تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

2 بخش تخصصی مدیریت صنعتی و فناوری، پردیس فارابی دانشگاه تهران، قم، ایران

چکیده

پیش‌بینی درماندگی مالی شرکت‌ها ،یکی از مهمترین مباحث پیش‌روی مدیران است و می تواند به موفقیت و تداوم حیات شرکت‌ها کمک زیادی بکند؛ زیرا با ارائه سیگنال‌های هشدار بر‌انگیز و به موقع می‌تواند مدیران شرکت‌ها را نسبت به وقوع درماندگی مالی و ورشکستگی آگاه نماید و در نتیجه، با مدیریت صحیح از به هدر رفتن منابع و خسارت‌های ناشی از ورشکستگی جلوگیری شود. هدف اصلی این تحقیق، انتخاب متغییرهای مالی موثر جهت پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و سپس پیش‌بینی درماندگی مالی با روش شبکه عصبی مصنوعی است. بنابراین ابتدا 106 شرکت‌ با روش نمونه گیری تصادفی ساده انتخاب شدند و داده های مالی آنها از سال‌های 1386 تا 1398 استخراج و با آزمون همبستگی پیرسون رابطه بین متغییرها بررسی و از 34 نسبت مالی،24 نسبت که دارای رابطه معنی‌دار بودند، انتخاب گردید و در نهایت با روش شبکه عصبی مصنوعی پیش‌بینی درماندگی مالی شرکت‌ها انجام، که درماندگی یا عدم درماندگی، 103 شرکت بدرستی پیش‌بینی گردید و با مقایسه پیش‌بینی انجام شده توسط روش شبکه عصبی مصنوعی با مقادیر واقعی متغیر وابسته در سال 98، مشخص شد که در بیش از 97 درصد موارد، این روش، درماندگی مالی شرکت‌ها را به درستی پیش‌بینی کرده است.

