تکنیک‌های پیش بینی ورشکستگی:”پایان نامه کاربردمدل پیش بینی ورشکستگی فالمرو زمیجوسکی “

دانلود پایان نامه

تکنیک‌های پیش بینی ورشکستگی

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

2-8-1. تکنیک‌های آماری[1]

تکنیک‌های آماری از ابتدایی‌ترین و رایج‌ ترین روش‌ها و جهت مدل سازی برای پیش بینی ورشکستگی به شمار می‌روند. در این مدل‌ها از روش‌های مدل سازی استاندارد کلاسیک استفاده شده است و بر        نشانه های ناتوانی تجاری شرکت‌ها تمرکز دارند. متغیرهای مورد استفاده 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 می‌شوند. از جمله مهم‌ترین تکنیک‌های آماری چند متغیره می‌توان به تحلیل تشخیصی، احتمال خطی[2]، لاجیت[3]، پروبیت[4]، تکنیک هوش مصنوعی[5]، شبکه های عصبی مصنوعی[6] اشاره کرد(قدرتی، 1389).

2-8-1-1 تحلیل تشخیصی چندگانه[7]

روشی است چند متغیره که پدیده‌ها را بر اساس ویژگی‌هایشان به گروه های مانع الجمع طبقه بندی می‌کند. هدف از این روش فراهم آوردن ترکیبی خطی از متغیر های مستقل یعنی نسبت‌های مالی است 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[8] در سال 1977 و فالمر[9] در سال 1989 اشاره کرد(قدرتی، 1389).

این مدل‌ها که به نام مدل‌های احتمال شرطی نیز شناخته می‌شوند بر مبنای یک تابع احتمال تجمعی و با استفاده 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[10] در سال 1977برای پیش بینی ورشکستگی بانک‌ها پیشنهاد شد و توسط اوهلسون[11] در سال 1980 برای پیش بینی ناتوانی تجاری بکار رفت (اعتمادی،1387). پس از سال 1981 و به دلیل محدودیت‌های موجود در روش‌های تحلیل تشخیصی چندگانه، مطالعات ناتوانی تجاری اغلب بر استفاده 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 است، چرا که تحلیل پروبیت در مقایسه با تحلیل لاجیت به دلیل استفاده از برآوردهای غیر خطی، به محاسبات بیشتری نیاز دارد(عرب مازار، 1387).

2-8-1-2. تکنیک‌های هوش مصنوعی

تکنیک‌های هوش مصنوعی، مشابه با هوش و منطق انسان، سیستمی است که یاد می‌گیرد و عملکرد حل مسأله خود را با توجه به 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]، تشکیل شده‌اند(قدرتی، 1389).

2-8-1-3. شبکه های عصبی مصنوعی

به‌کارگیری روش شبكه‌هاي عصبي را مي‌توان تا اوايل دهه 1860 پي‌گيري كرد. هدف مدل شبكه‌هاي عصبي، شناسايي مجموعه اي از اجزاء محاسباتي(نرون‌ها) است كه با هم در ارتباط هستند. ساختار اصلي محاسباتي شامل سه لايه از نرون‌ها است: لايه هاي ورودي، مخفي و خروجي. افزون بر نرون‌ها، شبكه عصبي در برگيرنده نحوه ارتباط اين لایه‌ها با هم نيز می‌باشد. ارتباط داخلي نرون‌ها، مي‌تواند در برگيرنده همه نرون‌ها و يا فقط بخشي از آن‌ها باشد. تعداد ارتباطات و چگونگي آن، توان شبكه عصبي در اجراي عمليات مورد نظر را نشان می‌دهد(سعیدی، 1388).

2-8-2 مدل‌های نظری[15]

برخلاف مدل‌های آماری و تکنیک‌های هوش مصنوعی که بر نشانه های ناتوانی تجاری تمرکز دارند، مدل‌های نظری به دنبال تعیین دلایل کیفی این ناتوانی‌های تجاری‌اند. یعنی عمدتاً بر اطلاعاتی تمرکز دارند که بتوانند از نظر منطقی توجیه کننده ورشکستگی باشند(قدرتی، 1389). مدل نظری از نظر ماهیت، چند متغیره بوده و معمولاً از تکنیک‌های آماری برای پشتیبانی کمی مباحث نظری استفاده می‌کنند.

[1] . Statistical Techniques

[2] . Linear Probability Model

[3] . Logit

[4] . Probit

[5] . Artificial Intelligence Techniques

[6] . Neural Networks

[7] . Linear Discriminant Analysis

[8] . Altman

[9] . Fulmer

[10] . Martin, D

[11] . Ohlson, J

[12] . Recursive Partitioning Algorithm ( Decision Trees)

[13] . Case-based Reasoning

[14] . Artifical Neural Network

[15] . Theoretical Models

دانلود پایان نامه