پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 418 |
| تعداد شماره‌ها | 9,997 |
| تعداد مقالات | 83,560 |
| تعداد مشاهده مقاله | 77,801,329 |
| تعداد دریافت فایل اصل مقاله | 54,843,945 |
پیش بینی پویا درماندگی مالی: مطالعه موردی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اقتصاد مالی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| دوره 18، شماره 66، فروردین 1403، صفحه 385-408 اصل مقاله (593.55 K) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: علمی پژوهشی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.30495/fed.2024.709360 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| حمید رحیمی1؛ مهرزاد مینویی* 1؛ محمد رضا فتحی2 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2گروه مدیریت صنعتی و فناوری، دانشکده فارابی، دانشگاه تهران، قم، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده با توجه به شرایط اقتصادی امروز کشور، تعداد شرکت‌های درمانده و اهمیت درماندگی مالی روزبه‌روز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیمگیری در سرمایهگذاری این شرکتها افزوده است. به همین منظور رویکرد ارائه‌شده در این پژوهش با در نظر گرفتن انواع معیارهای مالی، امکان پویاسازی پیشبینی درماندگی مالی را برای این تصمیم‌گیرندگان فراهم میسازد. رویکرد معرفی‌شده در این پژوهش ابتدا با خوشهبندی شرکتها در خوشه متناسب درمانده مالی و غیر درمانده به کمک روش شبکه عصبی مصنوعی، نگاشت خودسازمان‌ده (SOM) اقدام و سپس با بهره‌گیری از روش تحلیل پوششی دادهها مبتنی بر بدترین عملکرد (WPF-DEA) نسبت به پیشبینی پویا درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادر تهران اقدام گردید. با بهره‌گیری از روش یادشده 105 شرکت ارزیابی گردید و نتیجه ناکارایی این شرکتها در طول 5 دوره زمانی از سال 1395 الی 1399 پیشبینی شد. مدل تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد، توان ارزیابی ناکارایی واحدهای مورد بررسی اعم از شرکت‌های عضو سازمان بورس و اوراق بهادار را دارا است. تحلیل پوششی دادهها توانسته است به‌صورت موفقیت‌آمیزی درماندگی مالی شرکتها را به‌عنوان واحدهای تصمیم ناکارا شناسایی نماید | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| واژه‌های کلیدی: درماندگی مالی، تحلیل پوششی دادهها مبتنی بر بدترین عملکرد، شبکه عصبی مصنوعی، نگاشت خودسازمان‌ده، سازمان بورس و اوراق؛ E47؛ G21 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
https://doi.org/10.30495/fed.2024.1919468.2281
پیش بینی پویا درماندگی مالی: مطالعه موردی
چکیده با توجه به شرایط اقتصادی امروز کشور، تعداد شرکت‌های درمانده و اهمیت درماندگی مالی روزبه‌روز در حال افزایش است. افزایش عوامل اقتصادی تأثیرگذار بر درماندگی مالی نیز بر پیچیدگی تصمیمگیری در سرمایهگذاری این شرکتها افزوده است. به همین منظور رویکرد ارائه‌شده در این پژوهش با در نظر گرفتن انواع معیارهای مالی، امکان پویاسازی پیشبینی درماندگی مالی را برای این تصمیم‌گیرندگان فراهم میسازد. رویکرد معرفی‌شده در این پژوهش ابتدا با خوشهبندی شرکتها در خوشه متناسب درمانده مالی و غیر درمانده به کمک روش شبکه عصبی مصنوعی، نگاشت خودسازمان‌ده (SOM) اقدام و سپس با بهره‌گیری از روش تحلیل پوششی دادهها مبتنی بر بدترین عملکرد (WPF-DEA) نسبت به پیشبینی پویا درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادر تهران اقدام گردید. با بهره‌گیری از روش یادشده 105 شرکت ارزیابی گردید و نتیجه ناکارایی این شرکتها در طول 5 دوره زمانی از سال 1395 الی 1399 پیشبینی شد. مدل تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد، توان ارزیابی ناکارایی واحدهای مورد بررسی اعم از شرکت‌های عضو سازمان بورس و اوراق بهادار را دارا است. تحلیل پوششی دادهها توانسته است به‌صورت موفقیت‌آمیزی درماندگی مالی شرکتها را به‌عنوان واحدهای تصمیم ناکارا شناسایی نماید. واژه‌های کلیدی: درماندگی مالی، تحلیل پوششی دادهها مبتنی بر بدترین عملکرد، شبکه عصبی مصنوعی، نگاشت خودسازمان‌ده، سازمان بورس و اوراق بهادار طبقه بندی JEL : G12, E47, G21 1- مقدمه روند مطالعات پیشبینی درماندگی مالی و ورشکستگی نشان میدهد علیرغم پیشبینیهای قابل‌قبول مدلهای آماری، مفروضات صریح و محدودکننده این روشها نظیر خطی بودن، نرمال بودن، استقلال متغیرهای مستقل از یکدیگر و وجود یک ساختار تابعی از پیش تعیین شده کاربرد آنها را در دنیای واقعی محدود میکند (مهرانی، 2017). از طرف دیگر با تغییرات اساسی رخ داده در امور مالی شرکتها و همچنین تغییرات محیط اقتصاد جهانی نسبتهای مالی میتوانند فعالانه تغییر یابند (اوساما، 2019). این موضوع به منظور توسعه و ایجاد یک رویکرد انقلابی در مواجهه با محیطهای مالی پویا در آینده لازم و با اهمیت است. در چنین فضایی استفاده از روشهایی نظیر شبکههای عصبی و روشهای دادهکاوی که عملاً محدودیت‌های پیش‌گفته روشهای آماری را نداشتند، پا به عرصه گذاشتند (بتشکن، 2018). با گذشت زمان و ورود روشهای جدیدتر طبقهبندی و همچنین معایب شبکههای عصبی مانند مقادیر عمدهی مورد نیاز دادههای آموزشی و به منظور تخمین الگوی ورودی و همچنین مسئله