2-2-2- الگوریتم ژنتیک…………………………………………………………………………………….. 19

 

2-2-2-1- ساختار الگوریتم ژنتیک……………………………………………………………………. 19

 

2-2-2-2-  مدل عملیاتی الگوریتم ژنتیک……………………………………………………………. 21

 

2-2-3- شبکه‌های  عصبی مصنوعی………………………………………………………………………. 22

 

2-2-3-1- ساختار شبکه عصبی مصنوعی……………………………………………………………. 23

 

2-2-3-2- مدل عملیاتی ساختار شبکۀ عصبی مصنوعی…………………………………………… 25

 

2-2-4- مدل اسپرینگیت……………………………………………………………………………………. 27

 

2-2-5- شاخص……………………………………………………………………………………………… 28

 

2-3- پیشینۀ تحقیق………………………………………………………………………………………….. 30

 

2-3-1- تحقیقات خارجی………………………………………………………………………………….. 30

 

2-3-2- تحقیقات داخلی…………………………………………………………………………………… 35

 

2-4- نتیجه‌گیری……………………………………………………………………………………………….. 39

 

فصل سوم: روش‌ تحقیق…………………………………………………………………………………… 39

 

3-1- مقدمه……………………………………………………………………………………………………. 40

 

3-2- روش تحقیق…………………………………………………………………………………………… 40

 

3-3- قلمرو تحقیق…………………………………………………………………………………………… 41

 

3-4- جامعۀ آماری…………………………………………………………………………………………… 41

 

3-5- نمونۀ آماری و روش نمونه‌گیری……………………………………………………………………. 42

 

3-6- نحوۀ جمع‏آوری اطلاعات…………………………………………………………………………… 47

 

3-7- روش‌های آماری استفادهشده برای تجزیه و تحلیل اطلاعات………………………………… 48

 

3-8- خلاصۀ فصل…………………………………………………………………………………………… 49

 

فصل چهارم: دادهها و تجزیه و تحلیل آنها…………………………………………………………… 50

 

4-1- مقدمه……………………………………………………………………………………………………. 51

 

4-1- تحلیل اطلاعات……………………………………………………………………………………….. 51

 

4-1-1- فرضیه‏های گروه اول…………………………………………………………………………… 52

 

4- 3- 2- فرضیه‏های گروه دوم………………………………………………………………………… 55

 

4- 3- 3- پاسخ سؤالات پژوهش………………………………………………………………………. 58

 

4-4- نتیجه‏گیری……………………………………………………………………………………………… 59

 

فصل پنجم: نتیجه‌گیری و پیشنهادها…………………………………………………………………….. 60

 

5- 1- مقدمه…………………………………………………………………………………………………… 61

 

5-2- خلاصۀ تحقیق…………………………………………………………………………………………. 61

 

 

5-3- نتایج تحقیق……………………………………………………………………………………………. 62

 

5- 3- 1- فرضیه‌های گروه اول…………………………………………………………………………. 62

 

5- 3- 2- فرضیه‌های گروه دوم………………………………………………………………………… 65

 

5-4 – محدویتهای تحقیق…………………………………………………………………………………… 67

 

5- 5- نتیجۀ تحقیق…………………………………………………………………………………………… 68

 

5- 6- پیشنهادات ارائه شده برای پژوهش‌های آتی…………………………………………………….. 69

 

ضمیمه الف……………………………………………………………………………………………………. 74

 

ضمیمه ب……………………………………………………………………………………………………. 127

 

 

 

 

 

فهرست شکل‏ها

 

شکل 2-1: یک کروموزم طراحی شده توسط الگوریتم ژنتیک جهت پیش‌بینی ورشکستگی  20

 

شکل2-2: لایه‌های یک شبکه عصبی مصنوعی.. 24

 

 

 

 

 

 

 

 

 

فهرست جدول‏ها

 

 

 

جدول 2-1: تقسیم‌بندی مدل‏های پیش‏بینی ورشکستگی براساس ماهیت………………………….. 17

 

جدول 3-1: فهرست شرکت‌های ورشکسته………………………………………………………………. 43

 

جدول 3-2: فهرست شرکت‌های غیرورشکسته………………………………………………………….. 45

 

