پیش بینی خطر ورشکستگی با استفاده از شبکه های عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه(شواهد تجربی: بورس اوراق بهادار تهران)
محورهای موضوعی : آینده پژوهیسمیه سارویی 1 , حمیدرضا وکیلی فر 2 , قدرت الله طالب نیا 3
1 - گروه حسابداری، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران ، ایران.
2 - گروه حسابداری، دانشکده اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران.
3 - دکترای حسابداری عضئ هیئت علمی دانشگاه آزاداسلامی واحد علوم و تحقیقات تهران
کلید واژه: شبکه های عصبی مصنوعی, پیش بینی ورشکستگی, ریسک ورشکستگی,
چکیده مقاله :
در پژوهش حاضر به شناسایی عوامل موثر بر پیش بینی ورشکستگی شرکتهای ایرانی با استفاده از سیستم شبکه های عصبی مصنوعی (ANN) بر مبنای رویکرد پرسپترون چندلایه (PS) و ارائه یک مدل آماری مناسب به منظور برآورد ورشکستگی شرکتهای ایرانی، با استفاده از یافته های حاصل از اجرای شبکه ANN پرداخته شده است. در پژهش حاضر به دنبال پاسخ گویی به این پرسش هستیم که آیا عوامل سودمند در راستای پیش بینی ورشکستگی شرکتهای ایرانی توسط سیستم شبکه عصبی مصنوعی قابل شناسایی است یا خیر . جامعه آماری در تحقیق حاضر تمامی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران هستند که با لحاظ نمودن معیارهایی و به روش حذف سیستماتیک تعداد 172 شرکت از این جامعه آماری در بازه زمانی 1386 الی 1395 بعنوان نمونه در تحقیق حاضر انتخاب شده اند. به منظور انجام تحلیل های آماری در پژوهش حاضر از روش سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه استفاده شده است. یافته های حاصل از تجزیه و تحلیل داده های پژوهش نشان می دهد که سیستم ANNقادر است با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکتهای ایرانی را در سال قبل از ورشکستگی شناسایی نماید.
The aim of this research is Identification of the effective factors on bankruptcy prediction of Iranian companies by findings of artificial neural network (ANN) system based on Multilayer Perceptron Approach (PS) , and providing an appropriate statistical model for estimating the bankruptcy of Iranian companies by using the findings of The ANN implementation. we seek to answer the following question: Are we able to design a valid statistical model by using findings of artificial neural network (ANN) system to predict the bankruptcy of Iranian companies? The statistical population in this study is all of listed companies in Tehran Stock Exchange. By considering the criteria and method of systematic deletion, 172 companies from this statistical society have been selected as the sample in this research from 2007 to 2016. In order to make statistical analyzes in this study, we used from methods such as artificial neural network system based on multilevel perceptron approach, binary logistic regression, and tests such as Akaic, Schwarz, Hanan Quinn and Z wang test. The results of the analysis of the research data show that the ANN system can identify of the factors affecting on bankruptcy of Iranian companies in the year before bankruptcy by Precision equal 98%.
_||_
پيش بيني خطر ورشکستگی با استفاده از شبکه های عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه(شواهد تجربی: بورس اوراق بهادار تهران)
چکیده
زمینه: در پژوهش حاضر به شناسايي عوامل موثر بر پيش بيني ورشكستگي شركتهاي ايراني با استفاده از سيستم شبكه هاي عصبي مصنوعي (ANN) بر مبناي رويكرد پرسپترون چندلايه (PS) و ارائه يك مدل آماري مناسب به منظور برآورد ورشكستگي شركتهاي ايراني، با استفاده از يافته هاي حاصل از اجراي شبكه ANN پرداخته شده است.
هدف: در پژهش حاضر به دنبال پاسخ گويي به اين پرسش هستيم كه آيا عوامل سودمند در راستای پیش بینی ورشکستگی شرکتهای ایرانی توسط سیستم شبکه عصبی مصنوعی قابل شناسایی است يا خير .
روش‌ها: جامعه آماري در تحقيق حاضر تمامي شركتهاي پذيرفته شده در بورس اوراق بهادار تهران هستند كه با لحاظ نمودن معيارهايي و به روش حذف سيستماتيك تعداد 172 شركت از اين جامعه آماري در بازه زماني 1386 الي 1395 بعنوان نمونه در تحقيق حاضر انتخاب شده اند.
یافته‌ها: به منظور انجام تحليل هاي آماري در پژوهش حاضر از روش سيستم شبكه هاي عصبي مصنوعي بر مبناي رويكرد پرسپترون چندلايه استفاده شده است.
نتیجه‌گیری: يافته هاي حاصل از تجزيه و تحليل داده هاي پژوهش نشان مي دهد كه سيستم ANNقادر است با دقتي معادل 98 درصد عوامل تاثير گذار بر ورشكستگي شركتهاي ايراني را در سال قبل از ورشكستگي شناسايي نمايد.
واژگان کلیدی
پيش بيني ورشكستگي ، ريسك ورشكستگي، شبكه هاي عصبي مصنوعي.
