تعداد نشریات | 418 |
تعداد شمارهها | 10,005 |
تعداد مقالات | 83,629 |
تعداد مشاهده مقاله | 78,550,923 |
تعداد دریافت فایل اصل مقاله | 55,704,560 |
ارزیابی تأثیر محتوای اطلاعات حسابداری تورمیدر مقایسه با اطلاعات تاریخی در طراحی مدلهای پیشبینی ورشکستگی مبتنی بر رویکردهای سنتی و فراابتکاری | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
پژوهش های حسابداری مالی و حسابرسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
دوره 15، شماره 59، مهر 1402، صفحه 55-79 اصل مقاله (794.72 K) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نوع مقاله: مقاله علمی پژوهشی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
شناسه دیجیتال (DOI): 10.30495/faar.2023.705557 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
نعیمه جبلی1؛ ایمان داداشی* 2 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
1گروه حسابداری، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2گروه حسابداری دانشگاه قم،قم،ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
چکیده پیشبینی ورشکستگی بنگاههای اقتصادی یکی از شاخههای رشته مالی است که در تحقیقات اخیر بیشتر مورد توجه قرار گرفته است بهگونهای که الگوهای ورشکستگی توسعه یافته است. در عمده پژوهشهای صورت گرفته در حوزه پیشبینی عملکرد مالی شرکتها و بهطور خاص، ورشکستگی، تنها به پیشبینی و یا مقایسه توان پیشبینی مدلها با استفاده از اطلاعات تاریخی صورتهای مالی پرداخته شده است. از آنجا که در ایران بیشتر از اطلاعات تاریخی حسابداری استفاده شده است هدف اصلی این پژوهش لحاظ نمودن آثار تورم بر روی متغیرهای ورودی در طراحی مدل پیشبینی ورشکستگی میباشد. لذا متغیرها در دو گروه نسبتهای مالی تعدیل شده و تاریخی، در طراحی دو مدل متفاوت دستهبندی شدند، سپس با استفاده از الگوریتم لارس نسبتهای گویاتر تمایز بین شرکتهای ورشکسته و غیرورشکسته، انتخاب گردیدند و در نهایت با بهکارگیری آزمون رگرسیون لاجیت و الگوریتمهای ماشین بردار پشتیبان و نیو بیزین مدل نهایی پیشبینیکننده ورشکستگی شکل گرفت. بدین منظور دادههای50 شرکت پذیرفته شده در بورس تهران براساس ماده 141 قانون تجارت برای حداقل یکسال ورشکستگی را تجربه کرده بودند، بهکارگرفته شد. نتایج این پژوهش اثبات نمود که نسبتهای مالی تعدیل شده بر مبنای شاخص قیمتها پیشبینیکننده مناسبتری برای ورشکستگی شرکتها میباشند همچنین، مدل طراحی شده توسط الگوریتم ماشین بردار پشتیبان با دقت 4/99% و برازش بالاتر نسبت به مدلهای دیگر، پیشبینیکننده مناسبی برای ورشکستگی شرکتها میباشد. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
واژههای کلیدی: الگوریتم LARS؛ الگوریتم SVM؛ شاخص عمومیقیمتها؛ نسبت مالی؛ ورشکستگی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
https://doi.org/10.30495/faar.2023.1948753.3408
ارزیابی تأثیر محتوای اطلاعات حسابداری تورمیدر مقایسه با اطلاعات تاریخی در طراحی مدلهای پیشبینی ورشکستگی مبتنی بر رویکردهای سنتی و فراابتکاری
چکیده پیشبینی ورشکستگی بنگاههای اقتصادی یکی از شاخههای رشته مالی است که در تحقیقات اخیر بیشتر مورد توجه قرار گرفته است بهگونهای که الگوهای ورشکستگی توسعه یافته است. در عمده پژوهشهای صورت گرفته در حوزه پیشبینی عملکرد مالی شرکتها و بهطور خاص، ورشکستگی، تنها به پیشبینی و یا مقایسه توان پیشبینی مدلها با استفاده از اطلاعات تاریخی صورتهای مالی پرداخته شده است. از آنجا که در ایران بیشتر از اطلاعات تاریخی حسابداری استفاده شده است هدف اصلی این پژوهش لحاظ نمودن آثار تورم بر روی متغیرهای ورودی در طراحی مدل پیشبینی ورشکستگی میباشد. لذا متغیرها در دو گروه نسبتهای مالی تعدیل شده و تاریخی، در طراحی دو مدل متفاوت دستهبندی شدند، سپس با استفاده از الگوریتم لارس نسبتهای گویاتر تمایز بین شرکتهای ورشکسته و غیرورشکسته، انتخاب گردیدند و در نهایت با بهکارگیری آزمون رگرسیون لاجیت و الگوریتمهای ماشین بردار پشتیبان و نیو بیزین مدل نهایی پیشبینیکننده ورشکستگی شکل گرفت. بدین منظور دادههای50 شرکت پذیرفته شده در بورس تهران براساس ماده 141 قانون تجارت برای حداقل یکسال ورشکستگی را تجربه کرده بودند، بهکارگرفته شد. نتایج این پژوهش اثبات نمود که نسبتهای مالی تعدیل شده بر مبنای شاخص قیمتها پیشبینیکننده مناسبتری برای ورشکستگی شرکتها میباشند همچنین، مدل طراحی شده توسط الگوریتم ماشین بردار پشتیبان با دقت 4/99% و برازش بالاتر نسبت به مدلهای دیگر، پیشبینیکننده مناسبی برای ورشکستگی شرکتها میباشد. واژههای کلیدی: الگوریتم LARS، الگوریتم SVM، شاخص عمومیقیمتها، نسبت مالی، ورشکستگی. 