(مطالعه موردی شرکتهای پذیرفته شده در بورس تهران بر اساس الگوریتم ژنتیک خطی، شبکه عصبی مصنوعی و مدل اسپرینگیت )اده
پایان نامه برای دریافت درجه کارشناسی ارشد
در
رشته مدیریت بازرگانی گرایش مالی
شهریورماه سال 1392
تکه هایی از متن پایان نامه به عنوان نمونه :
(ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل است)
فهرست مطالب
فصل اول: طرح تحقیق 1
1-1- مقدمه 2
1-2- بیان مسئله 3
1-3- ضرورت انجام پژوهش 4
1-4- گزارههای پژوهش. 5
1-4-1- سؤالات پژوهش. 5
1-4-2- فرضیهها. 5
1-4-2-1- فرضیه‌های گروه اول. 5
1-4-2-2- فرضیه‌های گروه دوم. 6
1-4-3- اهداف تحقیق. 6
1-5- متغیرهای تحقیق 7
1-6- روش تحقیق. 7
1-7- محدودیتها. 7
1-8- واژهها و اصطلاحات 8
1-9- چارچوب فصلهای آتی. 10
فصل دوم: ادبیات تحقیق. 12
2-1- مقدمه. 13
2-2- مبانی نظری. 14
2-2-1- تعریف ورشکستگی. 14
2-2-1-1- تاریخچۀ ورشکستگی. 15
2-2-1-2- مدلهای پیش‌بینی‌کنندۀ ورشکستگی 16
2-2-2- الگوریتم ژنتیک 19
2-2-2-1- ساختار الگوریتم ژنتیک. 19
2-2-2-2- مدل عملیاتی الگوریتم ژنتیک 21
2-2-3- شبکه‌های عصبی مصنوعی 22
2-2-3-1- ساختار شبکه عصبی مصنوعی 23
2-2-3-2- مدل عملیاتی ساختار شبکۀ عصبی مصنوعی. 25
2-2-4- مدل اسپرینگیت. 27
2-2-5- شاخص 28
2-3- پیشینۀ تحقیق 30
2-3-1- تحقیقات خارجی. 30
2-3-2- تحقیقات داخلی 35
2-4- نتیجه‌گیری 39
فصل سوم: روش تحقیق 39
3-1- مقدمه. 40
3-2- روش تحقیق. 40
3-3- قلمرو تحقیق. 41
3-4- جامعۀ آماری. 41
3-5- نمونۀ آماری و روش نمونه‌گیری. 42
3-6- نحوۀ جمعآوری اطلاعات. 47
3-7- روشهای آماری استفادهشده برای تجزیه و تحلیل اطلاعات. 48
3-8- خلاصۀ فصل. 49
فصل چهارم: دادهها و تجزیه و تحلیل آنها. 50
4-1- مقدمه. 51
4-1- تحلیل اطلاعات. 51
4-1-1- فرضیه‌های گروه اول. 52
4- 3- 2- فرضیه‌های گروه دوم 55
4- 3- 3- پاسخ سؤالات پژوهش 58
4-4- نتیجه‌گیری 59
فصل پنجم: نتیجه‌گیری و پیشنهادها 60
5- 1- مقدمه 61
5-2- خلاصۀ تحقیق. 61
5-3- نتایج تحقیق 62
5- 3- 1- فرضیه‌های گروه اول. 62
5- 3- 2- فرضیه‌های گروه دوم 65
5-4 – محدویتهای تحقیق 67
5- 5- نتیجۀ تحقیق. 68
5- 6- پیشنهادات ارائه شده برای پژوهش‌های آتی 69
ضمیمه الف. 74
ضمیمه ب. 127
فهرست شکلها
شکل 2-1: یک کروموزم طراحی شده توسط الگوریتم ژنتیک جهت پیشبینی ورشکستگی 20
شکل2-2: لایه‌های یک شبکه عصبی مصنوعی 24
فهرست جدولها
جدول 2-1: تقسیم‌بندی مدلهای پیشبینی ورشکستگی براساس ماهیت 17
جدول 3-1: فهرست شرکتهای ورشکسته. 43
جدول 3-2: فهرست شرکتهای غیرورشکسته 45
جدول 4-1: نتایج حاصل از رگرسیون لجستیک مدل اسپرینگیت. 52
جدول 4-2: نتایج حاصل از رگرسیون لجستیک مدل شبکۀ عصبی مصنوعی. 53
جدول 4-3: نتایج حاصل از رگرسیون لجستیک الگوریتم ژنتیک خطی 54
جدول 4-4: نتایج حاصل از آزمون من ـ ویتنی مدل شبکۀ عصبی‌مصنوعی و مدل اسپرینگیت 56