تعمیم نتایج حاصل از روش شبکههای عصبی، فرایند شناسایی مدلهایی باقابلیت پیشبینی بیشتر به سمت سایر روشهای دادهکاوی سوق پیدا کرد، به طوری که در طی 15 سال اخیر روشهای دیگر از فناوری دادهکاوی پا به عرصه پیشبینی درماندگی مالی و ورشکستگی شرکتها گذاشتند. این روشها عمدتاً به لحاظ کارایی، تاکنون کارکردی بهینهتر نسبت به سایر روشها داشتهاند. از جمله روشهای نوین دادهکاوی شامل الگوریتم ژنتیک، درخت تصمیمگیری، تئوری مجموعه اولیه، استدلال مبتنی بر مورد، ماشین بردار پشتیبان و غیره میشود. این روشها به واسطه تخمین فراگیر و توانایی آنها در استخراج دانش از میان مقادیر حجیم دادهها و همچنین قابلیتهای طبقهبندی و پیشبینی آنها، از محبوبیت فراوانی برخوردار هستند (گامل،2016). با توجه به اهمیت پیشبینی درماندگی مالی، پژوهشهای زیادی در این زمینه در خارج از کشور و تعدادی نیز در داخل کشور انجام گرفته است و مطالعات برخی از پژوهشگران به ارائه مدلی برای پیشبینی درماندگی مالی منجر شد که هرکدام از این مدلها با درصدی از اطمینان قابلیت پیشبینی درماندگی مالی شرکتها را دارند. تکنیک تحلیل پوششی دادهها (DEA) به عنوان یک تکنیک ناپارمتری با قابلیتها و ویژگیهای منحصر به فرد خود به عنوان یک تکنیک ارزیابی چند معیاره توانسته است به مفهوم ارزیابی در حوزه مدیریت مالی، شفافیت و دقت بالایی ببخشد (ابراهیمیکردلر، 1397). تحلیل پوششی دادهها یکی از موفقترین تکنیکهای مورد استفاده در فعالیتهای پژوهشی مربوط به ارزیابی عملکرد بانکها و مؤسسات مالی بوده است (امروز نژاد و یانگ، 2018؛ پارادی و ژو، 2013). تحقیقات وسیع صورت گرفته در زمینه ارزیابی عملکرد مالی، مدلها و روشهای متعددی را ارائه میکنند. اما هدف همه آنها ارائه روشی برای انتخاب بهترین واحد در یک سناریوی حداکثر سازی عملکرد بوده و سعی در ارائه روشی برای شناخت بدترین واحد به منظور جلوگیری از ادامه فعالیت، نمیکنند و مدلهای DEA مورد استفاده همگی جزء مدلهای مبتنی بر بهترین عملکرد (BPF-DEA) هستند. کوپر و همکاران(2006) خاطر نشان میکنند که در فرایند بهینهسازی مدلهای BPF-DEA، اوزانی که به واحدهای تصمیمگیری (DMU) تعلق میگیرند مناسبترین اوزانی هستند که میتوانند کارایی واحد تحت بررسی را حداکثر کنند. اگرچه مدلهای BPF-DEA به نوعی توانایی تشخیص بدترین واحدها را نیز دارند اما اندازهگیری میزان ناکارایی واحدها در یک سناریوی حداکثر سازی میزان کارایی (با تخصیص بهترین اوزانی که کارایی واحد تصمیمگیری را حداکثر میکند) در دنیای واقعی چندان مناسب به نظر نمیرسد. بدین منظور لیو و چن (2009)، مدلی را با هدف تشخیص و ارزیابی ریسکهای سرمایهگذاری و پیشبینی ورشکستگیها معرفی کردند. آنها معتقد هستند که طراحی مدلی برای ارزیابی و رتبهبندی واحدها با هدف تشخیص بدترین عملکردها در یک سناریوی حداقلسازی کارایی منطقیتر خواهد بود. این مدل با عنوان مدل مبتنی بر بدترین عملکرد (WPF-DEA) شناخته میشود. اما مدلهای تحلیل پوششی دادههای مبتنی بر بدترین عملکرد (WPF-DEA) هنوز یک حقیقت مهم که عملکرد شرکتها یک بُعد زمانی دارد، را نادیده میگیرند و در واقع مدلهای ایستا هستند (چن، 2009؛ چن و وندالن، 2010). عملکرد شرکتها در طی حیاتشان به صورت یک زنجیره به یکدیگر مرتبط است؛ بنابراین ارزیابی عملکرد آنها در طی چند دوره زمانی ضروری است و اطلاعات بهتری به مدیران میدهد (نموتو و گوتو،1999؛ نموتو و گوتو،2003). به عبارت دیگر، به وضوح نیاز به ارزیابی چند دورهای وجود دارد اما مدلهای متداول DEA برای یک دوره ساخته‌شده‌اند (لی و همکاران، 2017). با توجه به مطالب عنوان‌شده و با عنایت به اینکه پیشبینی درماندگی مالی یکی از مهم‌ترین مسئله پیش روی شرکتها محسوب میشود، بنابراین در تحقیق حاضر یک رویکرد نو یعنی WPF-DEA برای پیشبینی درماندگی مالی شرکتها پیشنهاد میشود. بنابراین مسئله این تحقیق طراحی مدل تحلیل پوششی دادههای مبتنی بر بدترین عملکرد (WPF-DEA) برای پیشبینی پویای درماندگی مالی در بورس اوراق بهادار تهران میباشد. خاطرنشان میگردد، در این مقاله با بهره‌گیری از ترکیب تکنیک شبکه عصبی مصنوعی و مدل D-DEA-WPF شرکت‌های عضو سازمان بورس اوراق بهادار مورد ارزیابی قرار می‌گیرد. رویکرد ارائه‌شده در این مقاله در دو مرحله انجام می‌گیرد. در مرحله اول با معرفی مدل شبکه عصبی مصنوعی، شرکتها در دو خوشه درمانده مالی و غیر درمانده مالی خوشهبندی میشوند. در این مرحله با بهره‌گیری از 8 معیار این خوشهبندی انجام میشود. سپس با معرفی مدل D-DEA-WPF نسبت به پیشبینی درماندگی مالی شرکتها اقدام و شرکتهایی که احتمال درماندگی مالی دارند شناسایی میگردد. ساختار ادامه این پژوهش به شرح زیر است: در بخش دو، پیشینه پژوهشهای مرتبط در دو زیر بخش مطالعات داخلی و مطالعات خارجی ارائه شده است. سپس ادبیات نظری موضوع در خصوص درماندگی مالی و تحلیل پوششی دادهها مبتنی بر بدترین عملکرد ارائه میگردد و در ادامه، اقدام به خوشهبندی شرکتها به دو خوشه درمانده و غیر درمانده با روش شبکه عصبی مصنوعی SOM میگردد و سپس مدل پویای تحلیل پوششی دادهها مبتنی بر بدترین عملکرد بر مبنای ناکارایی در بخش چهارم طراحی و ارائه میشود. در بخش پنجم با دادههای 105 شرکت برآورد مدل و تحلیل دادهها انجام میشود. در انتها نتیجهگیری و پیشنهادها ارائه شده است.