1- مقدمه ورشکستگی شرکتها، مقوله ای با اهمیت در زندگی تجاری هر بنگاه اقتصادی است که بسیاری از مجامع علمی و تجاری در سده اخیر به آن توجه ویژهای نمودهاند و آثار نامطلوبی برای جامعه و اقتصاد به همراه دارد (مرادی و همکاران، 1391). پیشبینی خطر ورشکستگی بسیار حائز اهمیت میباشد چون با ارائه علائم هشداردهنده و بهموقع و در پی آن مقابله صحیح و منطقی با شرایط به وجود آمده، میتوان از مواجه شدن با خسارتهای مادی و معنوی جلوگیری نمود (چیانگ یه[3] و همکاران، 2010). تحقیقات انجام شده قبلی نشان داده که شرکتها ورشکستگی خود را پنهان کرده و زمانی رسما اعلام ورشکستگی میکنند که امکان جلوگیری از ورشکستگی وجود ندارد، بنابراین چنانچه بتوان در مورد وقوع ورشکستگی پیش از رخداد آن اطلاعاتی بدست آورد میتوان از پیامدهای اقتصادی و اجتماعی آن کاسته و از به هدر رفتن ثروتهای ملی پیشگیری کرد. با توجه به اینکه هدف اولیه حسابداری، ارائه اطلاعات سودمند برای تصمیمگیری اقتصادی استفادهکنندگان آن میباشد و با تأکید بر ویژگی "مربوط بودن"، به عنوان یکی از دو ویژگی کیفی اولیه مطرح شده در مبانی نظری حسابداری و گزارشگری مالی و همچنین ارائه اطلاعات کیفی و کمی قابل اعتماد، تحلیلگران مالی و سایر استفادهکنندگان را در پیشبینی وضعیت اقتصادی و مالی آتی شرکتها یاری نموده اما سیستم متداول حسابداری عمدتاً سیستم بهای تاریخی است که مبتنی بر ارزشیابی بر اساس بهای تمام شده در زمان انجام مبادله و مفهوم نگهداشت سرمایه مالی اسمیاست. سیستم حسابداری بهای تاریخی در زمان تورم تصویر واقعی و بهنگامیاز وضعیت مالی شرکت را نشان نمیدهد (کرکولاک و بالساری[4]، 2009 ). دلایلی وجود دارد که مدلهای مبتنی بر حسابداری در پیشبینی ورشکستگی بار اطلاعاتی کمتری دارند ابتدا مدلهای حسابداری از اطلاعات صورتهای مالی استفاده میکنند که عملکرد گذشته شرکت را بررسی میکنند همچنین میثاقهای حسابداری مانند بهای تاریخی و محافظه کاری دامنه اطلاعات حسابداری را محدود میکنند بنابراین ارزش داراییها در صورتهای مالی کمتر از واقع بیان شده است و در نهایت دادههای حسابداری تصویری از ارزش شرکت را فقط در یک زمان خاص نشان میدهند در حالیکه دادههای بازار آیندهنگر هستند ( کارالام باکیس و همکاران[5]، 2009 ). لذا بهکارگیری روشهای نوین و با دقت زیاد در نیل به اهداف پیشبینی که دقت، صحت و بهموقع بودن را شامل میشود، به دلیل دارابودن ارزش افزوده اطلاعاتی (محتوای اطلاعاتی) اهمیت روز افزونی یافته است. با اینکه سالهای زیادی از طرح موضوع فوق میگذرد و همچنین با اوجگیری نرخ تورم در سالهای اخیر، ولی هنوز در این خصوص توجه خاصی به پژوهش بر اساس اطلاعات حسابداری بهای تعدیل شده بر مبنای شاخص عمومیقیمتها و حسابداری تورمی در ایران صورت نپذیرفته است. پژوهش حاضر به دنبال پاسخ به این سؤال اساسی میباشد که در طراحی مدل پیشبینیکننده ورشکستگی شرکتها کدامیک از نسبتهای مالی تاریخی و نسبتهای مالی تعدیل شده بر مبنای شاخص قیمتها، با بهکارگیری رویکردهای سنتی و فراابتکاری دقت بالاتری دارد؟ لذا کلیه نسبتهای مالی استفاده شده در مدلهای مختلف پیشبینی ورشکستگی، در دو گروه نسبتهای مالی تعدیل شده و تاریخی، دستهبندی شدند، سپس با استفاده از الگوریتم لارس نسبتهایی که دارای بیشترین توانایی در تمایز بین شرکتهای ورشکسته و غیرورشکسته بودند، شناسایی و در نهایت با به کارگیری رگرسیون لاجیت و الگوریتمهای ماشین بردار پشتیبان و نیو بیزین محتوای اطلاعاتی حسابداری تورمی و بهای تمام شده تاریخی، مورد مقایسه تطبیقی قرار گرفته و سودمندی یک روش جایگزین (صورتهای مالی تعدیل شده بر اساس شاخص عمومی قیمتها) در عمل سنجیده میشود همچنین تعدیل نسبتها بر اساس نرخ تورم منجر به پیوند جدیدی بین حسابداری و اقتصاد کلان میگردد.