جدول 4-5: نتایج حاصل از آزمون من ـ ویتنی الگوریتم ژنتیک خطی و مدل اسپرینگیت 57
جدول 4-6: نتایج حاصل از آزمون من ـ ویتنی مدل شبکۀ عصبی‌مصنوعی و الگوریتم ژنتیک. 58
جدول 5-1 مدلهای پیش‌بینی‌کنندۀ ورشکستگی براساس توانمندی پیشبینی 67
الف- 1: اطلاعات مالی استخراج شده از صورت‌های مالی شرکتهای ورشکسته جهت استفاده در مدل اسپرینگیت 76
الف- 2: اطلاعات مالی استخراج شده از صورت‌های مالی شرکتهای غیرورشکسته جهت استفاده در مدل اسپرینگیت 80
الف- 3: محاسبه نسبتهای مورد استفاده در مدل اسپرینگیت – شرکتهای ورشکسته 84
الف- 4: محاسبه نسبتهای مورد استفاده در مدل اسپرینگیت – شرکتهای غیرورشکسته. 88
الف- 5: اطلاعات مالی استخراج شده از صورت‌های مالی شرکتهای ورشکسته جهت استفاده در مدل شبکه عصبی مصنوعی. 92
الف- 6- اطلاعات مالی استخراج شده از صورت‌های مالی شرکتهای غیرورشکسته جهت استفاده در مدل شبکه عصبی مصنوعی. 97
الف-7: محاسبه نسبتهای مورد استفاده در مدل شبکه عصبی‌مصنوعی – شرکتهای ورشکسته 101
الف- 8: محاسبه نسبتهای مورد استفاده در مدل شبکه عصبی‌مصنوعی – شرکتهای غیرورشکسته 106
الف- 9: اطلاعات استخراج شده از صورت‌های مالی شرکتهای ورشکسته جهت استفاده در مدل ژنتیک 111
الف-10: اطلاعات مالی استخراج شده از صورت‌های مالی شرکتهای غیرورشکسته جهت استفاده در مدل ژنتیک 115
الف-11: محاسبه نسبتهای مورد استفاده در مدل ژنتیک – شرکتهای ورشکسته 119
الف-12: محاسبه نسبتهای مورد استفاده در مدل ژنتیک – شرکتهای غیرورشکسته 123
ب-1: نتیجه آزمون مدل اسپرینگیت توسط رگرسیون لجستیک – شرکتهای غیرورشکسته 128
ب- 2: نتیجه آزمون مدل اسپرینگیت توسط رگرسیون لجستیک – شرکتهای ورشکسته 129
ب- 3: نتیجه آزمون کلی مدل اسپرینگیت توسط رگرسیون لجستیک 130
ب- 4: آزمون مدل شبکه عصبی‌مصنوعی توسط رگرسیون لجستیک – شرکتهای غیرورشکسته 131
ب- 5: آزمون مدل شبکه عصبی‌مصنوعی توسط رگرسیون لجستیک – شرکتهای ورشکسته 132
ب- 6: آزمون کلی مدل شبکه عصبی‌مصنوعی توسط رگرسیون لجستیک 133
ب- 7: آزمون مدل ژنتیک توسط رگرسیون لجستیک – شرکتهای غیرورشکسته 134
ب- 8: آزمون مدل ژنتیک توسط رگرسیون لجستیک – شرکتهای ورشکسته. 135
ب- 9: آزمون کلی مدل ژنتیک توسط رگرسیون لجستیک. 136
ب- 10: نتیجه آزمون من-ویتنی مدلهای اسپرینگیت و شبکه عصبی مصنوعی 137
ب- 11: نتیجه آزمون من-ویتنی مدلهای اسپرینگیت و الگوریتم ژنتیک. 138
ب- 12: نتیجه آزمون من-ویتنی مدلهای شبکه عصبی‌مصنوعی و الگوریتم ژنتیک. 139
فصل اول:
کلیات
(طرح تحقیق)
1-1- مقدمه
یکی از مسائلی که همیشه ذهن دانشمندان و محققان را به خود مشغول داشته بحث پیشگویی است. اساساً، در طول تاریخ، انسانها همیشه به دنبال این مقوله بودهاند. مسئلۀ ورشکستگی و عدم موفقیت شرکتها نیز همواره از مشکلات درخور توجه بوده و یکی از عواملی است که هریک از استفاده‌کنندگان از صورت‌های مالی همیشه نگران آن هستند.