2- پیشینه پژوهش و ادبیات نظری 2-1- پیشینه پژوهش یافتههای حاصل از پژوهش منصور فر و همکاران (1395) نشان میدهد که استفاده از کیفیت سود در پیشبینی درماندگی مالی به طور معناداری دقت پیشبینی درماندگی مالی را افزایش میدهد. همچنین در مقایسه با سایر مدلها، مدل آلتمن دقت بیشتری در پیشبینی درماندگی مالی داشته و ابزار مناسبتری برای پیشبینی محسوب میشود. فلاحپور (1395) به مطالعه پیشبینی درماندگی مالی شرکتها با استفاده از الگوریتم کلونی مورچگان می‌پردازد. نتایج به دست آمده از تحقیق بیانگر آن است که روش الگوریتم کلونی مورچگان در پیشبینی درماندگی مالی شرکتها، به‌طور معناداری نسبت به روش تحلیل ممیز چندگانه عملکرد بهتری دارد. در تحقیق بادآورنهندی و همکاران (1396) مدلی جهت پیشبینی ورشکستگی شرکت‌های بورس اوراق بهادار تهران تهیه شده است. در این تحقیق از بین 15 نسبت اولیه انتخاب‌شده، پنج نسبت که انتظار میرفت با هم بهترین پیشبینی را در خصوص بحران مالی ارائه نمایند، انتخاب شده است. سپس با استفاده از تجزیه و تحلیل رگرسیون و این پنج نسبت مالی مدلی جهت پیشبینی تهیه شده است که قادر بود با 95 درصد اطمینان وضعیت ورشکستگی شرکتها را یک سال قبل از وقوع ورشکستگی پیشبینی نماید (بادآورنهندی، 1396). فروغی و همکاران در سال1396 در تحقیقی به منظور شناسایی مهم‌ترین متغیرهای حائز اهمیت در پیشبینی بحران مالی و درماندگی مالی شرکتها از مدل تابع تفکیک خطی استفاده کردند و مدلی نه متغیری طراحی و ارائه نمودند. نتایج بررسی نشان داد که تا پنج سال قبل از بحران مالی میتوان با استفاده از مدل مورد نظر و با دقت نسبتاً بالا آن را پیشبینی کرد (فروغی، 1396). با توجه به نتایج تحقیق پیری، خداکریمی (1396) میتوان گفت که ترکیبی از اطلاعات حسابداری و بازار، توانایی پیشبینی کنندگی درماندگی شرکتها را داشته و با توجه به بررسی تداوم فعالیت شرکتها میتواند موجب ارتقاء کیفی تصمیمگیری سهامداران و ذینفعان گردد. درماندگی مالی شرکتها شدت رابطه بین هموارسازی سود و هزینه بدهی را افزایش میدهد و درماندگی مالی تأثیر منفی و معناداری بر هزینه بدهی شرکتها دارد درنهایت بانکها و سرمایهگذاران در تعیین سلامت مالی و درماندگی مالی شرکتها به متغیرهای تأثیرگذار بر آن دقت بیشتری نمایند، چراکه درماندگی مالی یک مرحله قبل از ورشکستی شرکت است و به عنوان هشدار برای جلوگیری از فروپاشی شرکت تلقی میگردد که لذا با شناسایی و ارزیابی مدلهای دقیق‌تر میتوان درماندگی مالی شرکتها را با اطمینان بیشتری پیشبینی کرده و نهایتاً اقدام به تصمیمگیری نمایند (سیف الهی،1397). زهرا مرادی و شهلا سهرابی در سال 1397 در تحقیقی به بررسی رابطه سهامداران نهادی به عنوان مالک و مدیر بر درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران پرداخته که نتیجه تحقیق آنها حاکی از این است که بین میزان سهامداران نهادی که در هیئت مدیره‌اند (مالکیت نهادی) و درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران رابطه معنادار وجود دارد. طهماسبی و همکاران (1397) در تحقیقی با استفاده از مدلهای درخت تصمیم و رگرسیون لجستیک به پیشبینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران پرداختهاند و نتایج تحقیق آنها نشان میدهد هر دو مدل قابلیت پیشبینی درماندگی مالی را دارا می‌باشند، اما مدل درخت تصمیم از قدرت پیشبینی بالاتری نسبت به مدل رگرسیون لجستیک برخوردار است. خردیار و همکاران (1397) در پژوهشی یک سیستم استنتاج فازی عصبی انطباق پذیر (ANFIS) مبتنی بر تحلیل مؤلفه‌های اصلی (PCA) جهت پیشبینی درماندگی مالی شرکتها پیشنهاد دادهاند و نتایج حاصل از پژوهش نشان میدهد سیستم استنتاج فازی عصبی انطباق پذیر (ANFIS) مبتنی بر تحلیل مؤلفه‌های اصلی (PCA) قابلیت پیشبینی وقوع درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران را دارد. ابراهیمی و همکاران (1397) در تحقیقی تلاش کردهاند که متغیرهای توضیحی اثرگذار در پیشبینی درماندگی مالی از بین مجموعه متغیرهای حسابداری و بازار را شناسایی و سپس با استفاده از مدل کاکس