مي‌توانند در پيش‌بيني ورشكستگي شركت‌هاي كوچك مفيد واقع شوند. محاسبه ميانگين، نسبتها را هموار ساخته و رقمي را نشان ميدهد كه نسبت به رقم محاسبه شده از جديدترين صورت مالي، گوياتر و معرفتر است.
2) عمر شرکت
علاوه بر اندازه شرکت، عمر شرکت نیز ممکن است تأثیر قابل ملاحظهای بر احتمال درماندگی مالی داشته باشد. لی و چن (1993) احتمال بقای شرکتهای حاضر در صنعت نفت و گاز را در طول بحران سال‌های آغازین دهه 1980 میلادی بررسی کرده و نشان دادند عمر شرکت رابطه منفی با ورشکستگی دارد.
لنسبرگ و همکاران (2004) هنگام طراحی مدلی برای پیشبینی ورشکستگی شرکتهای نروژی شواهدی به دست آوردند که نشان می‌داد نرخ ورشکستگی شرکتهای جوان در مقایسه با شرکتهای قدیمی به نحو چشمگیری بالاتر است.
هنشر و همکاران121 (2007) با استفاده از تجزیه و تحلیل لاجیت، یک مدل ورشکستگی چهار مرحله‌ای ابداع کرده و متغیر عمر شرکت را در آن وارد نمودند. در این تحقیق عمر شرکت یک متغیر مجازی بود که به صورت زیر ارزشگذاری شد:
یک: در صورتی که حداکثر 6 سال از تأسیس شرکت گذشته باشد.
صفر: در غیر این صورت.
یافته‌های این محققان حاکی از آن بود که احتمال ورشکستگی شرکتهایی که سن آنها 6 سال یا کمتر است در مقایسه با شرکتهایی که بیش از 6 سال از تأسیس آنها می‌گذرد، در کوتاهمدت بیشتر می‌باشد.
رومر (2005) با مقایسه عوامل اثرگذار بر درماندگی مالی شرکتها در کشورهای ایتالیا، فرانسه و اسپانیا به نتایج غیرقاطعی در رابطه با تأثیر عمر شرکت بر ورشکستگی دست یافت. در این تحقیق نشان داده شد عمر شرکت رابطه معناداری با درماندگی مالی شرکتهای اسپانیایی ندارد. رابطه عمر شرکت و درماندگی مالی شرکتهای ایتالیایی منفی و رابطه عمر شرکت و درماندگی مالی شرکتهای فرانسوی مثبت است.
برخی از محققین معتقدند که بین عمر شرکت و ورشکستگی یک رابطه غیرخطی حاکم است. به عنوان مثال رومر در سال 2005 نشان داد تأثیر عمر بر خروج شرکتها از دنیای کسب و کار به صورت یک منحنی زنگوله شکل می‌باشد. زمانی که شرکتها جوان هستند هنوز از توانمندی‌های بالقوه خود آگاهی ندارند بنابراین احتمال خروج آنها کم است. با گذشت زمان شرکتها به توان سودآوری خود واقف شده، سطح عملیات خود را افزایش و کاهش داده و یا اینکه از کسب و کار مربوطه خارج می‌گردند.
3) صنعت
تحقیقات چاوا و جارو122 (2004) نشان داد که گروه و یا صنعتی که شرکتها در آن فعالیت می‌کنند در پیشبینی ورشکستگی شرکتها تأثیرگذار است. به نظر آنها به دو دلیل صنعت می‌تواند در ورشکستگی شرکتها تأثیرگذار باشد زیرا اولا در صنایع مختلف سطح رقابت متفاوت است بنابراین احتمال ورشکستگی در هر صنعتی با صنعت دیگر می‌تواند متفاوت باشد ثانیا محیط کاری، ساختار فعالیت و همچنین نوع قرارداد شرکتها در صنایع گوناگون با یکدیگر متفاوت است. همچنین نتایج تحقیق آنها نشان داد که با استفاده از داده‌های مربوط به بازار بهتر می‌توان ورشکستگی شرکتها را پیشبینی نمود و ورود متغیرهای حسابداری در مدل پیشبینی ورشکستگی بهبود اندکی در پیشبینی‌ها به وجود می‌آورد.
