مقاله تکنیک های هوش مصنوعی و پیش بینی ورشکستگی

دانلود پایان نامه

شیراتا پس از بررسی مطالعات گذشته دریافت که نتایج تحقیقات گذشته در ژاپن به دلیل تعداد کم و محدود بودن نمونه ها به شرکت های تولیدی با سرمایه های تقریباً یکسان قابل تعمیم نیست.
شیراتا برای رفع این نقاط ضعف الگویی جامع ارائه داد تا ورشکستگی را برای تمام انواع شرکت های تولیدی، بازرگانی و خدماتی با هر مقدار سرمایه پیش بینی کند. شیراتا برای الگوی خود از روش تحلیل تمایزی چندگانه استفاده کرد. نمونه آماری او شامل 686 شرکت ناسالم و 300 شرکت سالم در فاصله زمانی سالهای 1986 تا 1996 بود. نتایج نشان داد که الگوی وی می تواند ورشکستگی را با دقت بیش از 14/86 درصد پیش بینی کند
گریس و اینگرام، 2001 :
این افراد مطالعه ای بر روی مدل اولیه Z-Score آلتمن(مدل سال 1968) انجام دادند تا با توجه به اینکه از این مدل امروزه برای ارزیابی سلامت مالی شرکت ها استفاده می شود، تعیین کنند آیا این مدل هنوز هم به صورت مؤثر و کارا عمل می کند یا خیر. نتایج این مطالعه نشان داد که دقت پیش بینی مدل آلتمن به طول قابل توجهی (از 5/83 به 8/57%) کاهش یافته است.
این امر بیانگر این است که نسبت های مالی و مدلهای ورشکستگی تحت تأثیر عامل زمان قرار دارند و با گذشت زمان ضرایب مدلها باید بار دیگر مورد تجدید نظر قرار گیرد.
والاس،2004 :
وی در تحقیقات خود یک الگو با استفاده از روش شبکه های عصبی طراحی کرد. او در الگوی خود از نسبتهای مالی کلیدی که در مطالعات ورشکستگی گذشته به عنوان بهترین نسبتها گزارش شده بودند، استفاده کرد. الگوی والاس دارای دقت کلی 94 درصد بود و 65 نسبت مالی مختلف در مطالعات گذشته را بررسی کرد.
پومپ و بیلدریک،2005 :
ایشان به مطالعه پیش بینی ورشکستگی شرکت هایی با اندازه متوسط و کوچک با استفاده از روش تحلیل تمایز چندگانه و شبکه های عصبی پرداختند. مدل آنها شامل 476 شرکت ورشکسته و 1500 شرکت غیرورشکسته بود. آنها از 73 متغیر اولیه(نسبت های مالی) استفاده کردند و این تعداد را به کمک روش تحلیل عامل به 45 نسبت مالی با واریانس 70% کاهش دادند. آنها نتیجه گرفتند که مدلهای به دست آمده برای شرکت های جوان و شرکت های با عمر بالاتر با هم تفاوت دارند زیرا پیش بینی ورشکستگی شرکت های جوان دشوارتر است. بر خلاف بسیاری از پژوهش های انجام شده، در مطالعه ی آنها اهمیت متغیرها در تحلیل یک یا چند متغیره تفاوت چندانی نداشت.
تی ساکوناس و همکارانش ،2006:
این افراد در کارتحقیقاتی خود، استفاده بهینه از سیستم های هوشمند ترکیبی را برای حل مسائل طبقه بندی ورشکستگی نشان می دهند. هدف از این مطالعه یافتن طرح طبقه بندی توانا برای پیش بینی ورشکستگی است. در این تحقیق، کاربرد شبکه های منطقی عصبی به وسیله ی برنامه ی ژنتیک ارائه می شود. فرآیند برنامه ریزی ژنتیک به وسیله ی دستور آزاد از محتوا و رمزگشایی غیر مستقیم از شبکه های منطقی عصبی در داخل برنامه ریزی ژنتیک هدایت می شود. نتایج نشان داد که متدولوژی پیشنهادی آنها نسبت به سایر روش ها بهتر عمل می کند.