الگوی پیشبینی مناسبی ارائه کنند. بتشکن و همکاران (1397) در پژوهشی رویکردی جدید برای انتخاب متغیرهای مؤثر در پیشبینی درماندگی مالی با استفاده از نظر خبرگان و الگوریتم‌های تصمیمگیری ارائه دادهاند. در پژوهش رمضان زاده (1398)، مدل پیشبینی درماندگی مالی با استفاده از مدیریت سود شرکتها بسط داده‌شده است و ضمن طراحی مجدد مدل پیشبینی درماندگی مالی آلتمن (1983) با متغیر مدیریت سود واقعی به عنوان یک متغیر پیش‌بین، عملکرد مدل اولیه و مدل تعدیل شده در پیشبینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران مورد مطالعه تطبیقی قرار گرفت. وقفی،دارایی (1398) در پژوهشی به بررسی عوامل مؤثر بر درماندگی مالی و پیشبینی آن به وسیله الگوریتم‌های هوش مصنوعی (روش درخت تصمیم، ماشین بردار پشتیبان و طبقهبندی بیز) پرداختهاند. نتایج تحقیق حاکی از تأثیر مستقیم تورم و ریسک مالی و تأثیر معکوس نسبت مدیران غیرموظف، بازده سالانه سهام و نسبت وجه نقد عملیاتی بر درماندگی مالی میباشد. نتایج تحقیق مهرانی و همکاران (1398) نشان میدهد که مدلهای مستخرج از شاخص‌های حسابداری به‌طور معنی‌داری نسبت به مدلهای مبتنی بر شاخص‌های غیر حسابداری از دقت پیشبینی بالاتری برخوردارند و اضافه نمودن شاخص‌های غیر حسابداری به مدلهای مبتنی بر شاخص‌های حسابداری، قدرت پیشبینی آنها را به طور معنی‌داری افزایش نمی‌دهد. میرعرب بایگی و همکاران در پژوهشی (1399) به پیشبینی پویا درماندگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شاخص مالم کوئیست پرداختهاند که نتایج این تحقیق نشان از توانایی بالای این شاخص در تشخیص درماندگی مالی شرکتها و رفع مسئله ناکارآمدی روشهای پیشین میباشد. وقفی و همکاران (1399) در پژوهشی به بررسی عوامل مؤثر بر درماندگی مالی و پیشبینی آن با استفاده از الگوریتم آدابوست و طبقهبندی احتمالی بیز پرداخته شده است. همچنین نتایج نشان میدهد که الگوریتم تقویت انطباقی آدابوست با استفاده از دادههای مالی و اقتصادی توانایی بالاتری نسبت به روش طبقهبندی احتمالی بیز در پیشبینی درماندگی مالی دارد. محبی هره دشت و همکاران (1399) در تحقیقشان به بررسی تأثیر شاخص‌های غیرمالی بر پیشبینی وقوع درماندگی مالی در بانک شهر با استفاده از رویکرد مدل یابی معادلات ساختاری می‌پردازد. نتایج نشان دادند که شاخص‌های حاکمیت شرکتی، توانایی مدیریت و رقابت‌پذیری، شاخص‌هایی با ماهیت غیرمالی هستند که میتوانند در پیشبینی وقوع درماندگی مالی بسیار مؤثر باشند. صوفی و همکاران (1399) در پژوهشی از ترکیب تکنیکهای شبکه عصبی مصنوعی و الگوریتم ژنتیک بر مبنای نسبتهای پیشبینی زیمنسکی برای مدلسازی پیشبینی درماندگی مالی استفاده کردهاند. رحیمی و همکاران (1400) به تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی پرداختند. در این پژوهش 106 شرکت با روش نمونه گیری تصادفی ساده انتخاب شدند و داده های مالی آنها از سال‌های 1386 تا 1398 استخراج و با آزمون همبستگی پیرسون رابطه بین متغییرها بررسی و از 34 نسبت مالی،24 نسبت که دارای رابطه معنی‌دار بودند، انتخاب گردید. رحیمی و همکاران (1400) در پژوهشی به پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک DEA-DA و شبکه عصبی پرداختند. شاه و مرتزا (2000) با استفاده از شبکههای عصبی مصنوعی به پیشبینی ورشکستگی شرکتها پرداختند. آنها در تحقیق خود از هشت نسبت مالی استفاده کردند که دقت پیشبینی مدل آنها 73 درصد بود. آلفار و گارسیابه (2008) به منظور پیشبینی درماندگی مالی شرکتها دو مدل آدابوست و شبکههای عصبی مصنوعی را مورد بررسی قرار دادند. نتایج تحقیق حاکی از آن است که الگوریتم آدابوست نسبت به شبکههای عصبی مصنوعی عملکرد بهتری دارد و دقت پیشبینی این روش 1/99 درصد بود. ﺳﻮوﺷﯽ و ﻫﻤﮑﺎراﻧﺶ (2009) در ﮐﺎر ﺗﺤﻘﯿﻘﺎﺗﯽ ﺧﻮد ﺗﺤﻠﯿﻞ پوششی دادهها را به‌عنوان اﺑﺰاری ﺳﺮﯾﻊ و آﺳﺎن ﺑﺮای ارزﯾﺎﺑﯽ ورﺷﮑﺴﺘﮕﯽ ﺷﺮﮐﺖ در ﻣﻘﺎﯾﺴﻪ ﺑﺎ رﮔﺮﺳﯿﻮن ﻟﺠﺴﺘﯿﮏ ﻣﻌﺮﻓﯽ ﻧﻤﻮدﻧﺪ . ﺟﺎﻣﻌﻪ آﻣﺎری ﻣﻮرد اﺳﺘﻔﺎده آنها ﺷﺎﻣﻞ 50 ﺷﺮﮐﺖ ورﺷﮑﺴﺘﻪ و 910 ﺷﺮﮐﺖ غیر ورشکسته ﺑﯿﻦﺳﺎلهای (1991-2004) میباشد. آنها نه متغیر (دو ﺧﺮوﺟﯽ و هفت ورودی) را در ﻣﻄﺎﻟﻌﺎت ﺧﻮد ﺑﮑﺎر بردند. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﺗﺤﻘﯿﻖ ﻧﺸﺎن میدﻫﺪ ﮐﻪ روش LR در نمونه‌های داﺧﻠﯽ ﺑﺴﯿﺎر ﺧﻮب ﻋﻤﻞ میکند. درحالی‌که DEA در نمونهها ﺧﺎرﺟﯽ ﻋﻤﻠﮑﺮد ﺧﻮﺑﯽ را از ﺧﻮد ﻧﺸﺎن میدهد. ﻫﻤﭽﻨﯿﻦ در 84 ﺗﺎ 89 درﺻﺪ ﻣﻮارد ﻣﺪل DEA در ﺷﻨﺎﺳﺎﯾﯽ ﻣﺴﺘﻘﯿﻢ شرکت‌های ورﺷﮑﺴﺘﻪ ﺑﺴﯿﺎر ﺧﻮب عمل نموده و LR در 61 ﺗﺎ 64 درﺻﺪ از ﻣﻮارد در اﯾﻦ زﻣﯿﻨﻪ ﺧﻮب ﻋﻤﻞ میکند. از سوی دﯾﮕﺮ در ﺷﻨﺎﺳﺎﯾﯽ شرکت‌های غیر ورشکسته، ﻣﺪل LR 30/69 تا 47/99 /47 ﺧﻮب ﻋﻤﻞ میکند. در حالی که DEAدر ﻣﻮرد اﯾﻦ ﻣﻘﺎدﯾﺮ ﺑﯿﻦ 42/68 تا 33/83 درﺻﺪ اﺳﺖ. ژو و همکاران در سال (2009) در تحقیقی با وارد ساختن کارایی به‌عنوان یک متغیر مستقل در کنار نسبتهای مالی، اقدام به پیشبینی درماندگی مالی به وسیله ماشین بردار پشتیبان، رگرسیون لوجستیک و تحلیل ممیزی چندگانه نمودند. نتایج تحقیق نشان میدهد که استفاده از امتیاز کارایی در مدلهای فوق اساساً صحت پیشبینیها را در مقایسه با زمانی که از کارایی استفاده نمیشود، افزایش خواهد داد. تنیکو و ویلسون (2013)، به پیشبینی درماندگی مالی و ورشکستگی شرکتها با استفاده از ترکیب اطلاعات حسابداری، اطلاعات بازار سهام و متغیرهای اقتصاد کالن بر اساس الگوی آلتمن و شبکههای عصبی در بازه زمانی 2011-1980 پرداختند. نتایج حاکی از سودمندی ترکیب اطلاعات حسابداری، بازار و متغیرهای اقتصاد کالن دارد. بر اساس مطالعاتی که گامل و همکاران (2016) صورت گرفته، استفاده از شبکههای عصبی (NNs) در پیشبینی درماندگی مالی شرکتها از دقت بالاتری نسبت به روشهای آماری نظیر رگرسیون لوجستیک و تجزیه و تحلیل تمایز چندگانه داشته است. آگوست گونزالز و همکاران (2017) به پیشبینی درماندگی مالی با استفاده از متغیرهای کالن و متغیرهای حسابداری در شرکت‌های بورسی اسپانیا طی دوره زمانی 1995 تا 2011 پرداختند. نتایج تحقیق آنها نشان داد که یک الگوی ترکیبی از متغیرهای کالن اقتصادی و متغیرهای حسابداری، توان پیشبینی درماندگی مالی شرکتها را دارد. چیارمونت و کاسو (2017) تأثیر نسبتهای نقدینگی و نسبتهای سرمایه در پیشبینی درماندگی مالی شرکتها را بررسی کرده و نتایج ان نشان داد با ارتقا وضعیت نقدینگی و نسبتهای مالکانه و سرمایه، احتمال درماندگی مالی کاهش می‌یابد. لی و همکاران در سال 2017 در پژوهش خود، «پیشبینی پویای درماندگی مالی با استفاده از DEA و شاخص مالم کوئیست » مدلهای DEA مقطعی را به DEA مالم‌کوئیست چند زمانه بسط دادند. نتایج پژوهش آنها که مبتنی بر نمونه‌ای از 742 شرکت پذیرفته‌شده چینی طی 10 سال نظارت بود نشان داد که DEA مالم‌کوئیست علاوه بر پیشبینیهای دقیق درماندگی مالی براساس شاخص‌های کارایی DEA بینش‌هایی را در مورد موقعیت رقابتی یک شرکت ارائه میدهد. لی و همکاران (2017) از روش استدلال بر مبنای مورد (CBR) به‌عنوان یکی از روشهای استدلال مهم در زمینه هوش مصنوعی، برای پیشبینی درماندگی مالی استفاده کردهاند. صالحی و همکاران (2017) روشهای دادهکاوی را برای پیشبینی درماندگی مالی ورشکستگی به کار گرفتهاند. تینوکو و همکاران (2018) طی تحقیقی برای نخستین بار از شبکههای بیز برای پیشبینی ورشکستگی استفاده کردند. آنها در تحقیق خود از مدل ساده و پیچیده بیز استفاده کردند. نتایج تحقیق نشان داد که مدل ساده بیز با 80 درصد اطمینان و مدل پیچیده بیز با 88 درصد اطمینان وضعیت ورشکستگی را درست پیشبینی کردند. شیلپا و همکاران (2017) در تحقیقی به کاربرد انتگرال Choquet در دستهبندی چندگانه تجمیعی به منظور پیشبینی درماندگی مالی شرکتها پرداخته و در نهایت یافتههای تحقیق خود را با دادههای واقعی شرکت‌های چینی به منظور تعیین دقت دستهبندی مورد مقایسه قرار داد. نتایج تحقیق نشان داد که پیشبینی درماندگی مالی شرکتها با استفاده از روش دستهبندی کننده ترکیب مبتنی بر انتگرال Choquet نسبت به دستهبندی کنندههای واحد از دقت و ثبات بیشتری برخوردار است. کیهوتو و همکاران (2017) در تحقیقی تحت عنوان «توسعه مدلهای SFNN برای پیشبینی درماندگی مالی شرکت‌های ساختمانی» روش جدیدی به‌منظور پیشبینی درماندگی مالی ارائه کردند و مدل پیشبینی خود را از ترکیب سه روش بهینهسازی نقشه ویژگی خودسازمان‌دهنده، فازی و شبکههای عصبی ترکیبی هایپر-رکتانگیولر ارائه کردند. این مدل توانسته است با دقت 1/85 درصد درماندگی مالی شرکتها را درست پیشبینی کند.