1.مقدمه
يكي از عوامل بسيار مهم در دانش حسابداري و حسابرسي ، برآورد تداوم فعاليت بنگاه هاي اقتصادي مي باشد، كه اين موضوع بعنوان فرض تداوم فعاليت در دانش حسابداري نهادينه شده است (همتي،1388; شباهنگ،1390). يكي از مواردي كه تداوم فعاليت بنگاه هاي اقتصادي را مورد ترديد جدي قرار مي دهد، بالا بودن خطر ورشكستگي است. به لحاظ نظري ورشكستگي بعنوان فزوني بدهي ها نسبت به دارايي ها قابل تعريف است(رهنماي رودپشتي و همكاران،1392). سرمايه گذاران، اعتبار دهندگان و ساير استفاده كنندگان از اطلاعات حسابداري در راستاي اتخاذ تصميمات اقتصادي نيازمند اطلاعات دقيق مي باشند تا بدين طريق بتوانند تصميمات اقتصادي خود را به شيوه صحيح تري اتخاذ نمايند(كردستاني و تاتلي،1393). نياز اطلاعاتي استفاده كنندگان موجب شده است تا مهمترين هدف دانش حسابداري،تهيه اطلاعات سودمندي براي تصميم گيري باشد (شباهنگ،1390;رهنماي رودپشتي و صالحي،1392). يكي از مهمترين نيازهاي اطلاعاتي سرمايه گذاران و اعتباردهندگان(استفاده كنندگان اوليه از اطلاعات حسابداري) در راستاي اتخاذ تصميمات اقتصادي، كسب اطلاعات در زمينه ميزان ريسك ورشكستگي شركتها است،زيرا ريسك ورشكستگي يكي از عوامل تشكيل دهنده ريسك سرمايه گذاران و اعتبار دهندگان محسوب مي گردد(بلكويي،1993). و از آنجاكه بر اساس تئوري هاي نوين مالي و سرمايه گذاري˛ بين ريسك و بازده مورد انتظار رابطه اي مستقيم وجود دارد(راعي و پويان فر،1392;تهراني،1392;نيكومرام و شاهوردياني،1392)، به همين دليل سرمايه گذاران و اعتباردهندگان به منظور تعيين بازده مورد انتظار خود از بنگاه هاي اقتصادي، نيازمند برآورد ريسك هاي مختلف (از جمله ريسك ورشكستگي بنگاه هاي اقتصادي سرمايه پذير) مي باشند. به منظور برآورد ريسك ورشكستگي بنگاه هاي اقتصادي ، تاكنون مدلهاي مختلفي ارائه شده است، و نتايج حاصل از بكارگيري آنها تا حدودي متفاوت گزارش شده است. به همين دليل سرمايه گذاران و اعتبار دهندگان و ساير استفاده كنندگان از اطلاعات حسابداري همواره با چالش انتخاب مدل بهينه پيش بيني ورشكستگي مواجه بوده اند. از سوي ديگر اغلب مدلهاي طراحي شده به منظور پيش بيني ورشكستگي، توسط پژوهشگران و صاحب نظران خارجي نظير شيراتا(1989)،فالمر(2000)، اسپيرينگيت(1978)، آلتمن (1993)، زيمسكي(1984) و غيره ارائه شده است و متناسب با شرايط اقتصادي كشور ايران نمي باشد(كردستاني و تاتلي،1393). بنابراين مهمترين چالش استفاده كنندگان از اطلاعات حسابداري، پيش بيني صحيح ورشكستگي شركتهاي ايراني مي باشد تا بتوانند با استفاده از نتايج حاصل از پيش بيني هاي صورت گرفته، تصميمات اقتصادي خود را اتخاذ نمايند.
تحقيقات قبلي انجام شده در حوزه ورشكستگي(مانند: كردستاني و تاتلي،1393; مهراني و همكاران،1384; قديري مقدم و همكاران،1389) اغلب مدل هاي پيش بيني ورشستگي ارائه شده توسط محققين خارجي را در محيط اقتصادي ايران مورد بازآزمون قرار داده اند و به مقايسه اين مدلها پرداخته اند(شامل: مدلهاي شيراتا(1989)،فالمر(2000)، اسپيرينگيت(1978)، آلتمن (1993)، زيمسكي(1984) و غيره). با اين وجود شواهد تجربي چنداني پيرامون شناسايي عوامل موثر در پيش بيني ورشستگي شركتهاي ايراني با استفاده از تكنيك هاي داده كاوي (مانند شبكه هاي عصبي مصنوعي و غيره) بر اساس شرايط ايران در دسترس نيست، و در اين حوزه فقدان مطالعاتي احساس مي شود.به همين دليل شناسايي عوامل موثر در پيش بيني ورشستگي شركتها˛ با توجه به شرايط اقتصادي ايران و ارائه يك مدل آماري مناسب در اين زمينه حائز اهميت جدي مي باشد. بديهي است كه بي توجهي به موضوع پيش بيني ورشكستگي شركتهاي سرمايه پذير ايراني،موجب مي شود تا تحليل گران و ساير استفاده كنندگان از اطلاعات حسابداري به شيوه اي نامناسب (همراه با تورش) اقدام به پيش بيني بحران مالي و ورشكستگي شركتها نمايند و در تصميمات اقتصادي خود مرتكب خطا و گزينش نامناسب شوند. لذا به منظور پيشگيري از وقوع چنين مشكلاتي ضرورت دارد تا فرايند پيش بيني ورشكستگي شركتهاي ايراني بهبود يابد.
در تحقيق حاضر كوشش شده است تا با استفاده از سيستم شبكه هاي عصبي مصنوعي(ANN) بر مبناي رويكرد پرسپترون چندلايه(PS) عوامل سودمند در پيش بيني ورشكستگي شركتهاي ايراني مورد شناسايي قرار گيرد و سپس بر اساس يافته هاي حاصل از اجراي شبكه ANN، يك مدل آماري مناسب(رگرسيون باينري) به منظور بهبود فرايند پيش بيني ورشكستگي شركتهاي ايراني، و تعيين ميزان احتمال ورشكستگي اين شركتها ارائه شود. در تحقيق حاضر علاوه بر طراحي مدل آماري مبتني بر يافته هاي سيستم ANN ، به منظور تعيين اعتبار مدل نهايي با استفاده از آزمون هايي نظير معيار اطلاعاتي آكائيك، شاخص شوارتس،و شاخص حنان كوئين، آزمون Z وانگ مدل طراحي شده در تحقيق حاضر بصورت تصادفي با سه مدل مبنا شامل: مدل سي اسكوار(1987)، مدل زميجوسكي(1984) و مدل فالمر(1984) مورد مقايسه قرار گرفته است تا كارايي و اثر بخشي مدل طراحي شده در مقايسه با ساير مدلهاي طراحي شده در حوزه پيش بيني ورشكستگي مشخص شود. با توجه به مباحث پيش گفته پيرامون اقدامات صورت گرفته در تحقيق حاضر، به دنبال پاسخ گويي به پرسشهاي زير هستيم :
آيا عوامل سودمند در پيش بيني ورشكستگي شركتهاي ايراني با استفاده از سيستم شبكه هاي عصبي مصنوعي مبتني بر رويكرد پرسپترون چندلايه قابل شناسايي است یا خیر؟
1-1 مبانی نظری ˛پیشینه تحقیق و تدوین فرضیه ها
1-1-1 پیشینه تحقیقات انجام شده
صالحي و عظيمي(1395) در تحقيق خود تحت عنوان مقايسه رويكرد خطر و رويكرد سنتي به منظور پيش بيني ورشكستگي، به بررسي تطبيقي مدلهاي خطر و مدلهاي سنتي پيش بيني ورشكستگي در ارتباط با شركتهاي پذيرفته شده در بورس اوراق بهادار تهران و در بازه زماني 1390 الي 1394 پرداختند. در اين تحقيق از اطلاعات مندرج در صورتهاي مالي به منظور داده هاي ورودي مدلهاي تحقيق استفاده گرديد. نتايج اين تحقيق نشان مي دهد كه مدلهاي خطر نسبت به مدل هاي سنتي از دقت بيشتري در راستاي پيش بيني ورشكستگي برخوردار هستند.