کلیدواژه‌ها


مراجع

1.    بادامی، محمدحسین. (1393). پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از روش ELECTRE در بورس اوراق بهادار تهران، دانشگاه تهران. دانشکده مدیریت. تهران، پایان‌نامه کارشناسی ارشد.
2.    ودیعی، محمدحسین، میراسماعیلی، سیدحسین. (1391). پیش‌بینی ورشکستگی با استفاده از مدل‌های تحلیل لوجیت اهلسون و تحلیل چندگانه فولمر و مقایسه آن‌ها.  فصلنامه تحقیقات حسابداری و حسابرسی، دوره 4 ،شماره 1،صص 146-172.
3.    مرادی, محسن., شفیعی سردشت. مرتضی.. ابراهیم پور. ملیحه. (1391). پیش بینی درماندگی مالی شرکت ها به وسیله مدل های ماشین بردار پشتیبان تحلیل ممیزی چندگانه. فصلنامه بورس اوراق بهادار. شماره15، صص 113-136.
4.    راعی، رضا؛ فلاح پور، سعید ؛ (1387)، کاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی، فصلنامه بررسی های حسابداری و حسابرسی، شماره ۵۳، صص ۱۷
5.    ارم، اصغر. (1393). پیش‌بینی پیش‌ینی درماندگی مالی (Financial Distress) شرکت‌ها با استفاده از الگوریتم مورچگان (ACA)، دانشگاه تهران. دانشکده مدیریت. تهران، پایان‌نامه کارشناسی ارشد.
6.    راعی، رضا؛ فلاح پور، سعید ؛(1383) پیش بینی درماندگی مالی شرکت ها با استفاده از شبکه های عصبی مصنوعی، نشریه تحقیقات مالی، صفحه:۳۹
7.    مهرانی، ساسان، کامیابی، یحیی، غیور، فرزاد (1398). بررسی توانایی شاخص‌های حسابداری و غیرحسابداری مؤثر بر پیش‌بینی درماندگی مالی و مقایسه روش‌های پارامتریک و ناپارامتریک، پژوهش‌های تجربی حسابداری، شماره34، صص49-71
8.    روشن قلب. (1386). بررسی و شناخت نسبت‌های موثر بر پیش بینی ورشکستگی در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. تهران: دانشگاه تهران- دانشکده مدیریت.
9.    طهماسبی، رسول؛ علی اصغر انواری رستمی ، عباس؛ خورشیدی ، سیدجلال؛ صادقی، شریف؛ (1397) پیش بینی ریسک درماندگی مالی شرکت های بورس اوراق بهادار تهران با استفاده از مدل های تحلیل عاملی، درخت تصمیم و رگرسیون لجستیک، فصلنامه دانش سرمایه گذاری، شماره ۲۷، صص۱۸۹ -۲۰۶
10. وقفی، سید حسام؛ ، حیدری، زهره؛ خواجه زاده، سامیران؛ کامران راد، صدیقه؛ (1399) تحلیل درماندگی مالی در بخش کشاورزی و مواد غذایی با تاکید بر نقش متغیرهای کلان اقتصادی و حسابداری، مجله تحقیقات اقتصاد کشاورزی، سال دوازدهم شماره ۳، صص ۲۱۱ -۲۳۶
11. خردیار، سینا؛ قلی زاده، محمدحسن، لطفی، فروغ (1397)، پیش بینی درماندگی مالی با استفاده از روش ترکیبی PCA-ANFIS و الگوریتم فراابتکاری بهینه سازی ازدحام کبوتر، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره ۳۷، صص ۱۳۳ -۱۵۷
12. منصورفر، غلامرضا؛  غیور، فرزاد؛ اسدی، مریم؛ (1395) اثر تعدیل‌گر کیفیت سود در پیش بینی درماندگی مالی شرکت‌های پذیرفته شده بورس اوراق بهادار مجله راهبرد مدیریت مالی، شماره ۱۵، صص۲۵ -۴۴
13. وقفی، سیدحسام؛ مام صالحی ، پرویز، فیاض، علی، خواجه زاده، سامیران؛ (1398)، رویکرد مدیریتی در تحلیل درماندگی مالی بخش صنعت و معدن بازار سرمایه ایران با بکارگیری روش های یادگیری ماشین (NSGA-II,ABC)، دو ماهنامه بررسی های بازرگانی، صص:۳۸ -۵۵
14. رمضان زاده زیدی، عباس؛ فغانی ماکرانی، خسرو؛ جعفری، علی؛ (1398)، بسط مدل سازی درماندگی مالی با استفاده از مدیریت سود شرکت ها در محیط اقتصادی ایران، فصلنامه مدلسازی اقتصادی، شماره ۴۶، صص ۱۰۱ -۱۲۰
15. وقفی، سید حسام؛ دارابی، رویا؛ (1398) اعتبارسنجی الگوریتم های هوش مصنوعی در پیش بینی درماندگی مالی در بخش صنعت و معدن با تاکید بر نقش متغیرهای کلان اقتصادی، مالی، مدیریتی و ریسک، پژوهشنامه بازرگانی، شماره ۹۱، صص ۲۱۳ -۲۴۳
16. محبی هره دشت، بهنام؛ چاوشی، سید کاظم؛ جهانگیرنیا، حسین؛ غلامی جمکرانی، رضا؛ (1399)، بررسی تاثیر شاخص های غیرمالی بر پیش بینی وقوع درماندگی مالی از دیدگاه مدیران شهری (مورد مطالعه: بانک شهر)، فصلنامه اقتصاد و مدیریت شهری، شماره ۳۰، صص ۲۳ -۳۸
17. ابراهیمی سرو علیا، محمدحسن؛ باباجانی، جعفر؛ آخوند، محمدرضا؛ فاخر، اسلام؛ (1397) ارائه الگویی برای پیش بینی پویای درماندگی مالی با استفاده از تحلیل بقاء، فصلنامه اقتصاد مقداری، شماره ۵۹، صص ۱۶۷ -۱۹۸
18. صوفی، منصور؛ همایون فر، مهدی؛ فدایی، مهدی؛ (1399)، تعیین روش بهینه پیش بینی درماندگی مالی شرکت‌ها مطالعه موردی: شرکت های بورس اوراق بهادار تهران، فصلنامه دانش سرمایه گذاری، شماره ۳۵، صص ۸۵ -۱۰۰