در سطح کشور و از جمله در جمع شرکتهای تولیدی پذیرفتهشده در بورس اوراق بهادار تهران، شرکتهایی دیده میشوند که در بازپرداخت بدهیهای خود با مشکل مواجه هستند، بازدهی لازم برای پوشش هزینهها را ندارند و نیز مشمول مادۀ 141 قانون تجارت[1] شدهاند. در واقع، همۀ این مسائل حاکی از درگیری شرکتها با درماندگی مالی هستند. وضع مالی نامطلوب باعث بروز زیان برای اقشار مختلف جامعه و مخصوصاً سرمایه‌گذاران و اعتباردهندگان میشود. بنابراین، نه تنها سرمایه‌گذاران بلکه مدیران ارشد و حسابداران نیز علاقهمندند که وضعیت مالی شرکت را بهطور علمی پیشبینی نمایند. هرچند ریسک ورشکستگی برای هریک از این گروهها متفاوت است، لیکن همۀ آنها در این مسئله ذینفع هستند.
بحرانهای مالی اخیر در سراسر دنیا باعث توجه به اهمیت مکانیزمهایی شد که برای رفع وضع مالی نامطلوب شرکتها طراحی شدهاند. واضح است که پیشبینی ورشکستگی شرکتها میتواند در بهکارگیری این مکانیزم‌ها برای حل وضع مالی نامطلوب آنها بسیار مؤثر باشد، اما لازم به ذکر است که ویژگیهای خاص کشورها نیز بر مشکلات مالی آنها تأثیر می‌گذارد.
یکی از راه‌هایی که میتوان به بهرهگیری مناسب از فرصتهای سرمایهگذاری و همچنین جلوگیری از هدر رفتن منابع کمک کند پیشبینی درماندگی مالی یا ورشکستگی است. به این ترتیب که نخست، با ارائۀ هشدارهای لازم، میتوان شرکتها را نسبت به وقوع درماندگی مالی هوشیار کرد تا آنها با توجه به این هشدارها دست به اقدامهای مقتضی بزنند و دوم اینکه سرمایه‌گذاران فرصت مطلوب سرمایهگذاری را از فرصتهای نامطلوب تشخیص دهند و منابعشان را در فرصتهای مناسب سرمایهگذاری کنند. در ادامۀ این فصل، به تشریح بیشتر موضوع، اهمیت و ضرورت آن و همچنین اهداف و فرضیه‌های پژوهش میپردازیم.
1-2- بیان مسئله
از نقطهنظر اقتصادی، درماندگی را میتوان به زیانده بودن شرکت تعبیر کرد که در واقع، در این حالت، شرکت دچار عدم‌موفقیت شده است. صرف‌نظر از اندازه و ماهیت فعالیت واحدهای تولیدی، استفاده‌کنندگان از صورت‌های مالی، از جمله سرمایه‌گذاران و یا اعتباردهندگان، بر اساس اطلاعات مالی تصمیم به خرید و فروش سهام و پرداخت وام می‌گیرند. همانطور که گفته شد، در سطح کشور و از جمله در جمع شرکتهای تولیدی پذیرفتهشده در بورس اوراق بهادار تهران، ممکن است شرکتهایی در آینده دچار ورشکستگی شوند، لیکن باتوجه به عدم‌اطمینان نسبت به وضعیت این شرکتها در آینده، ممکن است منابع و فرصتهای بیشتری از بین میرود.
وضع مالی نامطلوب شرکتها باعث بروز زیان برای اقشار مختلف جامعه میشود، بطور مثال چنانچه حسابرسان از طریق گزارش حسابرسی علائم بحران را افشا نکنند، به وسیلۀ دعاوی حقوقی تحدید میشوند، همچنین موسسات مالی باید احتمال ناتوانی واحدهای تولیدی در بازپرداخت تسهیلات دریافتی را اندازه‌گیری نمایند. بنابراین، نه تنها سرمایه‌گذاران بلکه مؤسسات مالی، مدیران ارشد، حسابرسان و . نیز علاقهمندند که وضعیت مالی شرکت را بهطور علمی پیشبینی کنند. وقتی شرکتی ورشکسته شود، به نظر میرسد سازماندهی مجدد، خروج از درماندگی و یا انحلال و نقدکردن آن به منظور استفاده از سایر فرصتهای سرمایهگذاری راه حل معقول باشد. اما زمانی میتوان از سازماندهی مجدد شرکت صحبت کرد که فرصت کافی برای این کار باقی مانده باشد. بنابراین، نیاز به استفاده از الگوهایی است که بتوانند وضعیت مالی شرکتها را در آینده پیشبینی کنند. بنابراین طی سالیان اخیر، علاقه به پیشبینی بحرانهای مالی در شرکتها منتج به شکل‌گیری مدلهای متفاوتی در این حوزه شده، لیکن مسئله اصلی عدم اجماع در خصوص این مدل‌ها است.
1-3- ضرورت انجام پژوهش
در فضای 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[2]» در مقایسه با «مدل شبکۀ عصبی مصنوعی[3]» در پیشبینی ورشکستگی شرکتها چگونه است؟
- میزان توانایی مدل «اسپرینگیت» در مقایسه با «الگوریتم ژنتیک خطی[4]» 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)
[2]. Springate method.
[3]. Artificial neural network.