خليفه سلطاني و اسماعيلي (1393) در تحقيق خود تحت عنوان تاثير چرخه اقتصادي بر پيش بيني ورشكستگي، به بررسي تاثير چرخه تجاري بر پايداري الگوهاي پيش بيني ورشكستگي در ارتباط با شركتهاي پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1388 الي 1392 پرداختند و در اين راستا از مدلهايي همچون يافته هاي حاصل از اين تحقيق نشان مي دهند كه چرخه تجاري شركتهاي ايراني بر كارايي و پايداري مدلها موثر بوده است .
رهنماي رودپشتي و همكاران(1392) در تحقيق خود تحت عنوان كاربرد مدل هاي آلتمن و فالمر در پيش بيني ورشكستگي شركت، به آزمون تجربي مدل هاي آلتمن و فالمر در پيش بيني ورشكستگي شركتهاي پذيرفته شده در بورس اوراق بهادار تهران در دوره زماني 1387 الي 1391 پرداختند و به اين نتيجه رسيدند كه مدل آلتمن در پيش بيني ورشكستگي شركتهاي ايراني از محافظه كاري بيشتري برخوردار است.
كرمي و سيد حسيني(1391) در تحقيق خود تحت عنوان مقايسه اطلاعات حسابداري و اطلاعات بازار در پيش بيني ورشكستگي، به مقايسه سودمندي اطلاعات حسابداري و سودمندي اطلاعات بازار در پيش بيني ورشكستگي شركتهاي فعال در بورس اوراق بهادار تهران با استفاده از الگوريتم ژنتيك و در بازه زماني 1385 الي 1390 پرداختند و به اين نتيجه رسيدند كه اطلاعات حسابداري نسبت به اطلاعات بازار در پيش بيني ورشكستگي شركتهاي ايراني سودمند تر مي باشد.
قديري مقدم و همكاران (1388) در تحقيق خود تحت عنوان كاربرد مدلهاي آلتمن و اوهلسون در پيش بيني ورشكستگي شركت، به اجراي مدلهاي آلتمن و اوهلسون در راستاي پيش بيني ورشكستگي شركتهاي پذيرفته شده در بورس اوراق بهادار تهران در دوره زماني 1383 الي 1387 پرداختند و در نهايت با استفاده از معني دار ترين متغيرهاي توضيحي(مستقل)، مدل جديدي را به منظور پيش بيني ورشكستگي شركتهاي ايراني ارائه نمودند.
تاوزانيس و همكاران(2016) در تحقيق خود تحت عنوان ارزيابي احتمال خطر ورشكستگي با استفاده از مدلهاي ساختاري، به ارزيابي احتمال ورشكستگي با استفاده از مدلهاي ساختاري و يك مدل تجربي توسعه يافته در ارتباط با شركتهاي فعال در كشور قبرس در بازه زمان 2000 الي 2015 پرداختند. در اين تحقيق از متغيرهاي مورد استفاده در مدلهاي ساختاري كه شامل نسبتهاي مختلف مالي بود بعنوان متغيرهاي توضيحي در مدل آلتمن استفاده شد و در نتيجه تحقيق مدل جديدي به منظور پيش بيني ورشكستگي شركتها ارائه گرديد.
باور و آگاروال(2013) در تحقيق خود تحت عنوان بررسي تطبيفي مدلهاي خطر و حسابداري در راستاي پيش ورشكستگي، به مقايسه دو رويكرد(رويكرد مدل هاي خطر و رويكرد حسابداري) در پيش بيني ورشكستگي شركتهاي فعال در كشور انگليس در بازه زماني ده ساله(2000 الي2010)پرداختند، و در تحقيق خود از اطلاعات مندرج در صورتهاي مالي شركتهاي انگليسي (شامل نسبتهاي مالي و ساير داده ها حسابداري) در راستاي اجراي مدلهاي مورد نظر خود استفاده كردند. نتايج اين تحقيق حاكي از آن است كه رويكرد مدلهاي خطر از رويكرد حسابداري به منظور پيش بيني ورشكستگي شركتها سودمندتر است .
آگاروال و تافلر(2008)در تحقيق خود تحت عنوان پييش بيني ورشكستگي شركتها با استفاده از اطلاعات حسابداري، به كاربرد اطلاعات حسابداري در راستاي پيش بيني ورشكستگي شركتهاي فعال در كشور انگليس با استفاده از مدل آلتمن در بازه زماني 20 ساله (1985 الي 2005)، پرداختند و به اين نتيجه رسيدند كه اطلاعات حسابداري مندرج در صورتهاي مالي شركتها (شامل : داراييها، بدهي ها، حقوق صاحبان سرمايه و غيره) به دليل اينكه بر اساس محافظه كاري تهيه شده اند و ارزش هاي واقعي خود فاصله دارند در پيش بيني ورشكستگي سودمند نمي باشند.
بارث و شام وي(2004) در تحقيق خود تحت عنوان پيش بيني بحران مالي با استفاده از مدل مرتن، به ارزيابي مدل مرتن در راستاي پيش بيني بحران مالي شركتهاي فعال در كشور آمريكا در بازه زماني ده ساله (1992 الي 2002) پرداختند. متغيرهاي مورد استفاده توسط اين محققين در راستاي بكارگيري مدل مرتن شامل نسبتهاي مالي مستخرج از صورتهاي مالي شركتهاي آمريكايي بود. نتايج اين تحقيق حاكي از آن است كه مدل مرتن تا حد زيادي مي تواند ريسك نكول وام را پيش بيني نمايد اما يك شاخص كامل به منظور پيش بيني بحران مالي محسوب نمي شود.
چاوا و جارو (2004) در تحقيق خود تحت عنوان اثر نوع صنعت در پيش بيني ورشكستگي، به ارزيابي مدلهاي شام وي(2001)، مدل آلتمن(1968) و مدل زيمسكي(1984) در راستاي پيش بيني ورشكستگي شركتهاي فعال دركشور آمريكا در دوره زماني 1969 الي 1999 پرداختند و به اين نتيجه رسيدند كه نوع صنعت در پيش بيني ورشكستگي شركتها نقش مهمي را ايفا مي كند. همچنين مدل شام وي(2001) نسبت به مدلهاي آلتمن(1968) و زيمسكي(1984) با دقت بيشتري احتمال خطر ورشكستگي شركتهاي آمريكايي را پيش بيني مي كند.