وکیلی فرد و همکاران (2018) در مقالهای تحت عنوان «یک تجزیه و تحلیل آماری برای پیشبینی درماندگی مالی» از 45 نسبت مالی استفاده کردند و آنها را به دو متغیر کلی جدید به نام ریسک و بازدهی تقسیم کردند. آنها در تحقیق خود با استفاده از رگرسیون لجستیک احتمال درماندگی مالی شرکتها را در کوتاه‌مدت پیشبینی کردند. حیدری و همکاران در سال 2018 برای پیشبینی مالی شرکتها از مدل الگوریتم ژنتیک استفاده کردند. نتایج تحقیق آنها حاکی از آن بود که مدل ژنتیک علاوه بر قابلیت پیشبینی درماندگی مالی، قابل فهم برای استفادهکنندگان نیز بوده است. حیدری و همکاران در سال 2019 به بررسی پیشبینی درماندگی مالی شرکتها به وسیله الگوریتم ژنتیک و تحلیل ممیزی چندگانه پرداختند. نتایج تحقیق افزایش صحت پیشبینی مدل الگوریتم ژنتیک در مقایسه با مدل تحلیل ممیزی چندگانه را نشان میدهد. خواجوی و همکاران (2019) به وسیله ماشین بردار پشتیبان اقدام به طراحی مدلی برای پیشبینی درماندگی مالی شرکتها نمودند و نتایج مدل SVM را با مدل MVA و LR و شبکه عصبی پس انتشار(BPN) مقایسه کردند. نتایج تحقیق نشان داد که مدل SVM برای دادههای آموزشی و آزمایشی به ترتیب با 01/88 و 06/83 درصد در مقایسه با سایر مدلها از صحت بیشتری برخوردار بوده است. مجیسون و همکاران (2019) با استفاده از ماشین بردار پشتیبان در فرایند پیشبینی به مقایسه نتایج آن با مدل شبکههای مصنوعی پرداختند. نتایج این مقایسه نیز از تعمیمپذیری و دقت کلی بیشتر مدل SVM در مقایسه با شبکه عصبی خبر داده است. همچنین، در پژوهشی، «تحلیل تطبیقی مدلهای پیشبینی درماندگی مالی دومرحله‌ای»، موسوی و همکاران (2019) برای محاسبه کارایی بازار شرکتها علاوه بر کارایی مدیریتی غالب، تخمین معیار تفکیک شدۀ کارایی مختلط و بررسی نقش آن در مقایسه با کارایی فنی محض و کارایی مقیاس در عملکرد DPM ها، کاربرد سیستم خبره در امتیازدهی اعتباری و پیشبینی درماندگی را با استفاده از مدلهای متنوع DEA بسط دادند. بعلاوه، مقایسه جامعی بین DPM ها دومرحله‌ای از طریق برآورد انواع معیارهای کارایی DEA در مرحلۀ اول و به‌کارگیری طبقه‌بندهای ایستا و پویا در مرحلۀ دوم انجام دادند. براساس نتایج تجربی، دستورالعمل‌هایی را برای کمک به متخصصین در توسعۀ DPM های دومرحله‌ای ارائه کردند.
2-2- ادبیات نظری درماندگی مالی در ادبیات مالی تعاریف مختلفی از درماندگی مالی ارائه گردیده است. (گردون، 1971) در یکی از نخستین مطالعات علمی بر تئوری درماندگی آن را به‌عنوان کاهش قدرت سودآوری شرکت معرفی میکند که احتمال عدم توانایی بازپرداخت بهره و اصل بدهی را افزایش میدهد. اغلب شرکتهایی که در وضعیت سالمی نیستند به دلیل رکود که یکی از نتایج رایج بحران مالی است، دچار درماندگی مالی میشوند شرکت‌های خاصی به دلیل افزایش رقابت خارجی در معرض زوال قرارگرفته‌اند. از نظر آسکوئیس، جرتنر و اسکارفستین عملکرد ضعیف یک شرکت به عنوان معنادارترین دلیل درماندگی مالی، شناخته شده است. از نظر آنها عملکرد ضعیف صنعت و اهرم مالی بالا دلایل دیگر درماندگی شرکتها هستند. آندراد و کاپالن (1998) نیز مانند آسکوئیس و همکاران (1994) در تحقیق خود به نتایجی مشابه با آنان رسیدهاند. در تحقیقات آنها، اهرم مالی بالا به دلیل آنکه نیازمند وجه نقد به منظور پوشش پرداختهای مرتبط است، باعث کمبود نقدینگی در شرکت میشود. لذا از نظر آنها، اهرم مالی، دلیل رایج درماندگی مالی شرکتها شناخته شده است. به علاوه، اوپلر و تیتمان (1992) نشان دادهاند که درماندگی مالی در شرکت‌های با اهرم مالی بالا، ریشههایی در صنعتی با رکود اقتصادی دارد و شرکتها تمایل بیشتری به درگیر شدن در فعالیتهای مصونسازی نشان دادهاند. درماندگی مالی اصطلاحی است که به‌طورکلی برای اشاره به شرایطی استفاده میشود که شرکت در