‌بینی ورشکستگی، دانش حسابداری، دورۀ 3، شمارۀ 3، صص 116-93.
  6. مشایخی، بیتا، و حمیدرضا گنجی (1393). تأثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی. پژوهش‌های حسابداری مالی و حسابرسی، دورۀ 6، شمارۀ 2، صص 173-147.
  7. ملاحسینی، علی، و محدثه محمدی.( 1389). رابطه بین توان مدیران و عملکرد تعاونی‌های مصرف شهر کرمان. تعاون و کشاورزی، دورۀ 21، شمارۀ 1، صص 141-125.
  8. ممتازیان، علیرضا، و مصطفی کاظم‌نژاد. (1395). بررسی رابطه بین قابلیت‌های مدیریت و عملکرد با استفاده از تحلیل پوششی داده‌ها: مطالعۀ تجربی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. پژوهش‌های تجربی حسابداری، دورۀ 5، شمارۀ 4، صص 88-65.
    1. Acquaah, M., and Chi, T. (2007). A Longitudinal Analysis of the Impact of Firm Resources and Industry Characteristics on Firm- Specific Profitability. Journal of Management and Governance, Vol. 11, No. 3, Pp. 179 –213.
      1. Alfaro, E., García, N., Gámez, M., and Elizondo, D. (2008). Bankruptcy Forecasting: An Empirical Comparison of AdaBoost and Neural Networks. Decision Support Systems, Vol. 45, No. 1, Pp. 110–122.
      2. Altman, E. (1968). Financial Ratio, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, Vol. 23, No. 4, Pp. 589-610.
      3. Andreou, P. C., Ehrlich, D., and Louca, C. (2013). Managerial Ability and Firm Performance: Evidence from the Global Financial Crisis. University of Technology, Department of Commerce, Finance and Shipping: Cyprus.
      4. Andreou, P. C., Karasamani, I., Louca, C., and Ehrlich, D. (2017). The Impact of Managerial Ability on Crisis-Period Corporate Investment. Journal of Business Research, Vol. 79, Pp. 107-122.
      5. Barr, R. and T. Siems (1997). Bank Failure Prediction Using DEA to Measure Management Quality. Interfaces in Computer Science and Operations Research, Vol. 7, Pp. 341–366.
      6. Barr, R. S., Seiford, L. M., and Siems, T. F. (1994). Forecasting Bank Failure: a Non-parametric Frontier Estimation Approach. Recherches Économiques de Louvain/Louvain Economic Review, Vol. 60, No. 4, Pp. 417-429.
      7. Beaver, W. H. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, Pp. 71-111.
      8. Becchetti, L. and J. Sierra (2003). Bankruptcy Risk and Productive Efficiency in Manufacturing Firms. Journal of Banking and Finance, Vol. 27, No. 11, Pp. 2099-2120.
      9. Bhunia, A., Khan, S. I. U., and Mukhuti, S. (2011). Prediction of Financial Distress-A Case Study of Indian Companies. Asian Journal of Business Management, Vol. 3, No. 3, Pp. 210-218.
      10. Breiman, L. (2001). Random Forests. Machine learning, Vol. 45, No. 1, Pp. 5-32.
      11. Bruno, A. V., and J. K. Leidecker (1988). Causes of New Venture Failure: 1960 vs. 1980. Business Horizon, Vol. 31, No. 6, Pp. 51-57.
      12. Cao, Y., Wan, G. and F. Wang (2011). Predicting Financial Distress of Chinese Listed Companies Using Rough Set Theory and Support Vector Machine. Asia-Pacific Journal of Operational Research, Vol. 28, No. 1, Pp. 95-109.
      13. Davalos, S., Leng, F., Feroz, E. H., and Cao, Z. (2009). Bankruptcy Classification of Firms Investigated by the US Securities and Exchange Commission: An Evolutionary Adaptive Ensemble Model Approach. International Journal of Applied Decision Sciences, Vol. 2, No. 4, Pp. 360-388.
      14. Deakin, E. B. (1972). A Discriminant Analysis of Predictors of Business Failure. Journal of Accounting Research, Vol. 10, No. 1, Pp. 167-179.
      15. Demerjian, P., Lev, B., Lewis, M., and S McVay. (2013). Managerial Ability and Earnings Quality. The Accounting Review. Vol. 88, No. 2, Pp.463-498.
      16. Demerjian, P., Lev, B. and S. McVay. (2012). Quantifying Managerial Ability: A New Measure and Validity Tests. Management science, Vol. 58, No. 7. Pp. 1229-1248.
      17. Etemadi, H., Anvary Rostamy, A. A., and Farajzadeh Dehkordi, H. (2009). A Genetic Programming Model for Bankruptcy Prediction: Empirical Evidence from Iran. Expert Systems with Applications, Vol. 36, No. 2, Pp. 3199-3207.
      18. Gilbert, L. R., Menon, K., and Schwartz, K. B. (1990). Predicting Bankruptcy for Firms in Financial Distress. Journal of Business Finance and Accounting, Vol. 17,No. 1, Pp. 161-171.