2- مبانی نظری پیشرفت سریع فناوری و تغییرات محیطی وسیع و گسترش بازارهای سرمایه توام با جذب سرمایههای کلان، شتاب فزایندهای به اقتصاد بخشیده است که در این میان رقابت روز افزون بنگاههای اقتصادی دستیابی به سود را محدود و احتمال ورشکستگی را افزایش داده است، لذا شناخت علل و عوامل پدید آورنده ورشکستگی و از همه مهمتر پیشبینی ورشکستگی به وسیله اطلاعات ناشی از صورتهای مالی میتواند تأثیر بهسزایی بر روی کارآیی بازار سرمایه و تصمیمگیری سرمایهگذاران و اعتباردهندگان و علیالخصوص دستگاهها جهت پیشبینی ورشکستگی قبل از وقوع شکست باشد. عموم سرمایهگذاران انتظار دارند عملیات شرکت سرمایهپذیر مطابق با شرایط مورد انتظار آنها پیش رود و بازدهای که نصیبشان میشود متناسب با ریسک سرمایهگذاری باشد. از نقطهنظر اقتصادی، ورشکستگی شرکت، پدیدهای طبیعی است که نباید نادیده گرفته شود، زیرا یک ضربه اجتماعی مبتنی بر بیکاری و برابری قدرت خرید محسوب میشود (کاکی و الخالدی[6]، 2011). کاهش چرخه عمر محصولات، افزایش تأثیر تکنولوژی بر عملیات شرکتها، گسترش مبادلات جهانی و عواملی از این دست باعث افزایش بیثباتی در محیطهای مالی شده که ماحصل آن تمرکز بیشتر بر کاهش ریسک و تضمین بازده سرمایهگذاریها بوده است. در این شرایط سرمایهگذاران حقیقی و حقوقی تلاش زیادی را برای اطلاع از وضعیت شرکتهای سرمایهپذیر در جهت محافظت از سرمایه خود انجام میدهند که البته این مهم زمانی قابل دستیابی خواهد بود که روشهای تجزیه و تحلیل قابلاتکایی در دسترس باشد (پیرایش، داداشی آرانی، 1395). محققان مدلهای متفاوتی را برای ارزیابی وضعیت مالی و عملکرد شرکتها ارائه کردهاند. اما به نظر میرسد روشی که مدلی ایجاد کند که از معیارهای جامعتری استفاده کند و موفقیت یا عدم موفقیت یک شرکت را به طور نسبی پیشبینی نماید، تصمیمگیرندگان را در رسیدن به هدف یعنی اخذ تصمیم صحیح یاری خواهد رساند. یکی از اهداف اولیه حسابداری و گزارشگری مالی، تأمین نیاز و خواستهای اطلاعاتی استفادهکنندگان جهت کمک در اتخاذ تصمیمگیریهای اقتصادی در ارتباط با واحد تجاری میباشد، اما بهکارگیری اطلاعات مندرج در صورتهای مالی بدون تجزیه و تحلیل آنها ممکن است باعث گمراهی استفادهکنندگان گردد به همین منظور استفاده از اطلاعات حاصل از تجزیه و تحلیل صورتهای مالی توسط افراد متخصص از اهمیت زیادی برخوردار است (کوک، 1384). یکی از تکنیکهای تجزیه و تحلیل صورتهای مالی بیان ارتباط بین ارقام بهصورت نسبت است. ویژگیهای ساده بودن نسبتها باعث شده تا در سطح وسیعی به عنوان ابزاری قابل استفاده و مقبول مورد توجه قرار گیرند (شیخ، 1375). اما از آنجایی که مقیاس "پول واحد" در حسابداری، که کارآمدترین وسیله برای اندازهگیری کلیه رویدادهای مالی و پردازش اطلاعات واحد تجاری است، بر خلاف مقیاسهای فیزیکی درگذر زمان ثابت نبوده و همزمان با رکود و تورم تغییر پذیرند (همتی، 1389)، با اوجگیری نرخ تورم در سالهای اخیر بسیاری از حسابداران را به ارائه اطلاعات مکملی برای نشان دادن اثرات تورم واداشت و به نظر اغلب استفادهکنندگان صورتهای مالی، تصمیمگیرندگان اقتصادی و بالاخص مدیران، بایستی به تهیه صورتهای مالی تعدیل شده همت گماشت تا بتوان اطلاعات مربوط، قابل اعتماد، بهموقع، کامل و قابل فهم از اتفاقات مالی را با کمترین هزینه به استفادهکنندگان اعم از داخلی و خارجی گزارش نمود (برزگری، جمالی، 1395). با توجه به اینکه سالهای زیادی از طرح موضوع پژوهش میگذرد ولی هنوز در ایران به ارائه صورتهای مالی تعدیل شده اهمیت داده نمیشود لذا با در نظر گرفتن مطالبی که به آنها اشاره شد پژوهش حاضر با لحاظ نمودن آثار تورم بر روی متغیرهای ورودی، در طراحی مدل پیشبینی ورشکستگی، به مقایسه برازش مدل طراحی شده بر اساس هر دو گروه اطلاعات (دادههای تاریخی و تعدیل شده)، میپردازد و بررسی مینماید که آیا بین محتوای اطلاعاتی صورتهای مالی بر مبنای بهای تعدیل شده (حسابداری تورمی) در راستای پیشبینی ورشکستگی و بهای تمام شده تاریخی تفاوت معناداری وجود دارد یا خیر؟
3-مروری بر پیشینه پژوهش در سالهای اخیر، پیشبینی ورشکستگی با استفاده از روشهای مختلف مورد توجه بسیاری از محققین قرار گرفته است. در حیطه پیشبینی ورشکستگی، دو مجموعه روششناسی تحت عناوین مدلهای سنتی و فراابتکاری مطرح میباشد. در سالهای اخیر و قبل از توسعه روشهای هوش مصنوعی، اغلب محققین از روشهای سنتی همچون رگرسیون لجستیک[7] و تحلیل ممیزی چندگانه[8] استفاده نمودند. علیرغم سهولت و سادگی مدلهای سنتی به هنگام کاربرد، استفاده از مدلهای آماری در عمل با محدودیتهایی مواجه است به عنوان نمونه بیور[9](1966) به فرض خطی بودن رابطه بین متغیرها در مدلهای تجزیه و تحلیل یک متغیره اشاره میکند. آلتمن[10] (1977) به سه فرض محدودکننده در مدلهای آنالیز تشخیص چندمتغیره اشاره دارد که عبارتند از: نرمال بودن توزیع متغیرها، فرض وجود ماتریس توزیع یکنواخت و استفاده از احتمالهای پیشین. همچنین تمری[11] (1996) به موضوع مجهول بودن اهمیت نسبی متغیرها و ذهنی بودن آنها در مدل شاخص ریسک اشاره میکند. پیشفرضهای مربوط به تبعیت از یک توزیع آماری خاص (اغلب، پیروی از توزیع نرمال) در این روشها، ممکن است صحت ریاضی چنین روشهایی را با ابهام مواجه نماید چرا که دادههای مالی در دنیای واقعی، لزوما از توزیع نرمال تبعیت نمیکنند. با توسعه هوش مصنوعی، مدلهای فراابتکاری همچون شبکه عصبی مصنوعی[12]، ماشین بردار پشتیبان، الگوریتم ژنتیک[13] و.... به منظور پیشبینی ورشکستگی