1-2 تدوین فرضیه های تحقیق
ویلیام بیور معتقد است"پیش بینی بدون اخذ تصمیم امکان پذیر است، ولی کوچکترین تصمیم گیری را نمیتوان بدون پیش بینی انجام داد".یکی از مهمترین ابزارهائی که امروزه در جهت پیش بینی وضعیت آینده شرکتها استفاده می شود الگوهای پیش بینی می باشد.با استفاده از این الگوهااعتبار دهندگان،سرمایه گذران و مدیران شرکتها، قادر خواهند بود ورشکستگی شرکتها را چند سال قبل از وقوع آن پیش بینی کنند و با توجه به نتایج حاصل از این الگوها اقدامات لازم را جهت جلوگیری از ضرر و زیان اتخاذ کنند و فرصتهای مطلوب سرمایه گذاری را از فرصتهای نامطلوب تشخیص دهند و منابع خود را صرف فرصتهای مطلوب سرمایه گذاری کنند. شواهد بدست آمده از تحقیقات قبلی نشان داده اند که شبکه عصبی مصنوعی˛ رویکردی قدرتمند را در راستای شناسایی عوامل پیش بینی می باشد. بطور خاص یافته های حاصل از تحقیقات داده کاوی نشان می دهند که دقت شبکه های عصبی مصنوعی در شناسایی عوامل سودمند در راستای پیش بینی یک رویداد ˛ بالا می باشد. بنابراین استدلال نظری تحقیق حاضر این است که شبکه های عصبی مصنوعی می تواند عوامل سودمند در راستای پیش بینی ورشکستگی شرکتها را مورد شناسایی قرار دهد. با توجه به استدلال فوق˛ فرضیه تحقیق حاضر به شرح زیر تدوین می شود:
" عوامل سودمند در پيش بيني ورشكستگي شركتهاي ايراني با استفاده از سيستم شبكه هاي عصبي مصنوعي مبتني بر رويكرد پرسپترون چندلايه قابل شناسايي است"
2.روش تحقیق
2-1.جامعه آماری و نمونه تحقیق
جامعه آماری تحقیق حاضر تمامی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران تا پایان سال 1395 می باشد˛ که با استفاده از روش حذف سیستماتیک جامعه فوق در دوره زمانی تحقیق(1386 الی 1395) مورد همگن سازی قرار گرفته است و در نهایت از جامعه آماری همگن شده بعنوان نمونه تحقیق استفاده شده است. با توجه به جدول 1 همانطور که ملاحظه می گردد تعداد نمونه نهایی تحقیق بالغ بر 172 شرکت است که از آن بعنوان نمونه در تحقیق حاضر استفاده شده است. همچنین تعداد مشاهدات تحقیق در ارتباط با هر متغیر برابر با 1376 سال-شرکت(172*10 سال) می باشد.
جدول 1: غربالگری جامعه آماری به روش حذف سیستماتیک
تعدادکل شرکتهای پذیرفته شده دربورس درپایان سال 1395 | 488 |
معیارها: |
|
تعداد شرکتهایی که درقلمروزمانی 95-86در بورس فعال نبوده اند | (170) |
تعداد شرکتهایی بعدازسال86در بورس پذیرفته شده اند | (34) |
تعدادشرکتهایی كه جزهلدینگ، سرمایهگذاریها، واسطه گریهای مالی، بانک‌ها و یا لیزینگها بودهاند | (50) |
تعدادشرکتهایی که در قلمرو زمانی تحقیق تغيير سال مالي داده و یا سال مالي آن منتهی به پایان اسفند نمیباشد | (52) |
تعدادشرکتهایی که درقلمرو زمانی تحقیق اطلاعات مورد آنها دردسترس نمیباشد | (10) |
تعداد شرکتهای نمونه | 172 |
2-2.مدل تحقیق به منظور آزمون فرضیه ها(معرفی شبکه عصبی مصنوعی)
شبکه‌های عصبی مصنوعی سیستم‌ها و روش‌های محاسباتی نوین برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش به دست آمده در جهت بیش‌بینی پاسخ‌های خروجی از سامانه‌های پیچیده هستند. ایده اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش داده‌ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است.
این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس‌ها)ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. در این شبکه‌ها اگر یک سلول آسیب ببیند، بقیه سلول‌ها می‌توانند نبود آنرا جبران کرده، و نیز در بازسازی آن سهیم باشند. این شبکه‌ها قادر به یادگیری‌اند. مثلاً با اعمال سوزش به سلول‌های عصبی لامسه، سلول‌ها یادمی‌گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می‌آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم‌ها به صورت تطبیقی صورت می‌گیرد، یعنی با استفاده ازمثال‌ها وزن سیناپس‌ها به گونه‌ای تغییر می‌کند که در صورت دادن ورودی‌های جدید، سیستم پاسخ درستی تولید کند.
به منظور آزمون فرضيه تحقيق حاضر كه مربوط به امكان سنجي اجراي سيستم ANN در راستاي شناسايي عوامل سودمند در پيش بيني ورشكستگي شركتهاي ايراني است از سيستم ANN با رويكرد پرسپترون چندلايه استفاده شده است. علت استفاده از سيستم ANN به منظور شناسايي عوامل موثر در پيش بيني ورشكستگي شركتهاي ايراني ، ماهيت داده كاوي اين سيستم و محدود نبودن آن به پيش فرض ها و پيش شرط هاي روشهاي آماري و رياضيات است. شكل زير نشان دهنده يك سيستم شبكه عصبي پيشخور(پرسپترون چندلايه) مي باشد كه از سه قسمت شامل: نرون هاي ورودي، نرون هاي پنهان و نرون هاي خروجي تشكيل شده است.
شکل زیر نشان دهنده مدل کلی یک شبکه عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه است.
2-3. متغیرهای تحقیق و نحوه اندازه گیری آنها
2-3-1. معرفی نرون های ورودی به شبکه (عوامل پیش بینی)
بكارگيري و اجراي سيستم شبكه هاي عصبي مصنوعي(ANN)، نيازمند بكارگيري متغيرهاي مختلفي بعنوان لايه هاي ورودي مي باشد. در اين راستا به پيروي از تحقيقات قبلي انجام شده تعداد 22 متغير (عامل پيش بيني) بعنوان لايه هاي(نرون ها) ورودي در نظر گرفته شده اند. فهرست اين متغيرها و نحوه اندازه گيري آنها به شرح جدول 3-2 مي باشد.