2-2- شبکههای عصبی
1-2-2 تاریخچه شبکه عصبی
بعضی از پیش‌زمینه‌های شبکه عصبی را می‌توان به اوایل قرن بیستم و اواخر قرن نوزدهم برگرداند. کارهای اولیه‌ای که عموما بر تئوری‌های کلی یادگیری، بینایی و شرطی تاکید داشته‌اند و اشاره‌ای به مدل‌های مشخص ریاضی عملکرد نرونها نداشته‌اند.
دیدگاه جدید شبکههای عصبی در دهه 40 قرن بیستم آغاز شد زمانی که وارن مک کلوث123 و والترپیترز124 نشان دادند که شبکههای عصبی می توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکههای عصبی نامید.
فرانک روزنبلات125 در سال 1958 با معرفی شبکههای پرسپترون نخستین کاربرد عملی شبکههای عصبی را ارائه داد.
در سال 1960 برنارد ویدرو شبکه عصبی تطبیقی خطی ادلاین را با قانون یادگیری جدید مطرح نمود که از لحاظ ساختار شبیه شبکه پرسپترون بود.
هر دوی این شبکه‌ها،پرسپترون و ادلاین126، دارای این محدودیت بودند که توانایی طبقه‌بندی الگوهایی را داشتند که، که به طور خطی از هم متمایز می‌شدند. ویدرو127 و روزنبلات هر دو از این امر آگاه بودند، چون آنها قانون یادگیری را برای شبکههای عصبی تک لایه مطرح نموده بودند که توانایی محدودی جهت تخمین توابع داشتند. هر چند آنها توانستند شبکههای چندلایه را مطرح نمایند،لکن نتوانستند الگوریتم‌های یادگیری شبکههای تک لایه را بهبود بخشند.
در سال 1972 تئو کوهنن128 و جیمز اندرسون129 بطور مستقل و بدون اطلاع از هم، شبکههای عصبی جدیدی را معرفی کردند که قادر بودند به عنوان” عناصر ذخیره‌ساز” عمل نمایند. استفان گروسبرگ130 در این دهه روی شبکههای خودسازنده131 فعالیت می‌کرد.
در سال 1982 جان هاپفیلد132 فیزیکدان آمریکایی، استفاده از مکانیسم تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکههای برگشتی133 که می‌توان آنها را جهت ذخیره سازی اطلاعات استفاده نمود.
در سال 1986 دیوید راملهارت134 و جیمز مکلند135 الگوریتم پس انتشار خطا136 را معرفی کردند.
که با این دو نوع آوری اخیر، شبکههای عصبی متحول شدند. در سال‌های اخیر هزاران مقاله نوشته شده‌است و شبکههای عصبی کاربرد زیادی در رشته‌های مختلف علوم پیدا کرده‌اند.
باید توجه داشت که در حال حاضر اطلاعات موجود درباره نحوه عملکرد مغز بسیار محدود است و مهمترین پیشرفت‌ها در شبکههای عصبی، در آینده مطرح خواهند شد. زمانی که اطلاعات بیشتری از چگونگی عملکرد مغز و نرونهای بیولوژیک در دست باشد.)منهاج،1391)
2-2-2 تعریف شبکه عصبی
شبکههای عصبی مصنوعی مدل‌های ریاضی هستند که نحوه عملکرد مغز انسان را تقلید می‌کنند. این شبکه‌ها ابزار قدرتمندی هستند که بدون نیاز به داشتن مفروضاتی در مورد روابط بین متغیرها الگوهای متفاوت بین داده‌ها را شناسایی کرده و از اطلاعات پیچیده نتایجی نزدیک به نتایج واقعی به دست می‌آوردند(ویکیپدیا).
