مقاله درباره ورشکستگی، الگوریتم ژنتیک، پیش بینی ورشکستگی، نسبت های مالی

دانلود پایان نامه ارشد

ع آن به افزایش احتمال ورشکستگی و عدم پرداخت اصل و بهره وام منجر می شود. مخصوصا در مورد شرکت های که از نظر موقعیت مالی در وضعیت مطلوبی به سر نمی برند، استفاده بیش از حد از بدهی های بلند مدت میزان تعهدات شرکت را سنگین تر کرده و باعث افزایش ریسک مالی و ورشکستگی سهامداران می شود ،و این وضعیت تقاضا برای سهام شرکت در بورس کاهش می یابد که این امر خود باعث کاهش قیمت سهام و درنتیجه کاهش بازده سهام می شود.(ایزدی نیاو رحیمی دستجردی،1388)
دوما هر قدر نسبت وام بیشتر شود ریسک بالاتر خواهد رفت و به تبع آن نرخ بازده مورد انتظار اعتبار دهندگان و نرخ هزینه وام ها نیز افزایش می یابد که این امر می تواند مزیت ناشی از معافیت های مالیاتی را تحت الشعاع قرار دهد(پارسیان،1382).بنابراین شرکت های که از اهرم مالی بیشتری در ساختار سرمایه ی خود استفاده می نمایند.با احتمال بیشتری با بحران مالی مواجه خواهند شد.

2-4-5- اندازه
اندازه شركت ها يا بزرگي و كوچكي آن ها غالباً از طريق ميزان دارايي هاي يك شركت اندازه گيري مي شود. اندازه شركت ها، عامل موثري بر ريسك و بازده و ديگر متغيرهاي اصلي يك شركت است، هنگامي كه اندازه يك شركت بزرگ باشد، گروه هاي متعددي سهام دار شركت خواهند بود و از اين رو نقدينگي معاملات سهام چنين شركتي بيش از شركت هايي كوچك خواهد بود. تنوع محصولات شركت بزرگ عموماً بيش تر از شركت ها كوچك است از اين رو ريسك تجاري و عملياتي شركت هاي كاهش مي يابد چون سودآوري با ثبات همراه است، نسبت پرداخت سود سهام شركت هاي بزرگ نيز با ثبات و افزاينده است(شریعت پناهی و سهرابی،1385)

2-4-6- سرمايه گذاري های ناموفق:
در اکثر کشور ها قوانین تجارت تعاریفی را از ورشکستگی ارائه داده اند که عموما با استفاده از تکنیک های مختلف مالی شاید بتوان بر این قوانین غلبه کرد ، در پژوهشی تحت عنوان ارائه مدلی جهت پیش بینی بحران مالی در شرکتهای ایرانی توسط شریعت پناهی و سهرابی(1385) معیار برای بحران مالی ارائه نمود که از شاخص Q توبین استفاده کرد، که به صورت زیر توضیح داده می شود:

رابطه 5-2)
Q=(دارائیها بازار ارزش)/(داراییها دفتری ارزش)

هدف توبین بر قرار کردن یک ارتباط علت و معلولی بین شاخص Q و میزان سرمایه گذاری انجام شده توسط شرکت بود.او عنوان می کرد که اگر این شاخص از عدد یک بیشتر باشد شرکت ها انگیزه زیادی برای سرمایه گذاری دارند و این دلیل مازاد بازده سرمایه گذاری بر نرخ هزینه سرمایه به کار گرفته شده می باشد ، بدیهی است که اگر از تمامی فرصتهای سرمایه گذاری به طور مطلوب استفاده و بهره برداری شود ارزش نهایی Q به سمت عدد یک و به بالاتر تمایل پیدا میکند(صالحی،1380).زمانی که شرکت ها اقدام به سرمایه گذاری های ناموفق مینمایند نسبت Q توبین کاهش یافته و باعث کاهش ارزش سهام آن می شود. و این نوع سرمایه گذاری منابع مالی شرکت های را از بین می برد و سرمایه گذاران و صاحبان سرمایه نسبت به شرکت بی اعتماد می شود.و باعث ایجاد بحران مالی می شود.