جدول 2: متغيرهاي تحقيق و شيوه اندازه گيري آنها
متغير | نماد | نقش متغير | منبع |
متغير مصنوعي ورشكستگي | BAN | وابسته (رگرس شونده) | آلتمن(1968) و قانون ورشكستگي ايران |
سرمايه در گردش به كل دارايي | F1 | مستقل(عامل پيش بيني) | آلتمن(1968) |
سود عملياتي به كل دارايي | F2 | مستقل(عامل پيش بيني) | آلتمن(1968) |
فروش به كل دارايي | F3 | مستقل(عامل پيش بيني) | آلتمن(1968) |
ارزش بازار سهام به كل بدهي | F4 | مستقل(عامل پيش بيني) | آلتمن(1968) |
بدهي جاري به كل دارايي | F5 | مستقل(عامل پيش بيني) | فالمر(1984) |
سود خالص به كل دارايي | F6 | مستقل(عامل پيش بيني) | زميجوسكي(1984) |
جريان نقد عملياتي به كل دارايي | F7 | مستقل(عامل پيش بيني) | اوهلسون(1980) |
كل بدهي به كل دارايي | F8 | مستقل(عامل پيش بيني) | زميجوسكي(1984) |
فروش به بدهي جاري | F9 | مستقل(عامل پيش بيني) | زميجوسكي(1984) |
سود تقسيمي به كل دارايي | F10 | مستقل(عامل پيش بيني) | فالمر(1984) |
جريان نقد عملياتي به كل بدهي | F11 | مستقل(عامل پيش بيني) | فالمر(1984) |
بدهي جاري به كل دارايي | F12 | مستقل(عامل پيش بيني) | فالمر(1984) |
سرمايه در گردش به كل بدهي | F13 | مستقل(عامل پيش بيني) | فالمر(1984) |
سود عملياتي به هزينه بهره | F14 | مستقل(عامل پيش بيني) | فالمر(1984) |
ارزش ويژه به كل دارايي | F15 | مستقل(عامل پيش بيني) | سي اسكوار(1987) |
هزينه بهره به كل دارايي | F16 | مستقل(عامل پيش بيني) | سي اسكوار(1987) |
سود عملياتي به فروش | F17 | مستقل(عامل پيش بيني) | گرايس(1998) |
دارايي جاري به بدهي جاري | F18 | مستقل(عامل پيش بيني) | گرايس(1998) |
دارايي سريع به بدهي جاري | F19 | مستقل(عامل پيش بيني) | گرايس(1998) |
ارزش بازار سهام به ارزش ويژه | F20 | مستقل(عامل پيش بيني) | گرايس(1998) |
ريسك سيستماتيك | F21 | مستقل(عامل پيش بيني) | گرايس(1998) |
لگاريتم سن شركت | F22 | مستقل(عامل پيش بيني) | گرايس(1998) |
به منظور عملياتي نمودن متغير ورشكستگي در تحقيق حاضر به پيروي از آلتمن(1968)، زميجوسكي(1984)، فالمر (1984)، سي اسكوار(1987)، گرايس(1998) از يك متغير مصنوعي با مقدار صفر و يك استفاده شده است. بدين ترتيب چنانچه شركت مورد نظر در دوره t+1 ورشكسته باشد، متغير ورشكستگي براي آن شركت برابر با يك(ban=1) و در غير اينصورت برابر با صفر (ban=0) خواهد بود. به منظور تشخيص شركتهاي ورشكسته نيز از ماده 141 قانون تجارت استفاده شده است. بر اساس ماده 141 قانون تجارت شركت ورشكسته شركتي است كه زيان انباشته آن حداقل برابر با 50 درصد ارزش دفتري جمع حقوق صاحبان سهام باشد(حاجيها،1394;نيكبخت و شريفي،1389).
3.یافته های تحقیق
3-1.آمار توصیفی و ماتریس همبستگی پیرسون
در اين قسمت به ارائه آماره هاي توصيفي شامل : ميانگين، ميانه ، بيشترين مقدار، كمترين مقدار، انحراف استاندارد، ضريب چولگي، ضريب كشيدگي و تعداد مشاهدات در ارتباط با متغيرهاي تحقيق پرداخته شده است. با توجه به جدول 3 همانطور كه ملاحظه مي شود: آماره ميانگين در ارتباط با متغير BAN برابربا 0,03، در ارتباط با متغير F1برابر با 0,64، در ارتباط با متغير F2برابر با0,15 ، در ارتباط با متغير F3برابر با 0,87، در ارتباط با متغير F4برابر با 2,03، در ارتباط با متغير F5 برابر با 0,53، در ارتباط با متغير F6برابر با 0,12، در ارتباط با متغير F7برابر با 0,13، در ارتباط با متغير F8 برابر با 0,61، در ارتباط با متغير F9برابر با 0,87، در ارتباط با متغير F10برابر با0,06 ، در ارتباط با متغير F11 برابر با 0,27، در ارتباط با متغير F12برابر با 0,53، در ارتباط با متغير F13برابر با 1,20، در ارتباط با متغير F14 برابر با 186 ، در ارتباط با متغير F15برابر با 0,39، در ارتباط با متغير F16برابر با 0,03، در ارتباط با متغير F17 برابر با 0,17، در ارتباط با متغير F18برابر با 1,40، در ارتباط با متغير F19برابر با 0,87، در ارتباط با متغير F20 برابر با 2 ، در ارتباط با متغير F21برابر با 0,68، در ارتباط با متغير F22برابر با 3,47، مي باشد.
جدول3: آمار توصيفي براي متغيرهاي تحقيق
متغير | نماد | ميانگين | ميانه | بيشترين مقدار | كمترين مقدار | انحراف استاندارد | ضريب چولگي | ضريب كشيدگي | تعداد مشاهدات |
متغير مصنوعي ورشكستگي | BAN | 0,03 | 0,00 | 1,00 | 0,00 | 0,17 | 5,49 | 31,11 | 1720 |
سرمايه در گردش به كل دارايي | F1 | 0,64 | 0,68 | 0,98 | 0,07 | 0,20 | -0,66 | 2,72 | 1720 |