جدول 4-1: نتایج حاصل از رگرسیون لجستیک مدل اسپرینگیت……………………………………. 52

 

جدول 4-2: نتایج حاصل از رگرسیون لجستیک مدل شبکۀ عصبی‏ مصنوعی……………………… 53

 

جدول 4-3: نتایج حاصل از رگرسیون لجستیک الگوریتم ژنتیک ‏خطی……………………………. 54

 

جدول 4-4: نتایج حاصل از آزمون من ـ ویتنی مدل شبکۀ عصبی‌مصنوعی و مدل اسپرینگیت.. 56

 

جدول 4-5: نتایج حاصل از آزمون من ـ ویتنی الگوریتم ژنتیک خطی و مدل اسپرینگیت…….. 57

 

جدول 4-6: نتایج حاصل از آزمون من ـ ویتنی مدل شبکۀ عصبی‌مصنوعی و الگوریتم ژنتیک… 58

 

جدول 5-1 مدل‌های پیش‌بینی‌کنندۀ ورشکستگی براساس توانمندی پیش‌بینی…………………….. 67

 

الف- 1: اطلاعات مالی استخراج شده از صورت‌های مالی شرکت‌های ورشکسته جهت استفاده در مدل اسپرینگیت  76

 

الف- 2: اطلاعات مالی استخراج شده از صورت‌های مالی شرکت‌های غیرورشکسته جهت استفاده در مدل اسپرینگیت        80

 

الف- 3: محاسبه نسبت‌های مورد استفاده در مدل اسپرینگیت – شرکت‌های ورشکسته………… 84

 

الف- 4: محاسبه نسبت‌های مورد استفاده در مدل اسپرینگیت – شرکت‌های غیرورشکسته……. 88

 

الف- 5: اطلاعات مالی استخراج شده از صورت‌های مالی شرکت‌های ورشکسته جهت استفاده در مدل شبکه عصبی مصنوعی……………………………………………………………………………………………………………………. 92

 

الف- 6- اطلاعات مالی استخراج شده از صورت‌های مالی شرکت‌های غیرورشکسته جهت استفاده در مدل شبکه عصبی مصنوعی……………………………………………………………………………………………………………………. 97

 

الف-7: محاسبه نسبت‌های مورد استفاده در مدل شبکه عصبی‌مصنوعی – شرکت‌های ورشکسته 101

 

الف- 8: محاسبه نسبت‌های مورد استفاده در مدل شبکه عصبی‌مصنوعی – شرکت‌های غیرورشکسته 106

 

الف- 9: اطلاعات استخراج شده از صورت‏های مالی شرکت‏های ورشکسته جهت استفاده در مدل ژنتیک    111

 

الف-10: اطلاعات مالی استخراج شده از صورت‌های مالی شرکت‌های غیرورشکسته جهت استفاده در مدل ژنتیک   115

 

الف-11: محاسبه نسبت‌های مورد استفاده در مدل ژنتیک – شرکت‌های ورشکسته……………. 119

 

الف-12: محاسبه نسبت‌های مورد استفاده در مدل ژنتیک – شرکت‌های غیرورشکسته………… 123

 

ب-1: نتیجه آزمون مدل اسپرینگیت توسط رگرسیون لجستیک – شرکت‌های غیرورشکسته…. 128

 

ب- 2: نتیجه آزمون مدل اسپرینگیت توسط رگرسیون لجستیک – شرکت‌های ورشکسته…….. 129

 

ب- 3: نتیجه آزمون کلی مدل اسپرینگیت توسط رگرسیون لجستیک……………………………… 130

 

ب- 4: آزمون مدل شبکه عصبی‏مصنوعی توسط رگرسیون لجستیک – شرکت‌های غیرورشکسته 131

 

ب- 5: آزمون مدل شبکه عصبی‌مصنوعی توسط رگرسیون لجستیک – شرکت‌های ورشکسته.. 132

 

ب- 6: آزمون کلی مدل شبکه عصبی‌مصنوعی توسط رگرسیون لجستیک………………………… 133

 

ب- 7: آزمون مدل ژنتیک توسط رگرسیون لجستیک – شرکت‌های غیرورشکسته……………… 134

 