2-5- تکنیک های پیش بینی ورشکستگی و درماندگی مالی
در اکثر مدل‌هایی که برای پیش بینی ورشکستگی از اطلاعات حسابداری استفاده شده است، این اطلاعات اغلب به شکل نسبت های مالی بیان شده اند. تلاش محققان در این تحقیقات این است تا با استفاده از نسبت های مالی در مدل های متفاوت، شرکت ها را از نظر معیارهای مختلف رتبه بندی کنند. هریک از این روش ها دارای مفروضات و محدودیت‌های خاص خود است؛ اما فرض اساسی اغلب آنها در این است که می‌توان شرکت‌ها را در دو گروه طبقه بندی کرد:
شرکت‌های دارای سلامت مالی
شرکت‌های دارای نابسامانی مالی
در یک دسته بندی انجام شده ، تکنیک های مورداستفاده در ساخت مدل های پیش بینی ورشکستگی، در سه گروه طبقه بندی شده است: مدل‌های کلاسیک آماری، مدل‌های مبتنی بر سیستم های خبره هوش مصنوعی و مدل‌های نظری. در این بین می‌توان مدل‌های تلفیقی شامل داده‌کاوی را نیز اضافه نمود؛ ضمن اینکه جهت تفکیک و پیش بینی شرکت های در سلامت مالی از شرکت های دچار درماندگی مالی تقسیم‌بندی های دیگری نیز ارائه شده است که به خصوص در بخش هوش مصنوعی موارد دیگری از جمله شبکه عصبی خودسازنده را نیز اضافه کرده اند(اعتمادی و فرج زاده،1387).

و انواع تکنیک های مختلفی که توسط اعتمادی و فرج زاده(1387) ارائه شده است در زیر تشریح می گردد:

2-5-1- تکنیک های آماری:
تکنیک های آماری از ابتدایی ترین و رایج ترین تکنیک ها جهت مدل سازی پیش بینی ورشکستگی به شمار می روند. مدل های آماری خود به دو گروه تقسیم می شوند؛ مدل های آماری تک متغیره و مدل های آماری چندمتغیره. در میان این مدلها، مدل های چندمتغیره از فراوانی بیشتری برخوردارند. مدل تفکیک کننده خطی یا تشخیصی چندگانه، احتمالی خطی، لاجیت، پروبیت، مجموع تجمعی و فرایندهای تعدل ناقص، تحلی عاملی تشکیل دهنده تکنیک های آماری چندمتغیره هستند.

2-5-2- مدل های آماری تک متغیره:
مدل های تک متغیره در هر زمان تنها یک سنجه را موردتوجه قرار می دهند و تعاملات بین متغیرها را در نظر نمی گیرند. با استفاده از این نوع تجزیه و تحلیل می توان قدرت پیش بینی کنندگی نسبت های مالی مختلف را بررسی نمود. منطق این مدل ها با تمرکز بر تحلیل نسبت های مالی بر این اساس است که اگر نسبت های مالی شرکت های ورشکسته با نسبت های مالی شرکت های غیرورشکسته دارای تفاوت های بااهمیتی باشند، می توان از آنها به عنوان متغیرهای پیش بینی کننده ورشکستگی استفاده نمود.

2-5-3- مدل تفکیک کننده خطی ( تحلیل تشخیصی چندگانه):
این روش برای طبقه بندی و یا پیش بینی در موضوع هایی که متغیرهای وابسته آن از نوع کیفی، مثل موفق و ناموفق است، مورداستفاده قرار می گیرد. رتبه هریک از شرکت ها، برمبنای ترکیب خطی متغیرهای مستقل محاسبه می‌شود. برمبنای نتایج حاصل از نمونه، یک نقطه تفکیک انتخاب می شود. انتظار می رود شرکت هایی که رتبه آنها کمتر از نقطه تفکیک باشد، ناموفق و آنهایی که رتبه آنها بالاتر از نقطه تفکیک می باشد، موفق باشند. نقطه تفکیک به نحوی انتخاب می شود که صحت پیش بینی حداکثر شود. استفاده از این مدل به دو دلیل آماری با محدودیت مواجه است. ابتدا، متغیرهای مستقل باید دارای توزیع نرمال باشند و دوم کوواریانس دو گروه مورد مطالعه باید مشابه باشند.