سود عملياتي به كل دارايي | F2 | 0,15 | 0,13 | 0,67 | -0,64 | 0,13 | 0,44 | 5,35 | 1720 |
فروش به كل دارايي | F3 | 0,87 | 0,78 | 5,14 | 0,00 | 0,50 | 2,30 | 13,32 | 1720 |
ارزش بازار سهام به كل بدهي | F4 | 2,03 | 1,09 | 34,58 | 0,00 | 2,89 | 4,40 | 31,82 | 1720 |
بدهي جاري به كل دارايي | F5 | 0,53 | 0,53 | 1,37 | 0,06 | 0,19 | 0,15 | 3,00 | 1720 |
سود خالص به كل دارايي | F6 | 0,12 | 0,10 | 0,64 | -0,79 | 0,13 | 0,40 | 6,12 | 1720 |
جريان نقد عملياتي به كل دارايي | F7 | 0,13 | 0,11 | 1,82 | -0,34 | 0,14 | 1,61 | 16,91 | 1720 |
كل بدهي به كل دارايي | F8 | 0,61 | 0,62 | 2,08 | 0,09 | 0,20 | 0,48 | 5,91 | 1720 |
فروش به بدهي جاري | F9 | 0,87 | 0,78 | 5,14 | 0,00 | 0,50 | 2,30 | 13,32 | 1720 |
سود تقسيمي به كل دارايي | F10 | 0,06 | 0,03 | 0,71 | 0,00 | 0,08 | 2,83 | 14,44 | 1720 |
جريان نقد عملياتي به كل بدهي | F11 | 0,27 | 0,18 | 4,10 | -1,67 | 0,39 | 2,73 | 17,41 | 1720 |
بدهي جاري به كل دارايي | F12 | 0,53 | 0,53 | 1,37 | 0,06 | 0,19 | 0,15 | 3,00 | 1720 |
سرمايه در گردش به كل بدهي | F13 | 1,20 | 1,10 | 9,84 | 0,09 | 0,76 | 3,94 | 30,70 | 1720 |
سود عملياتي به هزينه بهره | F14 | 186,29 | 4,11 | 146283 | -325 | 4089,02 | 31,86 | 1077 | 1720 |
ارزش ويژه به كل دارايي | F15 | 0,39 | 0,38 | 0,91 | -1,08 | 0,20 | -0,47 | 5,90 | 1720 |
هزينه بهره به كل دارايي | F16 | 0,03 | 0,03 | 0,23 | 0,00 | 0,03 | 1,85 | 8,33 | 1720 |
سود عملياتي به فروش | F17 | 0,17 | 0,16 | 0,97 | -21,58 | 0,56 | -33,67 | 1298,2 | 1720 |
دارايي جاري به بدهي جاري | F18 | 1,40 | 1,22 | 13,15 | 0,18 | 0,94 | 4,83 | 41,58 | 1720 |
دارايي سريع به بدهي جاري | F19 | 0,87 | 0,77 | 9,80 | 0,06 | 0,70 | 5,42 | 50,35 | 1720 |
ارزش بازار سهام به ارزش ويژه | F20 | 2,00 | 1,85 | 121,51 | -154,32 | 7,29 | -8,4 | 286,86 | 1720 |
ريسك سيستماتيك | F21 | 0,68 | 0,49 | 40,61 | -17,84 | 2,16 | 8,52 | 151,47 | 1720 |
لگاريتم سن شركت | F22 | 3,47 | 3,61 | 4,16 | 1,39 | 0,45 | -0,95 | 3,47 | 1720 |
3-2. اجرای شبکه عصبی مبتنی بر سیستم پرسپترون چندلایه
به منظور آزمون فرضيه تحقیق و در راستاي شناسايي عوامل با اهميت، در راستاي پيش بيني ورشكستگي شركتهاي ايراني از سيستم شبكه هاي عصبي مصنوعي مبتني بر رويكرد پرسپترون چند لايه استفاده شده است . يافته هاي حاصل از اجراي شبكه هاي عصبي مصنوعي بر مبناي رويكرد پرسپترون چندلايه در جدول 4 گزارش شده است. با توجه به جدول 4 همانطور كه ملاحظه مي گردد، سيستم شبكه هاي عصبي مصنوعي با رويكرد پرسپترون چندلايه، با قدرت 0.98 توانسته است ورشكستگي شركتهاي نمونه را مورد پيش بيني قرار دهد. طبق يافته هاي حاصل از اجراي شبكه ، از ميان عوامل مورد بررسي (22 عامل پيش بيني)، 9 عامل داراي بيشترين ضريب اهميت بوده اند كه به ترتيب عبارتند از : 1-نسبت سود خالص به كل دارايي (F6) ، 2-نسبت جريان نقد عملياتي به كل بدهي (F11) ، 3-نسبت ارزش ويژه به كل دارايي (F15) ، 4-نسبت سود عملياتي به كل دارايي (F2) ، 5-نسبت ارزش بازار حقوق صاحبان سهام به ارزش ويژه شركت (F20)، 6-نسبت فروش به بدهي جاري شركت (F9) ، 7-نسبت بدهي جاري شركت به كل دارايي (F12) ، 8-نسبت دارايي جاري شركت به بدهي جاري(F18) ، 9-نسبت سود عملياتي شركت به هزينه بهره (F14). شبكه عصبي مصنوعي مبتني بر رويكرد پرسپترون چند لايه يكي از روشهاي اصلي داده كاوي(استخراج دانش از داده ) مي باشد، كه محدوديت هاي مربوط به روشهاي آماري و اقتصاد سنجي برخوردار نيست و با دقت بيشتري مي تواند عوامل سودمند در راستاي پيش بيني يك متغير را مورد شناسايي قرار دهد. در تحقيق حاضر كوشش شد تا با استفاده از اجراي شبكه عصبي مصنوعي بر مبناي رويكرد پرسپترون چندلايه، عوامل سودمند براي پيش بيني ورشكستگي 1720 مشاهده (سال-شركت) مورد شناسايي قرار گيرد. يافته هاي حاصل از اجراي شبكه نشان مي دهد كه رويكرد پرسپترون چند لايه با قدرت 98 درصد مي تواند عوامل موثر در راستاي پيش بيني ورشستگي را شناسايي كند. بنابراين فرضيه تحقيق حاضر كه بيان مي كند: " عوامل سودمند در پيش بيني ورشكستگي شركتهاي ايراني با استفاده از سيستم شبكه هاي عصبي مصنوعي مبتني بر رويكرد پرسپترون چندلايه قابل شناسايي است" مورد تاييد قرار مي گيرد. به عبارت ديگر در ارتباط با فرضيه تحقيق H0 را مي توان رد نمود.