چو و همکاران،2009 :
استراتژی منسجم و یک پارچه ای را راجع به این که چگونه به طور مؤثر و کارا تکنیک های هوش مصنوعی و تکنیک های آماری را که قابل استفاده نیز باشند با هم ادغام کنند، پیشنهاد دادند. با ادغام تحلیل ممیزی چندگانه، رگرسیون لجستیک، شبکه های عصبی و درخت تصمیم، مدل منسجم و یکپارچه ای را با موضوع وزن بر مبنای یادگیری شبکه های عصبی برای پیش بینی ورشکستگی معرفی کردند. قدرت مدل پیشنهادی آنها از تمایز وزن های روش های منبع برای هر یک از موضوعات، در مجموعه داده های آزمایشی ناشی می شود. نتایج نشان می دهد که مدل پیشنهادی می تواند صحت پیش بینی را در مقایسه با روش های منبع افزایش دهد.
اندرس و دیگران،2011 :
یک مدل ترکیبی را برای پیش‌بینی ورشکستگی ارائه کردند که خوشه‌بندی فازی و اسپلاین‌های رگرسیونی انطباقی چند متغیره را با هم ترکیب می‌کرد. آن‌ها از تحلیل تشخیصی، اسپلاین رگرسیونی انطباقی چند متغیره و شبکه‌های عصبی به عنوان مدل‌های مقایسه‌ای استفاده کردند. نتایج پژوهش آن‌ها نشان داد که عملکرد مدل ترکیبی از سیستم‌های دیگر بهتر است.
جونگ و همکاران،2012:
به منظور بهبودعملکردشبکهعصبی از مدل افزایشی تعمیم‌یافته و الگوریتم ژنتیک برای تنظیم دقیق متغیرهای ورودی، تعداد گره‌های پنهان و مقدار ثابت فروپاشی استفاده کردند. نتایج پژوهش آن‌ها نشان داد که عملکرد مدل شبکه عصبی تنظیم شده‌ی آن‌ها به طور قابل ملاحظه‌ای از عملکرد سایر مدل‌های مقایسه‌ای، بهتر است.
خلاصه فصل :
شرکت هایی که در وضعیت درماندگی مالی بسر می برند جهت تامین مالی منابع خود با مشکلات عدیده ای مواجهند. این شرکت ها برای تامین مالی منابع خود نمی توانند از تسهیلات بانکی(وام) استفاده کنند ، چرا که بانک ها برای ارائه تسهیلات برای شرکت ها ابتدا صورت های مالی آنها را مورد ارزیابی و بررسی قرار می دهند و در صورت مساعد نبودن نسبت های مالی از ارائه وام و تسهیلات به آنها خودداری می کنند.
بهترین حالت متصور برای شرکت هایی مبتلا به درماندگی مالی استفاده از تامین مالی از طریق حساب های پرداختنی تجاری(اعتبار تجاری) می باشد ، که این نوع تامین مالی نیز برای این گونه شرکت ها مزایا و معایب خاص خود را دارد.
از مزایای استفاده از حساب های پرداختنی تجاری برای شرکت ها می توان به سهولت دسترسی و استفاده از این نوع تامین مالی نام برد ، چرا که این نوع تامین مالی دارای محدودیت ها و وثیقه های خاصی نمی باشد و شرکت به واسطه داشتن روابط مالی با تامین کنندگان کالا و خدمات ، می تواند به طور نسیه و با استفاده از اعتبار تجاری خود کالا ها ، خدمات و منابع مورد نیاز خود را تامین نمایند
مهمترین عیب و مشکل این نوع از تامین مالی نیز هزینه ی بالای استفاده از آن می باشد به نحوی که شرکت ها برای تامین مالی از طریق اعتبار تجاری مجبورند بهای بالاتری را برای منابع مورد نیاز خود بپردازند ، از طرفی به دلیل عدم استفاده شرکت از تخفیفات نقدی خرید(به دلیل استفاده از اعتبار تجاری) ،هزینه ی سرمایه ی آنها افزایش یافته و ریسک نزدیک شدن به مرحله ی ورشکستگی و اتمام عمر واحد تجاری افزایش می یابد.
همچنین در صورت استفاده زیاد شرکت از تامین مالی اعتباری ، اعتبار شرکت نزد تامین کنندگان کالاها و خدمات کاهش یافته و از طرفی باعث افزایش اهرم مالی شرکت میگردد و از طرفی دیگر با کاهش حجم سرمایه در گردش و منفی نمودن آن ، نهایتا عملکرد شرکت را کاهش داده و باعث درمانده تر شدن شرکت می گردد.
لذا مدیران شرکت ها در هنگام استفاده از این نوع تامین مالی بایستی وسواس بیشتری را خرج دهند و با بررسی هزینه و خرج این نوع تامین مالی بر منافع حاصل از آن ، بهترین راهکار ممکن را اتخاذ نمایند.
فصل سوم :
روش شناسی پژوهش