2-5-4- مدل احتمالی خطی:
این مدل حالتی خاص از رگرسیون حداقل مربعات عادی با متغیر وابسته دو ارزشی صفر و یک است. احتمال (Zi) اینکه یک شرکت ورشکسته شود توسط معادله زیر تعیین می شود:
تحلیل تمایزی ترکیب خطی را می توان به صورت زیر محاسبه کرد:

Z = a + b1 X1 + …. + bn Xn

رابطه 6-2)

که در آن Xi (i= 1, …, n) متغیرهای مستقل، a و bi (i=1, …,n) نیز پارامترهای برآوردی هستند.

2-5-5- مدل های لاجیت و پروبیت:
مدل لاجیت با اختصاص وزن هایی به متغیرهای مستقل، رتبه هریک از شرکت‌های نمونه را پیش بینی می کند. از این رتبه برای تعیین احتمال عضویت در یک گروه معین برای مثال موفق یا ناموفق استفاده می شود. احتمال موفقیت یا عدم موفقیت یا هر رتبه بندی کیفی دوگانه دیگر در این مدل با استفاده از فرمول زیر حساب می شود:

P(Z) = 1/(1+e^(-z) ) = 1/(1+ e^(- () a + b1 X1 + …. + bn Xn))
رابطه 7-2)

که در آن Xi (i= 1, …, n) متغیرهای مستقل، a و bi (i=1, …,n) نیز پارامترهای برآوردی هستند. به ازای تمام مقادیر Z، P(Z) همواره بین صفر و یک است. در حالی که در مدل تفکیک کننده خطی، رتبه تعیین شده ممکن است عددی کمتر از صفر و یا بزرگتر از یک نیز باشد. اگر Z به سمت منفی بی نهایت حرکت کند، P(Z) به سمت بی نهایت میل می کند و چنان چه Z به سمت مثبت بی نهایت سوق کند، P(Z) به سمت عدد یک میل می کند. اکثر مطالعاتی که مدل لاجیت را به کار گرفته اند از عدد P(Z) = 0.5 برای نقطه تفکیک استفاده کرده اند. از این مدل بطور گسترده ای در تحقیقات مالی و حسابداری و برای تفکیک شرکت ها در گروه های کیفی دوگانه، استفاده شده است. مدل پروبیت نیز شبیه مدل لاجیت است با این تفاوت که جای تابع تجمعی لوجستیک از تابع احتمالی تجمعی نرمال استفاده می شود.

2-5-6- روش های مجموع تجمعی:
روش های مجموع تجمعی از قوی ترین ابزارهای تعیین تغییر وضعیت در یک توزیع به شمار می روند. درمورد پیش بینی ورشکستگی، رفتار سری زمانی متغیرهای ویژه، هر شرکت ورشکسته و غیرورشکسته، بااستفاده از یک مدل واریانس ترتیبی کراندارتخمین زده می شود. پس از آن، نقطه بهینه آغازین انتقال تعیین شده و علامتی مربوط به وضعیت ورشکستگی شرکت در آینده ایجاد می شود.

2-5-7- فرایندهای تعدیل ناقص:
مدل‌های فرایندهای تعدیل ناقص بنیان نظری روش مشهور کویک برای برآورد مدل‌های توزیع فاصله های زمانی است. کاربرد این روش برای پیش بینی ورشکستگی، می تواند به بهترین شکل توسط رفتار مدیریت وجوه نقد توسط شرکت توضیح داده شود.