جدول 4 : يافته هاي حاصل از اجراي شبكه عصبي مصنوعي(مبتني بر رويكرد پرسپترون چندلايه)/ متغير وابسته : BAN
تعداد لايه هاي ورودي | 22 | دقت پيش بيني شبكه | 0.98 |
تعداد لايه هاي پنهان | 8 | خطاي آنتروپي شبكه | 0.29 |
تعداد لايه هاي خروجي | 2 | تعداد داده هاي آموزش شبكه | 1215(0.70) |
تعداد مشاهدات بكاررفته | 1720 | تعداد داده هاي آزمون شبكه | 505(0.30) |
شكل 1: لايه هاي ورودي، لايه هاي پنهان و لايه هاي خروجي پس از آموزش و اجراي شبكه
جدول 5 : ضريب اهميت عوامل پيش بيني بر اساس تشخيص شبكه
عوامل پيش بيني | ضريب اهميت | ضريب اهميت استاندارد شده | رتبه بندي ضرايب اهميت بالاي 50 درصد |
F1 | .013 | 12.5% | - |
F10 | .022 | 21.4% | - |
F13 | .033 | 32.2% | - |
F16 | .030 | 29.6% | - |
F17 | .024 | 23.4% | - |
F19 | .029 | 28.6% | - |
F21 | .033 | 31.9% | - |
F22 | .011 | 10.8% | - |
F3 | .045 | 44.3% | - |
F4 | .020 | 19.5% | - |
F5 | .007 | 7.0% | - |
F7 | .034 | 33.4% | - |
F8 | .015 | 14.7% | - |
F6 | .103 | 100.0% | 1 |
F11 | .088 | 85.8% | 2 |
F15 | .084 | 81.6% | 3 |
F2 | .077 | 75.3% | 4 |
F20 | .076 | 74.2% | 5 |
F9 | .072 | 70.6% | 6 |
F12 | .066 | 64.5% | 7 |
F18 | .064 | 62.6% | 8 |
F14 | .052 | 50.9% | 9 |
شكل2: نمودار رتبه بندي اهميت عوامل پيش بيني ورشكستگي توسط شبكه
4.نتیجه گیری و بحث
پرسش پژوهشی تحقیق حاضر این است که آیا با استفاده از سیستم شبکه عصبی مصنوعی مبتنی بر رویکرد پرسپترون چندلایه می توان عوامل سودمند در راستای پیش بینی ورشکستگی شرکتهای فعال در بورس اوراق بهادار تهران را پیش بینی نمود با خیر. در راستای پاسخ گویی به پرسش فوق در تحقیق حاضر از سيستم شبكه هاي عصبي مصنوعي بر مبناي رويكرد پرسپترون چندلايه استفاده شد. تعداد مشاهدات مورد استفاده به منظور اجراي شبكه 1720 مشاهده (سال-شركت) بود كه از اين مقدار 70 درصد(1215مشاهده) به آموزش شبكه و 30 درصد (505 مشاهده) به آزمون شبكه اختصاص يافت . همچنين تعداد لايه هاي ورودي شبكه 22 مورد ، تعداد لايه هاي پنهان، 8 مورد و تعداد لايه هاي خروجي شبكه 2 مورد بوده است. يافته هاي حاصل از اجراي شبكه نشان مي دهد كه رويكرد پرسپترون چندلايه با توان 98 درصد قادر است ورشكستگي شركتهاي ايراني را يكسال قبل از وقوع مورد پيش بيني قرار دهد. يافته هاي حاصل از اجراي شبكه نشان مي دهد كه از ميان عوامل مورد بررسي (22 عامل پيش بيني)، 9 عامل داراي بيشترين ضريب اهميت بوده اند كه به ترتيب عبارتند از : 1-نسبت سود خالص به كل دارايي (F6) ، 2-نسبت جريان نقد عملياتي به كل بدهي (F11) ، 3-نسبت ارزش ويژه به كل دارايي (F15) ، 4-نسبت سود عملياتي به كل دارايي (F2) ، 5-نسبت ارزش بازار حقوق صاحبان سهام به ارزش ويژه شركت (F20)، 6-نسبت فروش به بدهي جاري شركت (F9) ، 7-نسبت بدهي جاري شركت به كل دارايي (F12) ، 8-نسبت دارايي جاري شركت به بدهي جاري(F18) ، 9-نسبت سود عملياتي شركت به هزينه بهره (F14). با توجه به يافته هاي حاصل از اجراي سيستم شبكه عصبي مصنوعي مي توان چنين نتيجه گيري نمود كه ، سيستم شبكه هاي عصبي مصنوعي بر مبناي رويكرد پرسپترون چندلايه(بعنوان يكي از روشهاي داده كاوي)، روشي قدرتمند در راستاي تعيين عوامل موثر بر ورشكستگي شركتهاي ايراني محسوب مي گردد و مي توان با استفاده از آن عوامل تاثير گذار بر ورشكستگي را در يكسال قبل از ورشكستگي شناسايي نمود و به كمك اين عوامل بحران مالي شركتهاي سرمايه پذير را تشخيص داد و بدين ترتيب با آگاهي بيشتر اقدام به اتخاذ تصميم اقتصادي نمود.
يافته هاي حاصل از آزمون اين فرضيه با يافته هاي بدست آمده از تحقيقات والاس(2004)، آدام و شاردا(1994)، آدام و ويلسون (1990)، نيكبخت و شريفي(1389)، مطابقت دارد. زيرا اين محققين در تحقيقات خود به اين نتيجه رسيده اند كه شبكه هاي عصبي مصنوعي رويكردي سودمند در راستاي پيش بيني درماندگي مالي و ورشكستگي محسوب مي گردد.
فهرست منابع
اکبری، ف،1378،" تجزیه و تحلیل صورت های مالی،سازمان حسابرسی"، نشریه 129
تاتلي، رشيد (1392)، ارزيابي توان پيش بيني مدلهاي ورشكستگي، پايان كارشناسي ارشد به راهنمايي دكتر غلامرضا كردستاني ، دانشگاه آزاد اسلامي واحد قزوين.
جعفری ،خ ،1387، " کاربرد مدل زاوگین برای پیش بینی ورشکستگی شرکت های پذیرفته شده در بورش اوراق بهادار تهران" رساله کارشناسی ارشد رشته حسابداری دانشگاه آزاد اسلامی واحد تهران جنوب
خاکی، غ،ر، 1375، "روش تحقیق با رویکردی به پایان نامه نویسی"، انتشارات بازتاب، چاپ هشتم، ص429-1.
خليفه سلطاني، سيد احمد و فاطمه اسماعيلي(1393)، تاثير چرخه تجاري بر پايداري مدلهاي پيش بيني ورشكستگي، مجله پژوهشهاي تجربي حسابداري،شماره 13، سال چهارم ، صص 1-22.
رسول زاده، م ،1378، "بررسی کاربرد الگوی آلتمن برای تعیین وضعیت ورشکستگی صنایع فلزات اساسی"، پایان نامه تحصیلی دانشگاه آزاد تهران مرکز
رهنمای رود پشتی، م،1388،" بررسی الگوی آلتمن برای پیش بینی ورشکستگی پذیرفته شده در بورس اوراق بهادار تهران"، دانشگاه آزاد تهران مرکز.
رهنماي رودپشتي، فريدون و راضيه عليخاني (1392)، بررسي كاربرد مدلهاي پيش بيني ورشكستگي آلتمن و فالمر در شركتهاي پذيرفته شده در بورس اوراق بهادار تهران ، مجله بررسي هاي حسابداري و حسابرسي، شماره 15، سال پنجم ، صص 19-34.
سرمد، ز. و همکاران،1381، "روش تحقیق در علوم رفتاری"، تهران ، نشر آگاه.
سلیمانی امیری، غ،ر ، 1381،" بررسی پیش بینی کننده ورشکستگی در شرایط تهران"، ص 280
شباهنگ ، رضا (1390)، تئوري حسابداري،جلد اول، تهران : انتشارات سازمان حسابرسي.
صالحي، نازنين و مجيد عظيمي (1395)، بررسي تطبيقي مدلهاي خطر و مدلهاي سنتي براي پيش بيني ورشكستگي، فصلنامه حسابداري مالي ، شماره 30، سال هشتم ، صص 94-121.