3-2-2 ویژگی‌های شبکه عصبی
قابلیت یادگیری
قابلیت یادگیری یعنی توانایی تنظیم پارامترهای شبکه در مسیر زمان که محیط شبکه تغییر می‌کند و شبکه شرایط جدید را تجربه می‌کند، با این هدف که اگر شبکه برای یک وضعیت خاص آموزش دید و تغییر کوچکی در شرایط محیطی آن رخ داد، شبکه بتواند با آموزش مختصر برای شرایط جدید نیز کارآمد باشد.
پردازش اطلاعات به صورت متن
آنچه شبکه فرا می‌گیرد، در وزنهای سیناپسی مستتر می‌باشد.رابطه یک به یک بین ورودیها و وزن های سیناپتیکی وجود ندارد.می‌توان گفت که هر وزن سیناپسی مربوط به همه ورودی‌هاست ولی به هیچ یک از آنها به طورمنفرد ومجزا مربوط نیست. به عبارت دیگرهرنرون در شبکه، از کل فعالیت های سایر نرونها متاثر می‌باشد. در نتیجه، اطلاعات به صورت متن (context) توسط شبکه عصبی پردازش می‌شوند. براین اساس چنانچه بخشی از سلولهای شبکه حذف شوند ویا عملکرد غلطی داشته باشند باز هم احتمال رسیدن به پاسخ صحیح وجود دارد. اگر چه این احتمال برای تمام ورودیها کاهش یافته ولی برای هیچ یک از بین نرفته است.
قابلیت تعمیم
پس از آنکه مثال‌های اولیه به شبکه آموزش داده شد، شبکه می‌تواند در مقابل یک ورودی آموزش داده نشده قرار گیرد و یک خروجی مناسب ارائه نماید.
پردازش موازی
هنگامی که شبکه‌عصبی در قالب سخت افزار پیاده می‌شود سلول‌هایی که در یک تراز قرار می‌گیرند می‌توانند به طور همزمان به ورودی‌های آن تراز پاسخ دهند. این ویژگی باعث افزایش سرعت پردازش می‌شود.در واقع چنین سیستمی، وظیفه کلی پردازش بین پردازنده‌های کوچکتر مستقل از یکدیگر توزیع می‌گردد.
مقاوم بودن
در یک شبکه عصبی هر سلول بطور مستقل عمل می‌کند و رفتار کلی شبکه ،برآیند رفتارهای محلی سلولهای متعدد است.این ویژگی باعث می‌شود تا خطاهای محلی از چشم خروجی نهایی دور بمانند.به عبارت دیگر، سلولها در یک روند همکاری، خطاهای محلی یکدیگر را تصحیح می‌کنند.این خصوصیت باعث افزایش قابلیت مقاوم بودن(تحمل پذیری خطاها) در سیستم می‌گردد.
از میان تمام ویژگی‌های شبکههای عصبی هیچ‌کدام مانند توانایی یادگیری‌های ذهن انسان جذاب نیستند. یک شبکه به گونه‌ای آموزش داده می‌شود که با به کاربردن یک دسته از ورودیها، دسته خروجی دلخواه تولید شود.(منهاج،1391)
4-2-2 اجزا شبکه عصبی
ورودیها و خروجی‌ها: اعداد، ارقام، متون و تصاویرو…. در قالب یک یا چند متغیر به عنوان به عنوان ورودی شناخته می‌شوند که با انجام عملیات شناسایی روابط و تجزیه و تحلیل داده، به متغیر یا متغیرهای خروجی تبدیل می‌شوند. ورودیها، متغیرهای مستقل و خروجی ها، متغیرهای وابسته محسوب می‌شوند.