ب- 8: آزمون مدل ژنتیک توسط رگرسیون لجستیک – شرکت‌های ورشکسته………………….. 135

 

ب- 9: آزمون کلی مدل ژنتیک توسط رگرسیون لجستیک…………………………………………… 136

 

ب- 10: نتیجه آزمون من-ویتنی مدل‏های اسپرینگیت و شبکه عصبی مصنوعی…………………. 137

 

ب- 11: نتیجه آزمون من-ویتنی مدل‏های اسپرینگیت و الگوریتم ژنتیک…………………………. 138

 

ب- 12:  نتیجه آزمون من-ویتنی مدل‏های شبکه عصبی‌مصنوعی و الگوریتم ژنتیک…………… 139

 

 

 

فصل اول:

 

کلیات

 

(طرح تحقیق)

 

 

 

 

 

1-1-  مقدمه

 

یکی از مسائلی که همیشه ذهن دانشمندان و محققان را به خود مشغول داشته بحث پیشگویی است. اساساً، در طول تاریخ، انسان‏ها همیشه به دنبال این مقوله بوده‏اند. مسئلۀ ورشکستگی و عدم موفقیت شرکت‏ها نیز همواره از مشکلات درخور توجه بوده و یکی از عواملی است که هریک از استفاده‌کنندگان از صورت‏های مالی همیشه نگران آن هستند.

 

در سطح کشور و از جمله در جمع شرکت‏های تولیدی پذیرفته‌شده در بورس اوراق بهادار تهران، شرکت‏هایی دیده می‏شوند که در بازپرداخت بدهی‏های خود با مشکل مواجه هستند، بازدهی لازم برای پوشش هزینه‏ها را ندارند و نیز مشمول مادۀ 141 قانون تجارت شده‏اند. در واقع، همۀ این مسائل حاکی از درگیری شرکت‌ها با درماندگی مالی هستند. وضع مالی نامطلوب باعث بروز زیان برای اقشار مختلف جامعه و مخصوصاً سرمایه‏گذاران و اعتباردهندگان می‌شود. بنابراین، نه تنها سرمایه‏گذاران بلکه مدیران ارشد و حسابداران نیز علاقه‌مندند که وضعیت مالی شرکت را به­طور علمی پیش‌بینی نمایند. هرچند ریسک ورشکستگی برای هریک از این گروه‏ها متفاوت است، لیکن همۀ آنها در این مسئله ذی‏نفع هستند.

 

بحران‏های مالی اخیر در سراسر دنیا باعث توجه به اهمیت مکانیزم‏هایی شد که برای رفع وضع مالی نامطلوب شرکت‏ها طراحی شده‌اند. واضح است که پیش‏بینی ورشکستگی شرکت‏ها می‏تواند در به‏کارگیری این مکانیزم‌ها برای حل وضع مالی نامطلوب آنها بسیار مؤثر باشد، اما لازم به ذکر است که ویژگی‏های خاص کشورها نیز بر مشکلات مالی آنها تأثیر می‌گذارد.

 

یکی از راه‌هایی که می­توان به بهره‏گیری مناسب از فرصت­های سرمایه‏گذاری و همچنین جلوگیری از هدر رفتن منابع کمک کند پیش­بینی درماندگی مالی یا ورشکستگی است. به این ترتیب که نخست، با ارائۀ هشدارهای لازم، می­توان شرکت‏ها را نسبت به وقوع درماندگی مالی هوشیار کرد تا آنها با توجه به این هشدارها دست به اقدام­های مقتضی بزنند و دوم اینکه سرمایه‏گذاران فرصت مطلوب سرمایه‏گذاری را از فرصت‏های نامطلوب تشخیص دهند و منابعشان را در فرصت‏های مناسب سرمایه‏گذاری کنند. در ادامۀ این فصل، به تشریح بیشتر موضوع، اهمیت و ضرورت آن و همچنین اهداف و فرضیه‏های پژوهش می‏پردازیم.