مورد استفاده قرار گرفتند. این رویکردها، مفروضات محدود کنندهای همچون خطی بودن، نرمال بودن و استقلال متغیرهای ورودی را که مؤثر بودن و اعتبار پیشبینی را محدود میکنند، ندارند. لذا این روشها ضعف مربوط به ضرورت تبعیت از توزیع آماری خاص موجود در روشهای سنتی را پوشش میدهند. نخستین بار اودوم و شاردا[14] (1990) 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 چندمتغیره است. مین و همکاران[15] (2005) با استفاده از ماشین بردار پشتیبان، مدلی را برای پیشبینی ورشکستگی مطرح کردند که تحقیق آنها نشان داد که مدل آنها نسبت به مدلهای آماری سنتی از عملکرد بهتری برخوردار است و هم از نظر تعمیمپذیری و دقت عملکرد بهتری دارد. در ایران نیز تحقیقات مشابهی انجام شده است. تحقیق انجام شده توسط فلاحپور و راعی (1383) نشان داده که مدل شبکه عصبی در پیشبینی ورشکستگی بهطور معنیداری نسبت به مدل تفکیکی چندمتغیره از دقت پیشبینی بیشتری برخوردار است. یافتههای تحقیق دیگری که توسط فرج زاده دهکردی (1386) انجام شده نشاندهنده آن است که برنامهریزی ژنتیک قابلیت پیشبینی تا 90% از ورشکستگیها در نمونه آزمون دارد در حالی که تجزیه و تحلیل تفکیکی چندمتغیره تا 73% از ورشکستگی شرکتها را میتواند پیشبینی نماید. بنابراین انتظار میرود همانگونه که تحقیقات لی و همکاران[16] (2009)، لیو و هوانگ[17] (2010)، خی و همکاران[18] (2011)، چن[19] (2011)، مخاطب رفیعی و همکاران (2011)، نیک نیا و همکاران (2013) نشان دادهاند، مدلهای فراابتکاری هوش مصنوعی دقت و قدرت پیشبینی بالاتری نسبت به مدلهای سنتی داشته باشند. بیش از هشتاد سال است که حسابداران، در مقالات و تحقیقات خود، مساله تغییر قیمتها و اثر آن بر صورتهای مالی و تصمیمات استفادهکنندگان را مورد بررسی قرار دادند. تحقیقات تجربی اولیه، دو هدف عمده، تعیین میزان اهمیت تعدیلات و تعیین مشکلات مرتبط با تفسیر و بهکارگیری آن را پیگیری نمودند. از انواع دیگر تحقیقات انجام گرفته در این زمینه میتوان به شناسایی مطلوبیت و اهمیت تعدیلات سطح قیمتها و بررسی تأثیر دادههای تعدیل شده بر ارزیابی قیمت سهام شرکتها، اشاره نمود. بنا بر اهمیت موضوع، تعدادی از محققین نیز در تحقیقات خود با استفاده از اطلاعات حسابداری و بازاری بهصورت ترکیبی، به پیشبینی ورشکستگی پرداختند. برای مثال میتوان به تحقیق شاموی[20](200 1)، کمپل و همکارانش[21] (2008) و کریستیدیس و گرگوری[22] (2010) اشاره کرد. همچنین نتایج تحقیقات کارالام باکیس و همکاران (2009) نشان داد در پیشبینی بحران مالی الگویی که ترکیبی از اطلاعات حسابداری و اطلاعات بازار باشد عملکرد بهتری دارد. هرناندز تیناکو و ویلسون[23] (2013) با استفاده از متغیرهای حسابداری، بازار و اقتصاد کلان به بررسی درماندگی مالی و پیشبینی ورشکستگی پرداختند و به این نتیجه دست یافتند که ترکیب متغیرهای حسابداری، بازار و اقتصاد کلان در پیشبینی ریسک ورشکستگی دقت بالایی دارد. در تحقیقات داخلی نیز، رویایی (1372) و زند رییسی (1391) وضعیت صورتهای مالی شرکتها در شرایط تورمی و نیز چگونگی تصمیمگیری سرمایهگذاران در مواجهه با تورم را مورد کنکاش قرار داده و نتایج تحقیقات خود را در مورد حسابداری تورمی اینگونه بیان کردند که تعدیل اقلام حسابداری و صورتهای مالی دارای فواید و مزایایی است که در تصمیمگیریهای اقتصادی شرکتها و مؤسسات مؤثر واقع میشود. صادقی و همکاران (1393) به این نتیجه دست یافتند که نقش عوامل کلان اقتصادی در سلامت و ورشکستگی شرکتها به مراتب بیشتر از نقش عوامل نظام راهبردی است. همچنین فرج زاده و همکاران (1394) و قوهستانی و مهدوی (1399) عنوان کردند که سود و زیان نگهداشت سرمایه باید شناسایی و در صورت سودوزیان جامع ارائه شود و ارائه آن به عنوان اطلاعات مکمل بهای تاریخی مناسبترین روش است علاوه بر این سود و زیانهای تعدیل شده تورمی و سود و زیانهای تاریخی، هر دو محتوای اطلاعاتی اضافی نسبت به یکدیگر دارند و گزارشگری مالی تورمی باید به عنوان مکمل گزارشگری مالی اسمی الزامی شود و نه آنکه گزارشگری مالی تورمی جانشین گزارشگری مالی اسمی شود.
فرضیه این پژوهش که در جهت یافتن پاسخی منطقی برای سوالات پژوهش تدوین گشته است، بدینگونه صورتبندی میشود که بین محتوای اطلاعاتی صورتهای مالی تعدیل شده بر مبنای شاخص قیمتها و صورتهای مالی بر مبنای بهای تمام شده تاریخی در پیشبینی ورشکستگی شرکتها در ایران با استفاده از مدل ارائه شده مبتنی بر رویکردهای سنتی و فراابتکاری تفاوت معنیداری وجود دارد.
5-روش پژوهش با توجه به اینکه نتایج حاصل از این پژوهش میتواند در فرآیند تصمیمگیری استفاده شود، این پژوهش از لحاظ هدف کاربردی است، همچنین، این پژوهش از لحاظ ماهیت توصیفی–همبستگی است. انجام پژوهش در چارچوب استدلال قیاسی-استقرایی است. در این پژوهش، جهت جمعآوری اطلاعات مورد نیاز، از روش کتابخانهای یا اسناد سازمانی استفاده شده است. مطالعات مقدماتی، پیشینه پژوهش و چارچوب نظری پژوهش با استفاده از منابع کتابخانهای شامل کتب، مجلات، پایاننامهها مقالات پژوهشی و سایتهای اینترنتی جمعآوری شده است. دادههای مربوط به پژوهش، از طریق نرمافزار رهآوردنوین و بانکهای اطلاعاتی سازمان بورس جمعآوری شده است. در این پژوهش در بخش آمار توصیفی، تجزیه و تحلیل دادهها با استفاده از شاخصهای مرکزی همچون میانگین و میانه و شاخصهای پراکندگی انحراف معیار انجام شده است و به منظور تجزیه و تحلیل دادهها و استخراج نتایج پژوهش از نرمافزار اکسل و متلب استفاده شده است.
