مطالعه تأثیر ترکیب اجزای صورت گردش وجوه نقد بر پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار

قسمتی از متن پایان نامه :

2-11- تکنیک‌های پیش بینی ورشکستگی

تکنیک‌ها و استراتژی‌های مورد بهره گیری در ساخت مدل‌های پیش بینی ورشکستگی به گونه کلی در سه گروه طبقه بندی می‌گردند: تکنیک‌های آماری، تکنیک‌های هوش مصنوعی، و مدل‌های نظری.

2-11-1- تکنیک‌های آماری[1]

تکنیک‌های آماری از ابتدایی‌ترین و رایج‌ترین روش‌ها و جهت مدل سازی برای پیش بینی ورشکستگی به شمار می‌طریقه. در این مدل‌ها از روش‌های مدل سازی استاندارد کلاسیک بهره گیری شده می باشد و بر نشانه های ناتوانی تجاری شرکت‌ها تمرکز دارند. متغیرهای مورد بهره گیری در ساخت این مدل‌ها عموماً اطلاعات مندرج در صورت‌های مالی منتشره‌ی شرکت‌ها می‌باشند. مدل‌های آماری خود به دو گروه مدل‌های آماری تک متغیره و چند متغیره تقسیم می شوند. مانند مهم‌ترین تکنیک‌های آماری چند متغیره می‌توان به تحلیل تشخیصی، احتمال خطی[2] ، لاجیت[3] ، پروبیت[4]  و فرآیندهای تعدیل ناقص[5]  تصریح نمود (قدرتی، 1389).

2-11-1-1- تحلیل تشخیصی چندگانه[6] 

روشی می باشد چند متغیره که پدیده‌ها را بر اساس ویژگی‌هایشان به گروه های مانع الجمع طبقه بندی می کند. هدف از این روش فراهم آوردن ترکیبی خطی از متغیر های مستقل یعنی نسبت‌های مالی می باشد که بتواند شرکت‌های ورشکسته و غیر ورشکسته را به بهترین نحو تفکیک کند. از تحقیقات قابل توجه انجام شده با تکنیک تحلیل تشخیصی چندگانه می‌توان به پژوهش آلتمن  در سال 1977 و فالمر[7]  در سال 1989 تصریح نمود (قدرتی، 1389).

2-11-1-2- مدل‌های لاجیت و پروبیت (مدل‌های احتمال شرطی)[8]

این مدل‌ها که به نام مدل‌های احتمال شرطی نیز شناخته می شوند بر مبنای یک تابع احتمال تجمعی و با بهره گیری از نسبت‌های مالی یک شرکت، احتمال تعلق شرکت به یکی از گروه های از پیش تعیین شده را اندازه گیری می‌کنند. تحلیل لاجیت نخستین بار توسط مارتین[9] در سال 1977 برای پیش بینی ورشکستگی بانک‌ها پیشنهاد گردید و توسط اوهلسون[10] در سال 1980 برای پیش بینی ناتوانی تجاری به کار رفت (اعتمادی، 1387). پس از سال 1981 و به دلیل محدودیت‌های موجود در روش‌های تحلیل تشخیصی چندگانه، مطالعات ناتوانی تجاری اغلب بر بهره گیری از لاجیت تمرکز یافتند. مدل‌های پروبیت نیز، مشابه با مدل‌های لاجیت می‌باشد. تفاوت اصلی آن‌ها در تابع احتمال ورشکستگی می‌باشد. به هر حال مدل‌های لاجیت نسبت به مدل‌های پروبیت از محبوبیت بیشتری برخوردار می باشد، زیرا که تحلیل پروبیت در مقایسه با تحلیل لاجیت به دلیل بهره گیری از برآوردهای غیر خطی، به محاسبات بیشتری نیاز دارد (قدرتی، 1389). تکنیک تحلیل تشخیصی چندگانه توانایی تولید نتایج احتمالی را دارد اما قابلیت اتکای آن کمتر از مدل‌های احتمال شرطی می باشد.