      19. Gitman, L. J. (1998). Principles of Managerial Finance. Boston: Addison Wesley.
      20. Goddard, L. (1993). Corporate Intensive Care: Why Business Fail and How to Make Them Succeed, Ohio: York Publishing Co.
      21. Greening, D. W., and Johnson, R. A. (1996). Do managers and strategies matter? A study in crisis. Journal of Management Studies, Vol. 33 No. 1, Pp. 25-51.
      22. Grunert, J., Norden, L. and M. Weber (2005). The Role of Non-Financial Factors in Internal Credit Ratings. Journal of Banking and Finance, Vol. 29, No. 2, Pp. 509–531.
      23. Hu, Y. C. (2010). Analytic Network Process for Pattern Classification Problems Using Genetic Algorithms. Information Sciences, Vol. 180, Pp. 2528–2539.
      24. Hung, C., and Chen, J. H. (2009). A Selective Ensemble Based on Expected Probabilities for Bankruptcy Prediction. Expert Systems with Applications, Vol. 36, No. 3, Pp. 5297–5303.
      25. Lensberg, T., Eilifsen, A. and McKee, T. E. (2006). Bankruptcy Theory Development and Classification via Genetic Programming. European Journal of Operational Research, Vol. 169, No. 2, Pp. 677-697.
      26. Leverty, T., and M. Grace, (2012). Dupes or Incompetents? An Examination of Management’s Impact on Firm Distress. The Journal of Risk Insurance, Vol. 79, No. 3, PP. 751-783.
      27. Lussier, R. N., and Corman, J. (1996). A Business Success versus Failure Prediction Model for Entrepreneurs with 0-10 Employees. Journal of Small Business Strategy, Vol. 7, No. 1, Pp. 21-36.
      28. Manzaneque, M., Merino, E., and Priego, A. M. (2016). The role of Institutional Shareholders as Owners and Directors and the Financial Distress Likelihood. Evidence from a concentrated ownership context. European Management Journal,  Vol. 34, No. 4, Pp. 439-451.
      29. Mendes-Moreia, J., Soares, C., Jorge, A. M., and Sousa, J. F. D. (2012). Ensemble Approaches for Regression: A survey. ACM Computing Surveys, Vol. 45, No. 1, Pp. 1- 40.
      30. Newton, G. W. (1998). Bankruptcy Insolvency Accounting Practice and Procedure, New Jersey: John Wiley and Sons Inc.
      31. Newton, G. W. (2010). Bankruptcy and Insolvency Accounting, Practice and Procedure, Vol. 1, 7th Ed, John Wiley and Sons, Inc., Hoboken, New Jersey.
      32. Park, C-S., and Han, I. (2002). A Case-Based Reasoning with the Feature Weights Derived by Analytic Hierarchy Process for Bankruptcy Prediction, Expert Systems with Applications, Vol. 23, No. 3, Pp. 255–264.
      33. Pindado, J., Rodrigues, L., and De la Torre, C. (2008). Estimating Financial Distress Likelihood. Journal of Business Research,Vol. 61, Pp. 995 –1003.
      34. Psillaki, M., Tsolas, I. E. and Margaritis, D. (2010). Evaluation of Credit Risk Based on Firm Performance, European Journal of Operational Research, Vol. 201, No. 3, Pp. 873-881.
      35. Rashid, A., and Abbas, Q. (2011). Predicting Bankruptcy in Pakistan. Theoretical and Applied Economics, Vol. 18, No. 9, Pp. 103-128.
      36. Rodriguez, J. J., Kuncheva, L. I., and Alonso, C. J. (2006). Rotation Forest: A New Classifier Ensemble Method. IEEE transactions on pattern analysis and machine intelligence, Vo. 28, No. 10, Pp. 1619-1630.
      37. Sandin, A. R., and Porporato, M. (2008). Corporate Bankruptcy Prediction Models Applied to Emerging Economies: Evidence from Argentina in the Years 1991-1998. International Journal of Commerce and Management, Vol. 17, No. 4, Pp. 295- 311.
      38. Shuai, J. J., and Li, H. L. (2005). Using Rough Set and Worst Practice DEA in Business Failure Prediction. Rough Sets, Fuzzy Sets, Data Mining, and Granular Computing, Pp. 503-510.
      39. Sun, J., Jia, M., and Li, H. (2011). AdaBoost Ensemble for Financial Distress Prediction: An Empirical Comparison with Data from Chinese Listed Companies. Expert Systems with Applications, Vol. 38, No. 8, Pp. 9305–9312.
      40. Tinoco, M. H. and N. Wilson (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, Vol. 30, Pp. 394-419.
      41. Xie, C., Luo, C., and Yu, X. (2011). Financial Distress Prediction Based on SVM and MDA Methods: the Case of Chinese Listed Companies. Quality and Quantity, Vol. 45, No. 3, Pp. 671-686.