مطالعه ی بیشتر

‌‌ورشکستگی تجاری ممکن است دلا‌یل متعددی داشته باشد. در کشورهای توسعه یافته این مقوله از طریق سیستمهای قانونی مورد توجه و نظارت قرار می‌گیرد اما در کشورهایی که ثبات تجاری و اقتصادی کمتر است، احتمال ورشکستگی بیشتر می‌شود، خصوصاً اگر قانون نیز حمایت اندکی از ذینفعان ورشکستگی انجام دهد. بنابراین لا‌زم است روشی برگزیده شود که وضعیت مالی شرکت را ارزیابی کند، ولی از آنجا که هیچ یک از روشهای ارزیابی عملکرد در دنیا مدل کاملی ارائه نمی‌دهد و همواره در کنار یک مدل پیش‌بینی، نیاز به قضاوت حرفه‌ای تصمیم گیرنده نیز می‌باشد، اتکا به یک مدل پیش‌بینی ورشکستگی همیشه منتهی به تصمیم صحیح از طرف گروههای ذینفع نمی‌شود.

 اولين‌ تحقيق‌ در زمينه‌ پيش‌بيني‌ ورشکستگي‌ در سال‌ 1900 توسط‌ توماس‌ وودلاک‌ انجام‌ شد. وي‌ يک‌ تجزيه‌وتحليل‌ کلاسيک‌ در صنعت‌ راه‌آهن‌ انجام‌ داد و نتايج‌ تحقيق‌ خود را در مقاله‌ تحت‌ عنوان‌ “درصد هزينه‌هاي‌ عملياتي‌ به‌ سود انباشته‌ ناخالص” ارائه‌ کرد. در سال‌ 1911، لارس‌ جامبرلاين‌ در مقاله‌اي‌ تحت‌ عنوان‌ “اصول‌ سرمايه‌گذاري‌ اوراق‌ قرضه” از نسبت های‌ به‌دست‌ آمده‌ به‌وسيله‌ وودلاک، نسبت های‌ عملکرد را به‌وجود آورد. در سال‌ 1930 تا 1935، آرتور ونيکور و ريموند اسميت‌ در مطالعات‌ خود تحت‌عنوان‌ “روش های‌ تحليل‌ در نسبت های‌ مالي‌ شرکت هاي‌ ورشکسته” دريافتند که‌ صحيح‌ترين‌ نسبت‌ براي‌ تعيين‌ وضعيت‌ ورشکستگي، نسبت‌ سرمايه‌ در گردش‌ به‌ کل‌ دارايي‌ است. اولين‌ تحقيقاتي‌ که‌ باعث‌ ايجاد مدلي‌ براي‌ پيش‌بيني‌ ورشکستگي‌ شد، تحقيقات‌ ويليام‌ بيور در سال‌ 1966 بود. بیور برای بررسی توان نسبت‌های مالی در پیش‌بینی درماندگی مالی، از تجزیه و تحلیل یک متغیری و بیشتر از نسبت‌های مربوط به جریانات نقدی استفاده کرد. در این پژوهش، بیور عدم توانایی شرکت به انجام تعهدات مالی‌اش را به عنوان درماندگی مالی تعریف کرده است. آلتمن  (1968) برای اولین بار اثر ترکیبات مختلف نسبت‌های مالی را برای پیش‌بینی درماندگی مالی شرکت‌ها بررسی کرد، آلتمن در این مطالعه از MAD استفاده کرد. مدلی که او به دست آورد و به Z-Score معروف است، هنوز به‌عنوان شاخصی برای سلامت مالی شرکت‌ها ورشکسته از غیر ورشکسته مورد استفاده قرار می‌گیرد. در ادامه دی کین (1972)  تحقیقات انجام شده توسط بیور و آلتمن را در مدل جدیدی ادغام کرد. دی کین اظهار کرد که روش بیور توان پیش‌بینی‌کنندگی بهتری دارد در حالی که رویکرد آلتمن بینش بهتری می‌دهد. دیکین نیز برای پیش‌بینی ورشکستگی از مدل MDA استفاده کرد ولی 14 نسبتی را که در مطالعه بیور مورد استفاده قرار گرفته بودند به کار برد.