ایفای تعهدات و پرداخت بدهی‌هایش ناتوان باشد و یا با مشکل مواجه شود. ممکن است درماندگی مالی شرکتها موقتی باشد، اما درصورتی‌که وضعیت مالی شرکت بهبود نیابد ممکن است به ورشکستگی شرکت منجر شود. درماندگی مالی هم برای اعتباردهندگان و هم برای سهامداران هزینه‌بر است زیرا زمانی که شرکت دچار درماندگی مالی شود به صورت بالقوه این ریسک وجود دارد که تمام سرمایه سهامداران از بین برود (سعیدی و آقایی، 1388). از نقطه نظر اﻗﺘﺼﺎدی، درماندگی مالی را ﻣﯽﺗﻮان ﺑﻪ زﯾﺎنده ﺑﻮدن ﺷﺮﮐﺖ ﺗﻌﺒﯿﺮ ﻧﻤﻮد ﮐﻪ در اﯾﻦ حالت ﺷﺮﮐﺖ دﭼﺎر ﻋﺪم ﻣﻮﻓﻘﯿﺖ ﺷﺪه اﺳﺖ. در واقع در این حالت ﻧﺮخ ﺑﺎزدﻫﯽ ﺷﺮﮐﺖ ﮐﻤﺘﺮ از ﻧﺮخ، ﻫﺰﯾﻨﻪ ﺳﺮﻣﺎﯾﻪ میباشد. حالت دﯾﮕﺮی از درﻣﺎﻧﺪﮔﯽ ﻣﺎﻟﯽ زﻣﺎﻧﯽ رخ میدهد ﮐﻪ ﺷﺮﮐﺖ ﻣﻮﻓﻖ ﺑﻪ رﻋﺎﯾﺖ ﮐﺮدن ﯾﮏ ﯾﺎ ﺗﻌﺪاد ﺑﯿﺸﺘﺮی از ﺑﻨﺪﻫﺎی ﻣﺮﺑﻮط ﺑﻪ ﻗﺮارداد ﺑﺪﻫﯽ ﻣﺎﻧﻨﺪ نگاه داشتن ﻧﺴﺒﺖ ﺟﺎری ﯾﺎ ﻧﺴﺒﺖ ارزش وﯾﮋه ﺑﻪ ﮐﻞ داراییها ﻃﺒﻖ ﻗﺮارداد نمیشود. ﺣﺎﻻت دﯾﮕﺮی از درﻣﺎﻧﺪﮔﯽ ﻣﺎﻟﯽ عبارت‌اند از زﻣﺎﻧﯽ ﮐﻪ ﺟﺮﯾﺎﻧﺎت ﻧﻘﺪی ﺷﺮﮐﺖ ﺑﺮای ﺑﺎزﭘﺮداﺧﺖ اﺻﻞ و ﻓﺮع ﺑﺪﻫﯽ ﮐﺎﻓﯽ ﻧﺒﺎﺷﺪ و ﻧﯿﺰ زﻣﺎﻧﯽ ﮐﻪ ارزش وﯾﮋه ﺷﺮﮐﺖ ﻋﺪدی ﻣﻨﻔﯽ ﺷﻮد (وستون و همکاران، 1992). ویتاکر در سال 1999، درماندگی مالی را وضعیتی در نظر می‌گیرد که در آن جریان‌های نقدی شرکت از مجموع هزینههای بهره مربوط به بدهی بلندمدت کمتر است (محسنی و همکاران، 1392). ملاک درماندگی شرکتها در ایران، مشمول ماده141 قانون تجارت مصوب سال 1347 میباشد. بر اساس این ماده :" اگر بر اثر زیان‌های واردشده حداقل نصف سرمایه شرکت از میان برود، هیئت‌مدیره مکلف است مجمع عمومی فوق‌العاده صاحبان سهام را دعوت کند تا موضوع انحلال یا بقای شرکت مورد شور و رأی واقع شود. هرگاه مجمع مزبور رأی به انحلال شرکت ندهد، باید در همان جلسه و با رعایت مقررات ماده 6 قانون، سرمایه شرکت را به مبلغ سرمایه موجود کاهش دهد. در صورتی‌که هیئت‌مدیره برخلاف این ماده به دعوت مجمع عمومی فوق‌العاده مبادرت نکند یا مجمعی که دعوت میشود نتواند مطابق مقررات قانونی منعقد شود هر ذینفع میتواند انحلال شرکت را از دادگاه صلاحیت‌دار درخواست کند". در زمان درماندگی مالی، شرکتها با دو مشکل اصلی مواجه می‌گردند: کمبود نقدینگی در ترازنامه و وجود تعهدات فراوان. به‌عبارت‌دیگر، در زمان درماندگی مالی، جریانات نقدی پوشش لازم و برای ایفای تعهدات را تأمین نکرده و شرکت دچار ناتوانی موقت در پرداخت بدهی‌ها میشود. در این حالت، شرکتها به فروش داراییها و دریافت وام رو می‌آورند که نتیجه آن، کاهش ظرفیت و عملکرد تولیدی و نیز افزایش اهرم میباشد. به همین دلیل، پیشبینی درماندگی مالی شرکتها امری ضروری بوده و امکان ارائه راه‌حل‌های ممکن را قبل از بروز هرگونه بحرانی فراهم می‌آورد (منصور فر و همکاران، 1392) .درماندگی مالی یکی از مراحل ورشکستگی است، که در این مرحله شرکتها در بازپرداخت بدهی‌های خود دچار مشکل میشوند. در یک تعریف کلی؛ درماندگی مالی حالتی است که در آن به علت کاهش قدرت سودآوری شرکت، احتمال عدم توانایی بازپرداخت اصل و فرع بدهی شرکت افزایش‌یافته است (رضوانی،1392). شرکتهایی که نمیتوانند درماندگی مالی را تشخیص دهند و اقداماتی را در مراحل اولیه انجام دهند، دچار ورشکستگی میشوند که نه‌تنها موجب ضرر زیادی برای سهامداران، اعتباردهندگان، مدیران و سایر بخشهای مرتبط میشود، بلکه ثبات اقتصادی را نیز تحت تأثیر قرار میدهد (سان و لی،2009) و مادامی‌که شرکت گرفتار وضعیت درماندگی مالی "کامل" نشده است، مدیران شرکت فرصت دارند تا با مقایسه وضعیت مالی فعلی شرکت با وضعیت‌های مالی گذشته، روند آینده شرکت را با هدف تقویت ظرفیت رفع ریسک مالی و بهبود سطح کنترل مالی، تقویت نماید (سان و همکاران،2011) درماندگی مالی مفهومی گسترده است که دربرگیرنده موقعیتهای مختلفی است که در آنها شرکتها با مشکلات مالی مواجه‌اند ( گنگ و همکاران، 2015 ). درماندگی مالی به وضعیتی اطلاق میشود که جریان نقدی شرکت برای پرداخت هزینههای تعهد شده کافی نیست (کنگ و همکاران،2015 :امسلمی و همکاران،2017) در عمل، درماندگی مالی همیشه به ورشکستگی منجر نمیشود (جایاسکرا،2018).