اوهلسون با بهره گیری از روش‌های احتمال شرطی شکنندگی نتایج را مطالعه نمود. او این روش را برای نمونه ای با احتمال قبلی شکست که به واقعیت نزدیک بود، انجام داد. معادله برآورد شده 88/3% از نمونه‌ها را به صورت نادرست طبقه بندی نمود اما مدل ساده فرض می‌نمود که عدم ورشکستگی در مورد 95/4% از نمونه‌ها غلط باشد. به علاوه نتایج حاصل از مدل احتمال شرطی در مقایسه با مدل تحلیل تشخیصی چندگانه، برتری قدرت تشخیص آن را به خوبی نمایانگر می‌سازد.

2-11-2- تکنیک‌های هوش مصنوعی[11]

تکنیک‌های هوش مصنوعی، مشابه با هوش و منطق بشر، سیستمی می باشد که یاد می‌گیرد و عملکرد حل مسأله خود را با در نظر داشتن تجربیات گذشته بهبود می‌بخشد. این تکنیک‌های هوشمند به دلیل کارایی بالا و فارغ بودن از مفروضات محدود کننده موجود در روش‌های آماری با استقبال زیادی مواجه شده‌اند. تکنیک‌های هوش مصنوعی از الگوریتم‌های بازگشتی یا همان درخت‌های تصمیم[12] ، استدلال مبتنی بر موضوع[13] ، شبکه های عصبی مصنوعی[14]، الگوریتم ژنتیک و مجموعه های سخت[15]  تشکیل شده‌اند (قدرتی، 1389). تمرکز تکنیک‌های هوش مصنوعی بر عوارض ناشی از ورشکستگی می باشد که از صورت‌های مالی استخراج می شوند و به کمک روش‌های جدید و پیشرفته با بهره گیری از تکنولوژی کوشش در پیش بینی ورشکستگی دارند.

2-11-2-1- شبکه های عصبی[16]

به‌کارگیری روش شبکه‌های عصبی را می‌توان تا اوایل دهه 1860 پی‌گیری نمود. هدف مدل شبکه‌های عصبی، شناسایی مجموعه ای از اجزاء محاسباتی (نرون‌ها) می باشد که با هم در ارتباط هستند. ساختار اصلی محاسباتی شامل سه لایه از نرون‌ها می باشد: لایه های ورودی، مخفی و خروجی. افزون بر نرون‌ها، شبکه عصبی در برگیرنده نحوه ارتباط این لایه‌ها با هم نیز می‌باشد. ارتباط داخلی نرون‌ها، می‌تواند در برگیرنده همه نرون‌ها و یا فقط بخشی از آن‌ها باشد. تعداد ارتباطات و چگونگی آن، توان شبکه عصبی در اجرای عملیات مورد نظر را نشان می‌دهد (پورعلی، 1390).

قبل از به‌کارگیری شبکه عصبی بایستی با بهره گیری از یک مجموعه از مشاهدات (برای مثال گروهی از شرکت‌های موفق و ناموفق) نسبت به آموزش شبکه اقدام نمود. شبکه تا زمانی که بتواند ترکیبی از ورودی‌ها را با یک پیامد خاص ارتباط دهد به آموزش خود ادامه می‌دهد، بعد از آن که آموزش کامل گردید، شبکه عصبی می‌تواند در پیش بینی، مورد بهره گیری قرار گیرد. ساختمان شبکه (نرون‌ها و ارتباط داخلی آن‌ها)، فرآیند آموزش و کل شبکه عصبی را می‌توان بر مبنای تعداد پیش بینی‌های صحیح ارزیابی نمود (پورعلی، 1390).

[1] . Statistical Techniques

[2] . Linear Probability Model

[3] . Logit

[4] . Probit

[5] . Partial Adjustment Processes

[6] . Linear Discriminant Analysis

[7] . Fulmer

[8] . Conditional Probability Models

[9] . Martin

[10] . Ohlson

[11] . Artificial Intelligence Techniques

[12] . Recursive Partitioning Algorithm ( Decision Trees)

[13] . Case-based Reasoning

[14] . Artifical Neural Network

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

[15] . Rough Sets Model

[16] . Neural Networks

سوالات یا اهداف پایان نامه :

 1-5-1- سؤال اصلی

آیا ترکیبات اجزای صورت گردش وجوه نقد پنج قسمتی ایران بر پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران تأثیر دارد؟

1-5-2- سؤالات فرعی پژوهش

  1. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  2. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  3. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  4. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  5. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  6. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  7. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  8. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  9. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  10. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  11. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  12. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  13. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  14. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  15. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  16. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟

پایان نامه - تز - رشته حسابداری