1-5-جامعه آماری و نمونه پژوهش در بررسیهای به عمل آمده، در سال 1386، ترکیب و میزان هزینه انجام شده برای اقلام مصرفی خانوارها به دلایل ذیل تغییر یافت: 1- تصویب قطعنامه شورای امنیت سازمان ملل علیه ایران 2- اضافه برداشت بانکها از منابع بانک مرکزی 3- پیشرفت فناوری 4-تحول الگوی مصرف خانوارها. این امر موجب شد، که شاخص بهای کالاها و خدمات مصرفی در مناطق شهری ایران در سال 1386 نسبت به سال قبل 4/18% افزایش یافته و متاسفانه این روند ناکامی دولت در مهار تورم، به سالهای بعد نیز تسری یابد لذا مربوط بودن اطلاعات حسابداری تاریخی ارائه شده در سالهای بعد از آن به مرور کاهش و نیاز بیشتر به تعدیل براساس شاخص عمومی قیمتها احساس میگردد. با توجه به توضیحات ارائه شده، در این پژوهش از سال 1385 به عنوان سال پایه استفاده خواهد شد و دوره زمانی پژوهش بین سالهای 1386 تا 1397 انتخاب گردید. جامعه آماری پژوهش حاضر، شرکتهای پذیرفته شده در بورس اوراق بهادار تهران میباشد. انتخاب نمونه با استفاده از روش حذف سیستماتیک صورت گرفته است و معیارهای اعمال شده، به شرح زیر است:
با توجه به محدودیتهای فوق، تعداد شرکتهای عضو جامعه همگن شده برابر 50 شرکت میباشد و در نهایت تعداد 545 سال-شرکت مورد بررسی قرار گرفته است.
2-5-مراحل انجام پژوهش
تاریخچه استفاده از نسبتهای مالی به سال 1870 برمیگردد (دستگیری و ظفری، 1388). در آن زمان بود که تحلیلگران نسبتهای مالی را توسعه و ترویج دادند بهطوریکه امروزه تجزیه و تحلیل نسبتها به یک تکنیک قوی و ابزاری مناسب برای استفادهکنندگان در جهت ارزیابی عملکرد گذشته، حال و آینده تبدیل شده است و تا به امروز به دلیل گسترش علم و دانش و همچنین پیشرفت فناوری محاسباتی و اطلاعاتی، پیشرفتهای زیادی در نحوه استفاده از نسبتهای مالی به وجود آمده است (برزگری و جمالی، 1395). در پژوهشات فراوانی از نسبتهای مالی جهت تجزیه و تحلیل در حوزه پیشبینی ورشکستگی استفاده شده است که با مطالعه آنها پیشینهای از کلیه نسبتهای مالی مورد استفاده در تمامیمدلهای موجود برای ورشکستگی تهیه گردید که به شرح جدول 1 طبقهبندی گردید و در نهایت بصورت 40 نسبت مالی به عنوان متغیرهای مستقل پژوهش در نظر گرفته شد.
جدول 1- پیشینه نسبتهای مالی توضیحدهنده ورشکستگی
منبع: یافتههای پژوهشگر
جهت منظور نمودن اثر تورم صورتهای مالی از تغییرات سطح عمومیقیمتها استفاده شده است که توسط بانک مرکزی جمهوری اسلامیایران ارائه میشود. به این منظور «کل بهای کالاها و خدمات مصرفی در مناطق شهری» ضابطه تعدیل اقلام قرار گرفته است. اولین گام در همگنسازی (تعدیل) صورتهای مالی، تفکیک اقلام پولی و غیرپولی ترازنامه و صورت سود و زیان میباشد. برای همگنسازی داراییهای ثابت تاریخی، از آنجایی که داراییهای ثابت شرکتها در ایران بر اساس جدول استهلاک موضوع ماده 151 قانون مالیاتهای مستقیم مستهلک میگردد، از طرفی تاریخ دقیق تحصیل و تغییرات مربوط به آنها در دسترس نیست، لذا داراییهای ثابت کلیه صورتهای مالی شرکتهای نمونه طبق رابطه 1 تعدیل گردیدند: ماندههای ایجاد شده هرسال + × مانده سال 1385 = مبلغ تعدیل شده داراییهای ثابت درتاریخ ترازنامه (1) همگنسازی استهلاک انباشته به شکل زیر صورت گرفته است: مبلغ تعدیل شده دارایی ثابت × = استهلاک انباشته تعدیل شده (2) تحقق هزینهها، خرید و فروشها بهطور یکنواخت در طی سال در نظر گرفته شده است، لذا متوسط شاخص در سال بهکار رفته است. هزینه استهلاک هر سال به نسبت بهای تمام شده داراییهای قبلی و داراییهای خریداری شده طی سال مورد عمل تهیه و به همان نسبت تعدیل شده است. موجودی کالای اول و پایان دوره به ترتیب براساس شاخص اول و میانگین طی سال تعدیل شدند. برای تعدیل سرمایهگذاریها و سایر داراییها از رابطه 3 استفاده شده است: ماندههای ایجاد شده هر سال = مبلغ تعدیل شده در تاریخ ترازنامه (3) بهای تمام شده کالای فروش رفته بهصورت زیر تعدیل شده است : هزینه استهلاک تعدیل شده+ × (هزینه استهلاک تاریخی– بهای تمام شده کالای فروش رفته تاریخی) =بهای تمام شده کالای فروش رفته تعدیلی (4) کلیه اقلام پولی مشتمل بر حسابها و اسناد دریافتنی، موجودی نقد و بانک، حسابها و اسناد پرداختنی و پیشدریافتها، تسهیلات مالی دریافتی، ذخیره مالیات و عوارض بردرآمد، بدهیهای بلندمدت و ذخیره سنوات خدمت تعدیل نمیگردند. برای انعکاس آثار تورم بر اقلام پولی، سود (زیان) نگهداری اقلام پولی (قدرت خرید) محاسبه گردید (همتی، 1389).