 

1-2-  بیان مسئله

 

از نقطه‏نظر اقتصادی، درماندگی را می‏توان به زیان‏ده بودن شرکت تعبیر کرد که در واقع، در این حالت، شرکت دچار عدم‌موفقیت شده است. صرف‌نظر از اندازه و ماهیت فعالیت واحد‌های تولیدی، استفاده‌کنندگان از صورت‌های مالی، از جمله سرمایه‌گذاران و یا اعتبار‌دهندگان، بر اساس اطلاعات مالی تصمیم به خرید و فروش سهام و پرداخت وام می‌گیرند. همان­طور که گفته شد، در سطح کشور و از جمله در جمع شرکت‏های تولیدی پذیرفته­شده در بورس اوراق‏ بهادار تهران، ممکن است شرکت‏هایی در آینده دچار ورشکستگی شوند، لیکن باتوجه به عدم‌اطمینان نسبت به وضعیت این شرکت‏ها در آینده، ممکن است منابع و فرصت‏های بیشتری از بین می‏رود.

 

وضع مالی نامطلوب شرکت‌ها باعث بروز زیان برای اقشار مختلف جامعه می‌شود، بطور مثال  چنانچه حسابرسان از طریق گزارش حسابرسی علائم بحران را افشا نکنند، به وسیلۀ دعاوی حقوقی تحدید می­شوند، همچنین موسسات مالی باید احتمال ناتوانی واحدهای تولیدی در بازپرداخت تسهیلات دریافتی را اندازه‌گیری نمایند. بنابراین، نه تنها سرمایه‏گذاران بلکه مؤسسات مالی، مدیران ارشد، حسابرسان و … نیز علاقه­مندند که وضعیت مالی شرکت را به­طور علمی پیش‌بینی کنند. وقتی شرکتی ورشکسته شود، به نظر می‏رسد سازماندهی مجدد، خروج از درماندگی و یا انحلال و نقدکردن آن به منظور استفاده از سایر فرصت‏های سرمایه‏گذاری راه‏ حل معقول باشد. اما زمانی می‏توان از سازماندهی مجدد شرکت‏‏ صحبت کرد که فرصت کافی برای این کار باقی مانده­ باشد. بنابراین، نیاز به استفاده از الگوهایی است که بتوانند وضعیت مالی شرکت­ها را در آینده پیش‌بینی کنند. بنابراین طی سالیان اخیر، علاقه به پیش‌بینی بحران‌های مالی در شرکت‌ها منتج به شکل‌گیری مدل‌های متفاوتی در این حوزه شده، لیکن مسئله اصلی عدم اجماع در خصوص این مدل‌ها است.

 

1-3- ضرورت انجام پژوهش

 

در فضای رقابتی امروز، افراد تلاش زیادی برای اطلاع از وضعیت شرکت‏ها به منظور محافظت از منافع خود انجام می‏دهند، اما این مهم زمانی دست‏یافتنی خواهد بود که اشخاص به روش‏های تجزیه و تحلیل قابل اعتماد دسترسی داشته باشند. تعیین علت یا علت­های یک بحران مالی کار ساده‌ای نیست. مشکل مالی نتیجۀ عوامل متعددی بوده که به ورشکستگی منجر می­شود. پیش‏بینی درماندگی مالی شرکت‏ها مدت‏هاست که به عنوان یکی از موضوعات مهم در حوزۀ مالی مطرح بوده و مدل‌های متعددی در این زمینه طراحی شده­اند و در بسیاری از این مدل‌ها از متغیرهای سنتی مالی به عنوان متغیرهای پیش‏بینی­کنندۀ درماندگی استفاده شده است.

 

اگر وضعیت مالی بنگاه‏ها از طریق آزمون مدل روشن شود و ورشکستگی آنها قابل پیش‏بینی باشد، سهام­داران و مدیران برای جلوگیری از ورشکستگی و یا تغییر در وضعیت ساختار شرکت چاره­اندیشی خواهند کرد و چه بسا با اتخاذ تدابیری درست از ورشکستگی آن شرکت‏ها جلوگیری کنند؛ لیکن انواع مدل­های پیش­بینی عملکرد نتایج متفاوتی را به تصمیم­گیرنده نشان می­دهند. بنابراین، باید مدل‌های مختلفی که برای پیش­بینی بحران­های مالی قبل از وقوع آنها تدوین شده آز