ضای رقابتی امروز، افراد تلاش زیادی برای اطلاع از وضعیت شرکت‌ها به منظور محافظت از منافع خود انجام میدهند، اما این مهم زمانی دستیافتنی خواهد بود که اشخاص به روشهای تجزیه و تحلیل قابل اعتماد دسترسی داشته باشند. تعیین علت یا علتهای یک بحران مالی کار ساده‌ای نیست. مشکل مالی نتیجۀ عوامل متعددی بوده که به ورشکستگی منجر میشود. پیشبینی درماندگی مالی شرکت‌ها مدتهاست که به عنوان یکی از موضوعات مهم در حوزۀ مالی مطرح بوده و مدلهای متعددی در این زمینه طراحی شدهاند و در بسیاری از این مدل‌ها از متغیرهای سنتی مالی به عنوان متغیرهای پیشبینیکنندۀ درماندگی استفاده شده است.
اگر وضعیت مالی بنگاهها از طریق آزمون مدل روشن شود و ورشکستگی آنها قابل پیشبینی باشد، سهامداران و مدیران برای جلوگیری از ورشکستگی و یا تغییر در وضعیت ساختار شرکت چارهاندیشی خواهند کرد و چه بسا با اتخاذ تدابیری درست از ورشکستگی آن شرکت‌ها جلوگیری کنند؛ لیکن انواع مدلهای پیشبینی عملکرد نتایج متفاوتی را به تصمیمگیرنده نشان میدهند. بنابراین، باید مدلهای مختلفی که برای پیشبینی بحرانهای مالی قبل از وقوع آنها تدوین شده آزمایش شوند تا ابتدا مشخص شود که آیا این الگوها در شرایط اقتصادی، فرهنگی و اجتماعی کشور ایران توانایی پیشبینی بحران مالی را دارند یا نه، سپس در صورت توانایی پیشبینی، بر اساس بالاترین توانمندی مرتب شوند تا بتوانند در تصمیمات به‌کارگرفته شوند. هرچند هیچیک از روشهای ارزیابی عملکرد در دنیا مدل کاملی را ارئه نمیکنند و همواره، در کنار یک مدل پیشبینی، به قضاوت حرفهای تصمیمگیرنده نیز نیاز هست.
بنابراین، با عنایت به پیامدها و هزینههایی که مسئلۀ درماندگی مالی میتواند برای شرکت‌ها، اقتصاد کشور و سایر افراد و نهادها ایجاد کند، انجام تحقیقاتی که بتواند این مدل‌ها را ارزیابی نموده و آنها را بر اساس توانمندی در ارزیابی مورد آزمون قراردهد ضرورت مییابد.
1-4- گزارههای پژوهش
1-4-1- سؤالات پژوهش
- میزان توانایی «مدل اسپرینگیت» در مقایسه با «مدل شبکۀ عصبی مصنوعی» در پیشبینی ورشکستگی شرکت‌ها چگونه است؟
- میزان توانایی مدل «اسپرینگیت» در مقایسه با «الگوریتم ژنتیک خطی» در پیشبینی ورشکستگی شرکت‌ها چگونه است؟
- میزان توانایی مدل «شبکۀ عصبی مصنوعی» در مقایسه با «الگوریتم ژنتیک خطی» در پیشبینی ورشکستگی شرکت‌ها چگونه است؟
1-4-2- فرضیهها
هدف این پژوهش مقایسۀ کارایی الگوهای پیشبینی بحران مالی (الگوریتم ژنتیک خطی، مدل شبکۀ عصبی مصنوعی و مدل اسپرینگیت) با استفاده از نسبتهای مالی در شرکتهای پذیرفتهشده در بازار بورس اوراق بهادار تهران است. بنابراین، فرضیهها در دو گروه و به شرح زیر طراحی شدهاند:
1-4-2-1- فرضیه‌های گروه اول:
فرضیۀ اول: مدل «اسپرینگیت» قابلیت پیشبینی بحران در شرکتهای پذیرفتهشده در بازار بورس تهران را دارد.
فرضیۀ دوم: مدل «شبکۀ عصبی مصنوعی» قابلیت پیشبینی بحران در شرکتهای پذیرفتهشده در بازار بورس تهران را دارد.
فرضیۀ سوم: مدل «الگوریتم ژنتیک خطی» قابلیت پیشبینی بحران در شرکتهای پذیرفتهشده در بازار بورس تهران را دارد.
1-4-2-2- فرضیه‌های گروه دوم:
فرضیۀ اول: بین مدل «اسپرینگیت» و مدل «شبکۀ عصبی مصنوعی» در پیشبینی احتمال وقوع بحران مالی در شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران تفاوت معنیداری وجود دارد.
فرضیۀ دوم: بین مدل «اسپرینگیت» و «الگوریتم ژنتیک خطی» در پیشبینی احتمال وقوع بحران مالی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران تفاوت معنیداری وجود دارد.
فرضیۀ سوم: بین مدل «شبکۀ عصبی مصنوعی» و «الگوریتم ژنتیک خطی» در پیشبینی احتمال وقوع بحران مالی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران تفاوت معنیداری وجود دارد.
- 1. اگر بر اثر زیان‌های وارده حداقل نصف سرمایۀ شرکت از میان برود، هیأت مدیره مکلف است بلافاصله مجمع عمومی فوق‌العادۀ صاحبان سهام را دعوت نماید تا موضوع انحلال یا بقای شرکت مورد شور و رأی واقع شود. هرگاه مجمع مزبور رأی به شرکت ندهد، باید در همان جلسه و با رعایت مقررات مادۀ 6 این قانون سرمایۀ شرکت را به مبلغ سرمایۀ موجود کاهش دهد. (ناصرزاده، 1374: 59)
. Springate method.
. Artificial neural network.
. Linear genetic algorithm.
فرم در حال بارگذاری ...