به منظور انتخاب متغیرهای اصلی در این پژوهش از الگوریتم لارس[24] به عنوان یک روش انتخاب ویژگی استفاده شده است از میان 40 متغیر تکنیکی که به عنوان متغیرهای پیشبینیکننده به ورودی سیستم داده میشود، متغیرهایی که باعث افزایش در دقت پیشبینی ورشکستگی میگردد را انتخاب مینماییم متغیرهای نهایی این پژوهش که با استفاده از الگوریتم لارس جهت پیشبینی ورشکستگی شرکتها مبتنی بر نسبتهای مالی تاریخی و تعدیل شده براساس شاخص عمومیقیمتها به شرح جدول 2 استخراج شد :
جدول 2- متغیرهای نهایی جهت پیشبینی ورشکستگی
منبع: یافتههای پژوهشگر
در این بخش جهت پیشبینی ورشکستگی شرکتها، 6 نسبت مالی بدست آمده توسط الگوریتم لارس در هر گروه، بطور همزمان وارد مدل رگرسیون لجستیک گردید. جهت بررسی معنیداری متغیرهای مستقل و برای خوبی برازش مدل از آزمون هاسمر-لمشو استفاده گردیده است. سپس از دو الگوریتم ماشین بردار پشتیبان که در سالهای اخیر در کشورهای توسعهیافته، عملکرد بسیار خوبی برای پیشبینی درماندگی مالی و ورشکستگی، از خود نشان داده است و الگوریتم نیو بیزین که یکی از پر کاربردترین الگوهای آماری برای شناسایی روابط احتمالی به منظور پیشبینی یا ارزیابی است، مورد استفاده قرار گرفت و قدرت پیشبینی ورشکستگی مدلهای برآورد شده با یکدیگر مورد مقایسه قرار گرفت.
3-5-الگوریتم رگرسیون حداقل زاویه ( LARS ) فرض کنیم میخواهیم رابطه خطی بین تعدادی متغیر بالقوه و یک متغیر پاسخ پیدا کنیم یعنی مدلی برای رابطه بین آننمی بسازیم. الگوریتم لارس ابزاری برای تشخیص این که کدام متغیرها باید در مدل منظور شوند، به همراه ضرایب هر متغیر است. (افرون و همکاران، 2004)
رگرسیون عبارت است از تلاش برای توضیح نوساناتی کم تغییر با توجه به نوسانات یک یا چند متغیر دیگر. به بیان دیگر میزان متغیری کم تغییر بر اثر متغیر دیگر که از میزان تغییری که در متغیر وابسته بر اثر یک وا حد تغییر در متغیر مستقل بروز میکند (علیزاده سیدآبادی، 1393). در این تحقیق، برای اندازهگیری متغیر مستقل و وابسته از مدل رگرسیون خطی چند متغیره به صورت دادههای پانلی و برای ارتباط بین متغیر مستقل و وابسته از رگرسیون لجستیک استفاده شده است.
5-5-ماشین بردار پشتیبان این الگوریتم مدلهای خطی خاصی را دستهبندی مینماید که فضایی با ابعاد بالا را حاصل میکنند. این فضای با ابعاد بالا، دادهها را بین طبقات تفکیک مینماید. بردار پشتیبان بهعنوان یک صفحه تفکیککننده مرز بین طبقات میباشد که بیشترین حاشیه را با نقاط دارد (شین و همکاران[25]، 2005).
ماشینهای بردار پشتیبان خواصی به شرح ذیل را دارا هستند: 1-امکان دستهبندی دادهها با قدرت تعمیم بالا 2-دستیابی به بهترین نقطه سراسری تابع 3-مشخص نمودن خودکار بهترین ساختار برای دستهبندیکننده 4- طراحی مدل متمایز کننده توابع غیرخطی با استفاده از هستههای غیرخطی و مفهوم حاصل ضرب داخلی در فضاهای با ابعاد نامتناهی (راعی و فلاحی پور، 1387)
6-5-الگوریتم نیو بیزین قضیه بیزین یک روش از محاسبات احتمالی است و احتمال رخدادی که در آینده رخ خواهد داد وابسته به رخدادی است که قبلا رخ داده است. این تئوری توانایی خودیادگیری در سیستم هوشمند دارد که به صورت گسترده استفاده میشود. از تئوری بیزین میتوان برای پیشبینی حوادث آینده بر اساس حوادث حاضر طبق نظریه آمار و احتمال استفاده کرد. دستهبندی نیو بیزین بر پایه قضیه Bayes و فرضیههای استقلال بین پیشبینیکنندهها است. یک مدل Bayesian برای ساختن، بدون پارامتر پیچیده تکراری است که باعث میشود برای مجموعههای دادههای بسیار بزرگ مفید باشد. بهرغم سادگی، دستهبندی بیزین اغلب جالب است و در طیف گسترده ای کاربرد دارد (تیترینگتون[26]، 1981)
6-یافتههای پژوهش 1-6-آمار توصیفی آمار توصیفی شامل مجموعه روشهایی برای جمعآوری، خلاصه کردن، طبقهبندی و توصیف حقایق عددی است. برخی مفاهیم آمار توصیفی شامل میانگین، کمینه، بیشینه و انحراف، در جدول 3 آورده شده است. از اصلیترین معیارهای تمرکز، میانگین بیانگر این است که بیشتر دادهها حول این نقطه تجمیع شدهاند. کمینه و بیشینه از شاخصهای آماری هستند که دامنه تغییرات دادهها را در جامعه نشان میدهند. انحراف استاندارد، شاخصی جهت تعیین پراکندگی دادهها از میانگین است.