صفري، ع، 1381،"ارتباط نسبتهاي مالي و تداوم فعاليت شركتها"، پايان‌نامه تحصيلي، دانشگاه علامه طباطبايي
فغاني‌نرم، م،1380،" ارتباط بين نسبتهاي مالي و پيش‌بيني ورشكستگي"، پايان‌نامه تحصيلي، دانشگاه علامه طباطبايي.
قديري مقدم ، ابوالفضل (1388)، بررسي توانايي مدلهاي پيش بيني ورشكستگي آلتمن و اولسون ، مجله دانش و توسعه، شماره 28، سال 16، صص 197-219.
کمیته فنی سازمان حسابرسی، استاندارد های بین المللی، نشریه 88 سـازمان حسـابرسـی، ص 36-20.
کمیته فنی سازمان حسابرسی، سال (1381)، ص 481
کمیته فنی سازمان حسابرسی، نشریه 124 سازمان حسابرسی، استاندارد شماره 57.
كرمي، غلامرضا و مصطفي سيد حسيني (1391)، سودمندي اطلاعات حسابداري نسبت به بازار در پيش بيني ورشكستگي، مجله دانش حسابداري ،شماره 10، سال سوم ، صص 22-38.
معتمدالشريعتي، س، ن ،1380،" تأثير تجربه بر استفاده از شواهد نامربوط در قضاوت حسابرسان از تداوم فعاليت"، پايان‌نامه تحصيلي، دانشگاه علامه طباطبايي.
منصفي، ي ،1384، "بررسي كاربردي مدلهاي پيش بيني ورشكستگي zmigeski, shirata در شركتهاي پذيرفته در بورس اوراق بهادار تهران"،دانشگاه آزاد تهران مركز
منصور ، ج ، سال 1379 ، "مجموعه قوانين تحارت" ، تهران ، انتشارات ديدار
همتي، حسن (1388)، حسابداري ميانه 1 ، تهران : انتشارات ترمه .
Agarwal, V & R, Taffler (2008); "Comparing the Performance of Market-based and Accounting-Based Bankruptcy Prediction Models", Journal of Banking and Finance, 32 (8): 1541– 1551.
Agarwal, V, R & J, Taffler (2007); "Twenty-five years of the Taffler Z-Score Model: does it really have Predictive Ability?" Accounting and Business Research, 37 (4), 285–300.
Altman, E & I, September (1968); "Financial ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", Journal ofFinance, 23 (4):589- 609
Altman, E., ,(1968),."Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy". Journal of finance 23, 589-609
Basu, S. ,(1997)," The conservatism principle and the asymmetric timeliness of earnings", Journal of Accounting and Economics, 24, pp. 337
Bauer, J & V, Agarwal (2013); "Are Hazard Models Superior to Traditional Bankruptcy Prediction Approaches? A Comprehensive Test", Journal of Banking & Finance, 40 (2014): 432– 442.
Bharath, S.T & Shumway (2008); "Forecasting Default with the Merton Distance to Default Model".Review of Financial Studies. 21 (3): 1339–1369 Brian N.Gibson, ,(1998), ".Bankruptcy prediction":The Hidden impact of derivatives. April 15Acct.5341.pp 2-6.
Gary C. Biddle, Mary L. Ma*, Frank M. Song, (2010), “Accounting Conservatism and Bankruptcy Risk". Faculty of Business and EconomicsThe University of Hong Kong
Givoly, D. and Hayn, C. ,(2000), "The changing time-series properties of"
Newton G.W. ,(1998),"Bankruptency accounting practice and procedure"; l : wiley , 21-41
Ohelson, J.A., ,(1968), "Financial Ratios, Discriminant Analaysis and the prediction of Corporate Bankgruptcy".Journal of Finance 23,589-609.
Qiang, X. ,(2007), "The effects of contracting, litigation", regulation, and tax
Taoushianis, Z, Charalambous, C, &Martzoukos, S, H (2016);"Assessing Bankruptcy Probability with Alternative Structural Models and an Enhanced Empirical Model", EFM Journal, 22(2): 1-47.
Zhang, J., ,(2008), "The Contracting Benefits of Accounting Conservatism to Lenders
Zmijewski, M.E., ,(1984), "Methodological issues related to the estimation of financial distress prediction Models". Journal of Accounting Research 22, 59-82.
Altman, E.I., (1968), "Financial ratios, discriminant analysis and the Prediction of corporate bankruptcy", The Journal of Finance, 23 (4), 589609-.
Altman, E.I., (2006), "Corporate Financial Distress and Bankruptcy", John Wiley & Sons, Inc. Third Edition, 93 – 94.
Beaver, W. H., (1966), "Financial ratios as predictors of failure", Journal of Accounting Research, 4, Empirical Research in Accounting: Selected Studies, (Supplement), 71111-.
Bellovary, J., Giacomino, D., Akers. M (Winter 2007), "A Review of Bankruptcy Prediction Studies: 1930 to Present", Journal of Financial Education, Volume 33.
Kouki, M., Elkhaldi, A., (2011), "Toward a Predicting Model of Firm Bankruptcy: Evidence from the Tunisian Context", Middle Eastern Finance and Economics, 14, 26 – 43
Newton, Grant w., (2010), "Bankruptcy and Insolvency Accounting" practice and procedure", Volume1, John Wiley & Sons, Inc. 2146-.
Zmijewski, M.E. (1984), "Methodological Issues Related to the Estimation of Financial Distress Prediction Models", Journal of Accounting Research, Vol. 24(supplement), 5982-.
The Future of Bankruptcy Risk Investigation Using Artificial Neural Networks Based on Multilayer Perceptron Approach (Empirical Evidence: Tehran Stock Exchange)
Abstract
The aim of this research is Identification of the effective factors on bankruptcy prediction of Iranian companies by findings of artificial neural network (ANN) system based on Multilayer Perceptron Approach (PS) , and providing an appropriate statistical model for estimating the bankruptcy of Iranian companies by using the findings of The ANN implementation. we seek to answer the following question: Are we able to design a valid statistical model by using findings of artificial neural network (ANN) system to predict the bankruptcy of Iranian companies? The statistical population in this study is all of listed companies in Tehran Stock Exchange. By considering the criteria and method of systematic deletion, 172 companies from this statistical society have been selected as the sample in this research from 1386 to 1395. In order to make statistical analyzes in this study, we used from methods such as artificial neural network system based on multilevel perceptron approach, binary logistic regression, and tests such as Akaic, Schwarz, Hanan Quinn and Z wang test. The results of the analysis of the research data show that the ANN system can identify of the factors affecting on bankruptcy of Iranian companies in the year before bankruptcy by Precision equal 98%.
Keywords
Bankruptcy Prediction, Bankruptcy Risk, Artificial Neural Networks.