اهلسون  (1980) مدلی را با استفاده از رگرسیون لجستیک توسعه داد. وی در این پژوهش از 105 شرکت ورشکسته و 205 شرکت غیر ورشکسته بین سال‌های 1970تا 1976 استفاده کرد. او نه نسبت مالی را به‌عنوان متغیر مستقل بکار برد. از این نسبت مالی، پنج تای آن‌ها در مطالعات قبلی نیز استفاده شده بودند. اودوم و شاردا (1990) برای نخستین بار از شبکه‌های عصبی در طراحی مدل‌های پیش‌بینی ورشکستگی استفاده کردند. یافته‌های تحقیق نشان داد که نتایج روش شبکه‌های عصبی صحیح‌تر، دقیق‌تر و معتبرتر از روش تشخیص خطی چند متغیره است.

تام و کیانگ  (1992) قابلیت پیش‌بینی شبکه‌های عصبی را با پیش‌بینی آنالیز تشخیص خطی، رگرسیون لجستیک، درخت‌های تصمیم و نزدیکترین کای مجاور مقاسیه کردند و نشان دادند که نتایج حاصل از روش شبکه‌های عصبی صحیح‌تر، دقیق‌تر و معتبرتر است.

سرانو- سینکا  (1997) به مطالعه پیش‌بینی ورشکستگی با استفاده از پرسپترون چند لایه MLP پرداخت. در این تحقیق MLP با MDA مورد مقایسه قرار گرفت. دقت کلی پیش‌بینی با استفاده از MDA، 86 درصد و با استفاده ازMLP، 94 درصد به دست آمد. ژانگ، هو، پاتوا و ایندرو (1999) بر اساس اطلاعات 220 شرکت (متشکل از 110 شرکت ورشکسته و 110 شرکت غیر ورشکسته) مدلی را با استفاده ازANN ارائه دادند. نتایج این تحقیق نشان داد که دقت کلی پیش‌بینی شبکه‌های عصبی از رگرسیون لجستیک بیشتر است. گفتنی است که در این مطالعه، ازMLP به همراه الگوریتم یادگیری GRG2 استفاده شد. شاه و مرتزا (2000)  مدلی را با استفاده از ANN برای پیش‌بینی ورشکستگی ارائه دادند. در این مطالعه از اطلاعات 60 شرکت ورشکسته و 54 شرکت غیر ورشکسته بین سال‌های 1992 تا 1994 استفاده شد. دقت پیش‌بینی این مدل 73 درصد به دست آمد.

سارکر و اسریرام (2001)  برای اولین بار از شبکه‌های بیز برای پیش‌بینی ورشکستگی استفاده کردند. آنها در این پژوهش از دو مدل متفاوت، یکی مدل ساده بیز و دیگری مدل پیچیده بیز استفاده کردند. نمونه انتخابی آنها شامل 228 بانک بود. نتایج پژوهش آن‌ها نشان داد مدل ساده بیز با 80 درصد اطمینان وضعیت ورشکستگی و با 93 درصد اطمینان وضعیت عدم ورشکستگی را درست پیش‌بینی کرده‌اند و مدل پیچیده بیز با 88 درصد اطمینان وضعیت ورشکستگی و با 93 درصد اطمینان وضعیت عدم ورشکستگی را درست پیش‌بینی کرده است.

شین و لی (2002) از مدل ژنتیک برای پیش‌بینی درماندگی مالی شرکت‌ها استفاده کردند و نتایج پژوهش آن‌ها نشان داد که مدل ژنتیک علاوه بر مناسب بودن برای پیش‌بینی درماندگی مالی، درک آن برای استفاده‌کنندگان بسیار آسان است.