2-5-8- تحلیل عاملی:
تحلیل عاملی اصطلاحی است کلی برای تعدادی از تکنیک های ریاضی و آماری مختلف اما مرتبط با هم به منظور تحقیق درباره ماهیت روابط بین متغیرهای یک مجموعه معین. مسئله اساسی این است که آیا یک مجموعه متغیر را می توان برحسب تعدادی از ابعاد یا عامل های کوچکتری نسبت به تعداد متغیرها توصیف نمود و هریک از ابعاد معرف چه صفت یا ویژگی است.

2-5-9- تکنیک های هوش مصنوعی:
هدف هوش مصنوعی ساخت ماشینی است که بتواند فکر کند. الگوریتم تفکیک مکرر، شبکه های عصبی مصنوعی، الگوریتم ژنتیک،شبکه های بیز: مجموعه های زبر، ماشین بردار پشتیبان، استدلال مبتنی بر افته و منطق فازی تشکیل دهنده سیستم های خبره هوش مصنوعی هستند.

2-5-10- الگوریتم تفکیک مکرر (الگوریتم افراز بازگشتی یا درخت های تصمیم):
الگوریتم تفکیک مکرر منتج به طبقه بندی دودویی به شکل درختی می شود که در آن موضوعات مورد تحقیق به گروه های از پیشی تعیین شده برای مثال موفق و ناموفق نسبت داده می شوند. این روش توسط فریدمن و همکارانش در سال 1985 و با هدف حداقل کردن هزینه اشتباه طبقه بندی، برای پیش بینی شرکت های دچار نابسامانی مالی مورداستفاده قرار گرفته است.

2-5-11- شبکه های عصبی مصنوعی:
شبکه های عصبی مصنوعی جزو آن دسته از سیستم های دینامیکی قرار دارند که با پردازش روی داده های تجربی، دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. هدف مدل شبکه های عصبی، شناسایی مجموعه ای از اجزای محاسباتی نرون هاست که باهم در ارتباط هستند. ساختار اصلی محاسباتی شامل سه لایه از نرون هاست: لایه های ورودی، مخفی و خروجی. افزون بر نرون ها، شبکه عصبی دربرگیرنده نحوه ارتباط این لایه ها باهم نیز می باشد.
الگوریتم های ژنتیک:هدف اصلی الگوریتم ژنتیک انتقال خصوصیات موروثی ژن‌ها است. این الگوریتم روش احتمالی است که از اصول علم وراثت و تکامل زیستی استفاده می‌کند.الگوریتم‌های ژنتیک با به کارگیری اصل تداوم بهترین‌ها برای تخمین هرچه بهتر یک جواب (کروموزوم‌ها) روی تعدادی از جواب‌های بالقوه عمل می‌کند. هر پاسخ ممکن برای مسئله مطرح شده را یک کروموزوم و مجموعه‌ای از کروموزوم‌ها را جمعیت می‌نامند . خصوصیات یک الگوریتم ژنتیک به شرح زیر است:
-الگوریتم ژنتیک تنها به یک نکته توجه ندارد بلکه نکات بسیاری را در فضای پژوهش، برای بهینه ساختن پاسخ به دست آمده، درنظر می‌گیرد.
-به پاسخ این الگوریتم تا حدی بسیار زیاد می‌توان اعتماد کرد و پاسخی که می‌یابد به احتمال زیاد بهترین پاسخ ممکن است. در این روش از قواعد احتمال به جای قواعد قطعی استفاده می‌شود.
اما مشکل اصلی الگوریتم ژنتیک علی‌رغم سادگی پیاده‌سازی، هزینه اجرای آن است. اغلب حل یک مسئله نیامند تولید چندین هزار نسل از کروموزوم‌ها است و این مسئله نیاز به زمان زیادی دارد و همین امر گاهی استفاده از الگوریتم را با مشکل مواجه می‌کند .
الگوریتم ژنتیک عمل پردازش داده‌ها را طی 4 مرحله به شرح زیر انجام می‌دهد:
1) قالب بندی یا مقداردهی اولیه 2) انتخاب 3)

پایان نامه
Previous Entries مقاله درباره درماندگی مالی، مدیریت سود، ورشکستگی، بورس اوراق بهادار Next Entries مقاله درباره هموارسازی سود، مدیریت سود، دارایی ها، سودآوری