نورون : نورون مهمترین جز شبکه عصبی به حساب می‌آید که در هرسه لایه،ورودی،میانی و خروجی قرار می‌گیرند. نورونهای ورودی وظیفه دریافت داده‌های ورودی، و نورونهای ورودی و خروجی وظیفه پردازش اطلاعات را بر عهده دارند.
وزن‌ها: میزان تاثیر ورودی های هر لایه را برلایه بعد به عنوان خروجی اندازه‌گیری می‌کند و پل ارتباطی بین لایه‌های مختلف محسوب می‌شود.
توابع انتقال137: در لایه‌های پنهان ولایه خروجی شبکه عصبی در نظر گرفته می‌شود، و با توجه به وزنهای ورودی، محاسبه کلی خروجی را امکان پذیر می‌سازد.)منهاج،1391)
5-2-2 کاربرد شبکههای عصبی
طبقه بندی، شناسایی وتشخیص الگو
انواع واقسام شبکههای عصبی استاتیکی ودینامیکی برای طبقه‌بندی، خوشه‌بندی، شناسایی وتشخیص الگوها مورد استفاده قرارگرفته‌است.
پردازش سیگنال
در این راستا می‌توان به کاربرد شبکههای عصبی در فیلترهای تطبیقی، پردازش صیک حبت وتصویر، بینایی ماشین،کدینگ و فشرده‌سازی تصویر اشاره نمود که از‌هردونوع شبکه های عصبی استاتیک و دینامیک به‌کرات استفاده شده است.
پیشبینی سری‌های زمانی
از شبکه های عصبی برای پیش بینی سری‌های زمانی علی‌الخصوص جایی که شرایط از قبیل ایستایی یا شرایط دیگری که راه را برای بکارگیری تکنیکهای کلاسیک فراهم می‌سازد،برقرارنیست وسریهای زمانی پیچیده می‌باشند بسیاراستفاده شده است.
مدل‌سازی و کنترل
در سیستم های تطبیقی مخصوصا در زمانی که پروسه تحت بررسی بسیار پیچیده می باشد شبکه های عصبی راه‌حل های مناسبی ارائه می‌دهند. دراینجا عموما اول شناسایی و سپس طراحی کنترل کننده آنگونه که پاسخ سیستم رفتارخاصی را دنبال می‌کنند صورت می‌پذیرد، که هر دوسیستم اشاره شده مبتنی بر شبکههای عصبی می‌باشند.
بهینه سازی
چه در سیستم های کنترلی و چه در سیستم‌های مدیریت، تخصیص و تقسیم منابع وچه در سیستم‌های مالی وبانکداری از شبکههای عصبی استفاده می‌شود.
سیستم‌های خبره و فازی
برای مسائل مالی و مدیریتی، سیستم های خبره زیاد مورد استفاده قرار گرفته‌اند. از شبکههای عصبی جهت تنظیم بهتر و رفتار مناسب تر سیستم‌های خبره استفاده شده است.
مسائل مالی، بیمه، امنیتی، بازاربورس و وسایل سرگرم کننده
از شبکههای عصبی می‌توان به عنوان مشاور در امور تخصیص اعتبارات وام، مشاور در امور تخصیص سرمایه درمکانهای مناسب، آنالیز امور مالی، پیش بینی قیمت ارز، پیش بینی قیمت سهام در بازار بورس، ارزیابی سیاست‌های مخاف اموربیمه ای، پیش بینی بازار، سیستم‌های مشاوره انبارداری کالاهای تجاری و ایجاد انیمیشن برای وسایل سرگرم کننده نام برد.
ساخت وسایل صنعتی، پزشکی و امور حمل ونقل
مثال‌هایی از کاربرد شبکه عصبی عبارتنداز
_ کنترل پروسه‌های ساخت وپیاده سازی دستگاه ها
_ آنالیز وطراحی محصولات صنعتی خانگی
_ ماشین پیش بینی خطا و عیب یاب