جدول 3- آمار توصیفی نسبتهای تاریخی و تعدیلشده
2-6-برازش مدلهای طراحی شده جهت پیشبینی ورشکستگی در این پژوهش با کنترل اثرات سال و صنعت، مدلهای مربوط به آزمون فرضیهها به صورت مقطعی برازش میگردد. ابتدا این آزمون برای نسبتها بر مبنای دادههای تاریخی صورت گرفته است سپس نسبت ها بر مبنای دادههای تعدیل شده مورد آزمون قرار گرفته است. نتایج آن در جدول 4 ارائه شده است. در گروه نسبتهای تاریخی، سطح معناداری «نسبت سود انباشته به کل داراییها»، « نسبت کل بدهیها به کل داراییها»، «نسبت سود خالص به مجموع داراییها» و «نسبت بدهی بلندمدت به دارایی» از 05/0 کمتر است پس نتیجه گرفته میشود که بین این متغیرها و متغیرهای مستقل ورشکستگی رابطه معناداری وجود دارد. ضریب تعیین حاصل از رگرسیون به میزان 827/0 بیانگر میزان نسبتاً خوبی از تبیین متغیر وابسته توسط متغیرهای مستقل است با مقایسه گروه نسبتهای تعدیل شده، سطح معناداری «نسبت سود انباشته به کل داراییها»، «نسبت کل بدهیها به کل داراییها» و «سود انباشته به کل بدهی» از 05/0 کمتر است، پس نتیجه گرفته میشود که بین این متغیرها و متغیرهای مستقل ورشکستگی رابطه معناداری وجود دارد. ضریب تعیین حاصل از رگرسیون عدد 907/0 نشاندهنده میزان نسبتاً خوبی از تبیین متغیر وابسته توسط متغیرهای مستقل است. آمارهها و نتایج ذکر شده مرتبط با نیکوئی برازش مدل در جدول فوق نیز بر برازش صحیح مدل در سطح اطمینان 95% است. معناداری آزمونهاسمر-لمشو از 05/0 بیشتر میباشد و تأییدی بر برازش صحیح مدل است. همچنین سطح معنیداری آزمون کای–دو کمتر از 05/0 میباشد و این بیانگر معنیداری کلی مدل میباشد. یافتههای جدول 3 نشان میدهد که متغیرهای مستقل قادر به پیشبینی صحیح احتمال وقوع ورشکستگی به میزان 15/96 % و 75/97% است. در مقایسه نتایج جدول 4، نتایج مربوط به تحلیل رگرسیون لاجیت نشان میدهد که نسبتها بر مبنای دادههای تعدیلشده در مقایسه با نسبتها بر مبنای دادههای تاریخی، وقوع ورشکستگی را با احتمال بیشتری پیشبینی مینمایند.
جدول 4- نتایج حاصل از آزمون مدل رگرسیونی نسبتها بر مبنای دادههای تاریخی و تعدیلشده
منبع: یافتههای پژوهشگر
براساس مدل و برآوردهای حاصل از الگوریتم نیو بیزین، همانطورکه در جدول 5 مشاهده میشود صحت پیشبینی کل نسبتهای تاریخی برابر با 3/88% میباشد درحالیکه صحت پیشبینی کل نسبتهای تعدیلشده برابر با 1/95% میباشد همچنین مدل توانایی پیشبینی 95% شرکتهای سالم و 93% شرکتهای ورشکسته را دارا میباشد.
جدول 5- صحت پیشبینی نسبتهای تاریخی و تعدیلشده
منبع: یافتههای پژوهشگر
براساس مدل و برآوردهای حاصل از الگوریتم ماشین پشتیبان، همانطورکه در جدول 5 مشاهده میشود صحت پیشبینی کل نسبتهای تاریخی برابر با 9/93% میباشد در حالیکه صحت پیشبینی کل نسبتهای تعدیلشده برابر با4/99% میباشد و همچنین مدل توانایی پیشبینی 100% شرکتهای سالم و 97% شرکتهای ورشکسته را دارا میباشد. علاوه بر آن نمودار 1 و 2، که نشاندهنده مقایسه میزان پیشبینی شده برای تابع هزینه (خطای طبقهبندی) در مدل پیشنهادی و مقادیر واقعی میباشد. در نمودار 2 نمودار خروجی تابع هزینه مدل واقعی با نمودار تابع هزینه مدل طراحیشده به هم بسیار نزدیک میباشند و دارای همپوشانی بالایی است، بنابراین میانگین خطای طبقهبندی حداقل میباشد و این بیانگر دقت بالای طبقهبندی مدل پیشنهادی بر مبنای نسبتهای تعدیلشده میباشد. در نمودار 3 و 4 فضای سهبعدی مدل طراحیشده توسط الگوریتم ماشین بردار پشتیبان ترسیم گردیده است و همانطور که مشاهده میشود در نمودار 4 فضای سهبعدی منظم تری ترسیم شده است.