19. میرعرب بایگی، علیرضا؛ مکاری، هاشم؛ آذریون، آرش؛ (1399)، پیش بینی پویا در ورشکستگی مالی با استفاده از روش مالم کوئیست (مورد مطالعه: شرکت های پذیرفته شده در بورس اوراق بهادارتهران( نشریه کارافن، شماره ۴۹ صص ۲۰۳ -۲۲۰
20. فلاح پور، سعید؛ ارم. اصغر؛ (1395)؛ پیش بینی درماندگی مالی شرکت ها با استفاده از الگوریتم کلونی مورچگان، نشریه تحقیقات مالی، شماره ۴۲، صص ۳۴۷ -۳۶۸
21. بت شکن، محمدهاشم؛ سلیمی، محمد جواد؛ فلاحتگر متحدجو، سعید (1397)، ارائه یک روش ترکیبی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران، نشریه تحقیقات مالی، شماره ۵۰ ، صص ۱۷۳ -۱۹۲
22. پیری، پرویز؛ خداکریمی، پری؛ (1396)، پیش بینی درماندگی مالی شرکت ها بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک، فصلنامه مطالعات تجربی حسابداری مالی، شماره ۵۵ ، ص ۱۴۵
23.    Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.
24.    Chen, J. H. (2012). Developing SFNN models to predict financial distress of construction companies. Expert Systems with Applications, 39(1), 823-827.
25.    Li, Z., Crook, J., & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist DEA. Expert Systems with Applications, 80, 94-106.
26.    Xu, X., & Wang, Y. (2009). Financial failure prediction using efficiency as a predictor. Expert Systems with Applications, 36(1), 366-373.
27.    Mousavi, M. M., Ouenniche, J., & Tone, K. (2019). A comparative analysis of two-stage distress prediction models. Expert Systems with Applications, 119, 322-341.
28.    Wong, B., & Selvi, Y. (1998). Neural network applications in finance: A review and analysis of literature(1990-1996). Information & Management, 21(2), 129-139.
29.    Shah, J., & Murtaza, M. (2000). A neural network based clustering procedure for bankruptcy Prediction. American Business Review, 2(18), 80-86.
30.    Alfaro, E., & Garcia, N. (2008). Bankruptcy Forecasting: an Empirical Comparison of Ad Boost and Neural Networks. International Advances in Economic Research, 25(2), 110-122.
31.    Gameel, M., & El-Geziry, K. (2016). Predicting financial distress: multi scenarios modeling using neural network. International Journal of Economics and Finance,, 11(8), 159-168.
32.    Heydary Farahany, M., ghayour, F., & mansourfar, G. (2019). The effect of management behavioral strains on financial distress. Journal of Financial Accounting Research, 3(11), 117-134.
33.    Khajavi, S., & Ghadirian-Arani, M. (2018). The role of managerial ability in financial distress prediction. Journal of Financial Accounting Research, 9(4), 83-102.
34.    Megginson, W., Meles, A., Sampagnaro, G., & Verdoliva,, V. (2019). Financial distress risk in initial public offerings: how much do venture capitalists matter? Journal of Corporate Finance, 25(1), 10-30.
35.    Li, Z., Crook, J., & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist DEA. Expert Systems with Applications, 6(80), 9.
36.    Salehi, A., Elhaeisahar, M., & Savari,, A. (2017). Investment decisions of firms under financial distress. Financial Management Perspective, 22(13), 19-34.
37.    Tinoco, M., Holmes, P., & Wilson, N. (2018). Polytomous response financial distress models: The role of accounting, market and macroeconomic variables. International Review of Financial Analysis, 24(2), 112-124.
38.    Vakilifard, H., Ahmadvand, M., & Sadehvand,, M. (2018). The relationship between financial distress risk and momentum anomaly in Tehran stock exchange. Financial Knowledge of Securities Analysis, 38(11), 43-55.
39.    Shilpa, N., & Amulya, M. (2017).
40.    Kihooto, E., Omagwa, J., & Ronald, M. (2016). Financial distress in commercial and services companies listed at Nairobi Securities Exchange. Kenya. European Journal of Business and Management, 27(8), 86-89.