سیلن (2004) پژوهشی را برای پیش‌بینی ورشکستگی به وسیله سه الگوی حداقل مجموع انحرافات، DEA وC5.0 (یکی از روش‌های درخت تصمیم) انجام دادند. تحقیقات آن‌ها نشان داد که سه روش به ترتیب دقت طبقه‌بندی 9/78 درصد، 4/86 درصد و 5/85 درصد را تأمین می‌کنند.

  والاس (2004)  یک مدل با استفاده از روش شبکه‌های عصبی طراحی کرد. در این مدل از مقادیر نسبت‌های مالی کلیدی که در مطالعات ورشکستگی گذشته به عنوان بهترین نسبت‌ها گزارش شده بودند، استفاده شد.

لی (2004)  مدل درخت تصمیم c5.0،GP ، CART و شبکه عصبی و رگرسیون لجستیک را در پیش‌بینی ورشکستگی به کار گرفته است و در بازه زمانی 1999 تا 2003 از اطلاعات 55 شرکت ورشکسته و110 شرکت سالم در تایوان برای طراحی مدل‌ها استفاده کرده است، سطح زیر منحنیROC در مدل درخت تصمیم CART طراحی شده توسط آنها 17/86% و مدل درخت تصمیم c5.0طراحی شده توسط آن‌ها 36/83%، و مدل درخت تصمیم GP طراحی شده توسط آن‌ها 95/89% بود و به همین ترتیب مدل رگرسیون لجستیک 41/82% و شبکه عصبی 94/85% بود.
مین و لی (2005) با استفاده از ماشین بردار پشتیبان اقدام به طراحی مدلی برای پیش‌بینی ورشکستگی شرکت‌ها نمودند. پژوهش آن‌ها نشان داد که نسبت به مدل‌های آماری سنتی، از عملکرد بهتری برخوردار است.

18- آلفارو و گارسیا  (2008) برای پیش‌بینی درماندگی مالی شرکت‌ها به بررسی دو مدل الگوریتم آدابوست و شبکه‌های عصبی مصنوعی پرداختند. نتایج این پژوهش نشان داد الگوریتم آدابوست نسبت به شبکه‌های عصبی مصنوعی عملکردی بهتر دارد و توان پیش‌بینی این روش 1/91% است.

 سووشی و گوتو (2009) دو روشDEA و DA- DEA را از دیدگاه ارزیابی ورشکستگی مورد بررسی و مقایسه قرار دادند. آن‌ها در کار تحقیقاتی خود نقاط قوت و ضعف متدولوژیکی DEA و DA- DEA را از لحاظ شکست شرکتی بررسی کردند.

جپ و دیگران (2010)  از الگوی درخت تصمیم برای پیش‌بینی ورشکستگی استفاده کردند و اثبات کردنند مدل درخت تصمیم مناسب برای پیش‌بینی است. اکسی (2011) نیز از مدل درخت تصمیم در داده کاوی برای پیش‌بینی ورشکستگی استفاده کرد. 15 متغیر را به کارگرفت. در این مطالعه از اطلاعات 73 شرکت بین سال‌های 2006 تا 2008 استفاده کرد و داده‌ها را به دو مجموعه آموزش و تست تقسیم کرد. مجموعه آموزش شامل 70% مشاهدات و مجموعه تست شامل 30% مشاهدات است. الگوریتمCART 92/87% داده‌ها را در گام آموزش و 57/88% داده‌ها را در گام تست به درستی پیش‌بینی کرد در حالیکه 08/12% از شرکت‌های ورشکسته در گام آموزش و 43/11% را در گام تست با خطا پیش‌بینی کرد.
 پرماچاندرا و همکاران (2011)  با استفاده از الگوی سوپر کارایی جمعی روش DEA بر اساس دو مرز موفقیت و شکست به ارزیابی شرکت‌ها می‌پردازند. آن‌ها نشان دادند که الگوی DEA در پیش‌بینی شکست شرکت‌ها در مقایسه با پیش‌بینی شرکت‌های سالم به نسبت ضعیف عمل می‌کند.