نمودار 1- مقایسه میزان صحت پیشبینی مدل پیشنهادی بر مبنای نسبتهای تاریخی
نمودار 2- مقایسه میزان صحت پیشبینی مدل پیشنهادی بر مبنای نسبتهای تعدیلشده
نمودار 3- نمودار سه بعدی مدل پیشنهادی براساس نسبتهای تاریخی
نمودار 4- نمودار سه بعدی مدل پیشنهادی براساس نسبتهای تعدیلشده
7-بحث و نتیجه گیری این تحقیق به بررسی تأثیر نرخ تورم بر روی گزارشگری مالی و قابلیت پاسخگویی صورتهای مالی به استفادهکنندگان داخلی و خارجی پرداخت. با توجه به اینکه عمده استفادهکنندگان از گزارشات مالی به دنبال این هدف هستند که بازنمایی از وضعیت آتی شرکت را متصور گردند بنابراین میتوان به یکی از اهم این بازنماییها، در رابطه با تداوم فعالیت یا ورشکستگی اشاره نمود. یکی از راههای انجام تجزیه و تحلیل مالی، از طریق بررسی انواع نسبتهای مالی و روندها، که بر اطلاعات تاریخی تمرکز دارند، صورت میگیرد. از آنجایی که نسبتهای مالی از اقلام مندرج در ترازنامه و صورت سود و زیان واحد تجاری استخراج و محاسبه میشود، بنابراین، با تعدیل صورتهای مالی بر مبنای شاخص عمومی قیمتها، در برخی از نسبتهای مالی کلیدی، تفاوت چشمگیری نسبت به اقلام تاریخی مشاهده گردید. ما سعی نمودیم برای انتخاب صحیح متغیرها، از کلیه نسبتهای مالی مورد استفاده در مدلهای مختلف موجود در پیشبینی ورشکستگی مالی برای طراحی مدل پیشبینی ورشکستگی، استفاده نماییم بنابراین با توجه به تعدد نسبتهای مالی بکارگرفته شده در این پژوهش به عنوان متغیرهای پیشبینیکننده ورودی، جهت جلوگیری از ورود متغیرهای نامربوط در مدل، از الگوریتم لارس به عنوان یک فیلتر یا پوششدهنده استفاده شد. نسبتهای "سود انباشته به کل داراییها"، "سود قبل از بهره و مالیات به کل داراییها"، "کل بدهیها به کل داراییها"، "سود خالص به کل داراییها"، "بدهی بلندمدت به کل داراییها"، "سودانباشته به کل بدهیها"، "هزینه بهره به سود ناخالص" به عنوان بهترین نسبتهای پیشبینیکننده ورشکستگی برای طراحی مدل انتخاب شدند. در بررسی این نسبتها، این نکته حائز اهمیت میباشد که کلیه آنها بر مبنای اقلام ترازنامهای بوده و در نتیجه متأثر از نرخ رشد تورم میباشند. همچنین رشد روزافزون نرخ تورم در این چند سال اخیر، بیانگر الزام تعدیل اطلاعات صورتهای مالی بر اساس نرخ تورم میباشد. همانطور که امروزه اهمیت یافتن تجدید ارزیابی دارایی شرکتهای پذیرفته شده در بازار بورس اوراق بهادار، مؤید بارز این موضوع میباشد. سپس برای استخراج مدلی با دقت بالا و کمترین خطا در شناسایی شرکتهای سالم و ورشکسته مالی از رگرسیون لجستیک و الگوریتمهای نیو بیزین و ماشین بردار پشتیبان استفاده گردید و نسبتهای تأثیرگذار تاریخی و تعدیلشده بهطور جداگانه و مجزا آزمون و گزینش شد. نتایج این پژوهش نشان داد که محتوای اطلاعاتی صورتهای مالی تعدیلشده بر مبنای شاخص قیمتها نسبت به صورتهای مالی بر مبنای بهای تمام شده بسیار بیشتر میباشد همچنین مدل ماشین بردار پشتیبان میتواند جانشین بسیار قدرتمندی برای الگوریتم نیو بیزین در رویکرد فراابتکاری باشد. در واقع یافتههای پژوهش نشان داد که دقت کلی مدل طراحیشده توسط رگرسیون لجستیک از دقت کلی مدل طراحیشده توسط الگوریتم نیو بیزین نیز، بطور معناداری بیشتر است همچنین قدرت تعمیمپذیری مدل طراحیشده توسط ماشین بردار پشتیبان با استفاده از صورتهای مالی تعدیلشده بر مبنای شاخص عمومیقیمتها بسیار بالا میباشد. به عبارت دیگر، در سالهای قبل از ورشکستگی، میتوان از این مدل با اطمینان بیشتری برای پیشبینی یا رتبهبندی اعتباری استفاده نمود. به منظور دستیابی به یک نتیجهگیری مطلوب، لازم است یافتههای به دست آمده از این پژوهش با نظرات علمیو تئوریکی موجود مقایسه گردد. نتایج این پژوهش، نتایج پژوهشات هوی و سان (2006)، لی و تو (2010)، اکسای و همکاران (2011)، جا (2012) را مبنی بر افشاء صورتهای مالی تعدیل شده با استفاده از شاخص عمومیقیمتها به عنوان صورتهای مالی مکمل[27] علاوه بر تهیه صورتهای مالی مبتنی بر بهای تمام شده تاریخی توسط شرکتها، تأیید نمود. از سوی دیگر قیاس نتایج سه آزمون بهکار گرفته شده در این پژوهش، مؤید نتایج پژوهش راعی و فلاح پور (1387) در زمینه توانایی بالاتر الگوریتم ماشین بردار پشتیبان در پیشبینی ورشکستگی میباشد. با توجه به نتایج پژوهش و توان بالای مدلهای استخراج شده در این پژوهش، استفاده از آنها میتوانند سرمایهگذاران را در انتخاب پرتفوی بهینه یاری دهد و به اعتباردهندگان کمک کند تا از اعطای اعتبار به شرکتهایی که احتمال ورشکستگی آنها بالا است، خودداری کنند. همچنین این پژوهش و پژوهشات مشابه دیگر قادر خواهند بود اندیشمندان حسابداری و اقتصاد را، با این ایده مواجه سازد که میتوانند به اطلاعات حسابداری از منظر اقتصاد کلان نیز بنگرند. بر اساس نتایج و مطالعات پژوهش، پیشنهادهای زیر برای انجام مطالعات بعدی به سایر محققینی که در این زمینه علاقمند پژوهش بیشتر هستند، ارائه میشود:.
[1] گروه حسابداری، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران. N.Jebelli@bsi.ir [2] گروه حسابداری،دانشگاه قم ،قم ،ایران. نویسنده مسئول. i.dadashi@qom.ac.ir [3] - Chiang Y.et al [4] - Kirkulak & Balsari [5] - Charalambakis et al [6] - Kouki & Elkhaldi [7] - Logistic Regression (LR) [8] - Multivariate Discriminant Analysis (MDA) [9] - Beaver [10] - Altman [11] - Tamari [12] - Artificial Neural Networks (ANN) [13] - Genetic Algorithm (GA) [14] - Odom & Sharda [15] - Min et al [16] - Lee et al [17] - liu & Huang [18] - Xi et al [19] - Chen [20] - Shumway [21] - Campbell et al [22] - Christidis & Gregory [23] - Hernandez Tinoco & Wilson [24] - Least Angle Regression Statistics [25] - Shin , k.s et al [26] - Titterington [27] - Supplemental Financial Statement . | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
فهرست منابع
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
آمار تعداد مشاهده مقاله: 293 تعداد دریافت فایل اصل مقاله: 187 |