چکیده:
درماندگی مالی،ورشکستگی، هزینه های زیادی به همراه دارد که به اقتصاد یک کشور صدمه وارد می کند. یکی از راه هایی که می تواند به جلوگیری از درماندگی مالی کمک شایان توجهی کند، پیش بینی درماندثی مالی الست. در این پژوهش، با استفاده از شبکه های عصبی مصنوعی (ANN)، به پیش بینی درماندگی مالی شرکت های تولیدی پرداخته شده است. مرور جامعی از مدل های پیش بینی درماندگی مالی، شبکه های عصبی مصنوعی نیز ارایه شده است. به منظور بررسی اثر تفاوت ناشی از نمونه ها در ییش بینی، از روش معتبرسازی مقطعی استفاده شده است. مدل مقایسه ای استفاده شده در این پژوهش، مدل تحلیل ممیز چندگانه (MDA) است. نتایج حاصله از مدل ها، براساس اطلاعات 80 شرکت، نشان داد که مدل ANN در پیش بینی درماندگی مالی، به طور معنی داری نسبت به مدل MDA از دقت پیش بینی بیشتری برخوردار است.
خلاصه ماشینی:
"در این پژوهش،با عنایت به این که(1)تحلیل ممیز چندگانه( MDA )در بین مدلهای آماری،مدلی است که از همه بیشتر استفاده شده و مشهورتر است،(2)از این مدل در کشور برای پیشبینی درماندگی مالی استفاده نشده است و(3)نتایج تحقیقات قبلی در کشورهای دیگر نشان میدهد که دقت پیشبینی این مدل از نظر آماری بالا است،از MDA به عنوان مدل مقایسهای استفاده شده است.
یکی این که بسیاری از شرکتهای درمانده مالی دارای بهای تمام شده و هزینههای بالایی هستند و دیگر این که یک نگاه کلی به روند نسبتها در دو گروه نشان میداد که بین میانگین این نسبت در دو دسته،تفاوت وجود دارد که با تجزیه و تحلیل آماری مشخص شد که اولا این نسبت در پیشبینی درماندگی مالی در ایران اهمیت زیادی دارد و دوم این که از نظر آماری،میانگین این نسبت در دو گروه کاملا متفاوت بود.
319X5 که در آن (CA_CL):X1 -نسبت جاری (EBIT_NS):X2 -سود قبل از هزینه مالی و مالیات به خالص فروش (EBIT_TA):X3 -سود قبل از هزینه مالی و مالیات به کل داراییها (TE_TD):X4 -کل حقوق صاحبان سهام به کل بدهیها (WC_TA):X5 -سرمایه در گردش به کل داراییها FH :شاخص کل روش تصمیمگیری در مورد دستهبندی نمونهها به دو گروه درمانده مالی و سالم به این ترتیب است که برای هریک از نمونهها،با توجه به ضرایب به دست آمده،شاخص کل ( FH )محاسبه میشود.
همان طور که در این نگاره،در قسمت مجموع مشخص است،دقت پیشبینی هر دو مدل برای شرکتهای درمانده مالی برابر است ولی دقت پیشبینی ANN برای شرکتهای سالم در هر چهار زیرنمونه بیشتر است."