تحلیل پوششی دادهها مبتنی بر بدترین عملکرد (WPF-DEA) اندازهگیری کارآیی شرکت در ارزیابی عملکرد یک سازمان هم از اهمیت فراوانی برخوردار است. از طرف دیگر در بازار سرمایه کشور، ضرورت ایجاد انواع ابزارها و مدلها برای محاسبه کارایی و ارزیابی عملکرد شرکت‌های مختلف ازجمله شرکت‌های سرمایهگذاری احساس میشود. از آنجا که مدلهای موجود نتوانستهاند دغدغه سرمایهگذاران و سایر ذینفعان را در حل این مسئله را به طور کامل حل کنند، نیاز به ارائه مدلی است که بتواند با در نظر گرفتن مهم‌ترین متغیرهای تأثیرگذار و همچنین با برطرف کردن نقص‌های مدلهای پیشین، چارچوبی مطمئن‌تر و دقیق‌تر برای ارزیابی ارائه دهد. یکی از ابزارهای کارآمد که این مهم را محقق ساخته تحلیل پوششی دادهها(DEA) استا که چارچوب نظام ارزیابی عملکرد مستحکمی را فراهم میکند و تکنیک مناسبی برای مقایسه واحدها ازنظر کارآیی به شمار می‌آید (آزاد، علی‌اصغر، 1399). فارل برای اولین بار در سال 1957روشهای ناپارامتریک را جهت تخمین کارایی مطرح نمود. او بهجای تخمین تابع تولید، مقدار ورودیها و خروجیهای واحدها را مشاهده و مرزی برای این واحدها در نظر گرفت و این مرز را مرز کارا نام گذاشت و آن را ملاک ارزیابی کارایی قرار داد. مقاله فارل نقش مهمی در مقاله اساسی، چارنز و همکاران به نام CCR ایفا نمود و به عنوان نقطه شروع برای تحلیل پوششی دادهها مطرح گردید. در مقاله CCR فرمولبندی برنامهریزی خطی برای اندازهگیری کارایی یک واحد تصمیمگیرنده در حالت چندین ورودی و خروجی تعمیم یافت. بعد از مدل CCR، در سال 1984 بنکر و همکاران نسخه بازده به مقیاس متغیر مدل CCR را معرفی کردند و این مدل را BCC نام نهادند. همچنین در این سال مدلFDH توسط دپرینس و همکاران معرفی گردید. سپس مدل جمعی یا Add در سال 1985 توسط چارنز و همکاران معرفی شد. پس از مدل جمعی، مدل راسل در سال (1987) توسط فیر و لول برای محاسبات مشکل مطرح شد. علاوه بر مدلهای فوق، کوپر و همکاران در سال 1999 مدل اندازهگیری با دامنه تعدیل شده (RAM) را معرفی کردند. همچنین یک مدل غیر شعاعی دیگر به منظور ارزیابی کارایی واحدهای تصمیمگیری توسط تن درسال 2001 معرفی شد که به نام مدل اندازهگیری مبتنی بر متغیرهای کمکی(SBM) شناخته میشود. همچنین مدلهای اساسی دیگری نظیر اندرسون و پترسون (AP) کارایی متقاطع (CE) و مجموعه وزن‌های یکسان (CSW)و... مطرح شدند (مهرگان و همکاران، 1394). بنا بر ادعای کوپر و همکاران (2006) پس از پیدایش تحلیل پوششی دادهها بیش از هزاران مقاله و کتاب در این خصوص تدوین و بسیاری از مراکز تحقیقاتی بر روی آن فعالیت داشتهاند. مفهوم WPF-DEAبرای اولین بار توسط پارکان و وانگ (2000) و پارادی و همکاران(2004) معرفی شد. آنها نشان دادند که چگونه WPF-DEA میتواند با شناسایی شرکتهایی که در بد بودن کارا هستند، بدترین عملکردها را ارزیابی کند. پارکان و وانگ (2000) به منظور شناخت عملکردهای ضعیف و یا پیشبینی ورشکستگیها در یک سناریوی حداقلسازی کارایی، مدلWPF-DEA را ارائه دادند. برای تشخیص واحدهایی ناکارایی که بدترین عملکرد رادارند، آنها مدل را که به‌عنوان مدل کسری WPF-CCR شناخته میشود ارائه نمودند. آنها معتقد هستند که به منظور تشخیص بدترین عملکردها، طراحی مدلی برای ارزیابی و رتبهبندی واحدها در یک سناریوی حداقل سازی کارایی منطقیتر خواهد بود. به هر حال مدلهای شعاعی WPF-CCR و WPF-BCC دارای مشکلی اساسی هستند که نمیتوانند مقادیر کمکی را به شکل مستقیم محاسبهکنند و برای محاسبه متغیرهای کمکی به یک روش غیرمستقیم پیچیدهتر نیاز دارند. بنابراین لیو و چن (2009) مدل WPF-SBM را براساس مجموعه امکان تولید مدل SBM ارائه نمودند. در بیشتر مدلهای BPF-DEA بهترین واحدها که در موقعیت بهترین عملکرد قرار دارند یا بر روی مرز کارایی قرار دارند با مقدار کارایی یک مشخص میشوند و معمولاً مجموعهای از چندین واحد این موقعیت را دارا هستند. در مدلهای WPF-DEA نیز ممکن است مجموعهای از واحدها در موقعیت بدترین عملکرد یا مرز ناکارا قرار بگیرند. ایجاد تمایز بین این واحدها موضوع جالبی به نظر میرسد. لیو و چن (2009) این مسئله را ‘‘Hypo-Efficiency” نامیدند و آن را کارایی در نظر گرفتند که بدتر از بدترین عملکرد است و این مسئله را بر اساس مدل ابر کارایی تن (2002) توسعه دادند تا رتبهبندی بدترین عملکردها به وسیله WPF-SBM شناساییشود. بنابراین از این پس ما ‘‘hypo-efficiency” را با همان تعریف لیو و چن (2009)، ابرناکارایی می‌نامیم. لیو و چن (2009) مدل Hypo SBM را براساس مجموعه امکان تولید مدل Super SBM ارائه نمودند. مدلهای تحلیل پوششی دادههای مبتنی بر بدترین عملکرد (WPF-DEA) لیو و چن بُعد زمانی را نادیده میگیرند که در واقع مدلهایی ایستا هستند.
3- روش تحقیق در این پژوهش، آمار و اطلاعات شرکتها از طریق مطالعه گزارش‌های ماهانه و سالانه شرکتها، جستجو در سایت‌های مرتبط و نرم‌افزار ره‌آورد نوین به شیوه میدانی جمعآوری گردید. در بخش پیشینه تحقیق و مبانی نظری تحقیق، جمعآوری اطلاعات از منابع دست‌دوم و به صورت کتابخانه‌ای، سایت‌ها و مجلات علمی معتبر صورت پذیرفت. دادههای مورد نیاز تحقیق از منابع اطلاعاتی سازمان بورس و اوراق بهادار و سامانه‌های دادگان موجود مانند نرم‌افزار سازمان بورس اوراق بهادار تهران و ره‌آورد نوین و کدال گردآوری و پس از اعتبارسنجی مورد استفاده قرار گرفت. دادههای جمع‌آوری‌شده، ابتدا در قالب بانک اطلاعات ذخیره و سپس با انتقال این دادهها به نرم‌افزار اکسل (Excel)، زمینه تجزیه و تحلیل این دادهها و نتایج حاصل از آنها فراهم گردید. محققین در تحقیق حاضر به دنبال"طراحی مدل تحلیل پوششی دادههای مبتنی بر بدترین عملکرد برای پیشبینی درماندگی مالی" است، لذا میتوان بیان داشت که با توجه به تلاش برای بهبود و ارتقاء مدلهای پیشین، این تحقیق از حیث جهتگیری تحقیق از نوع تحقیق توسعهای-کاربردی میباشد. از نظر فلسفه تحقیق نیز تحقیق حاضر از نوع اثبات‌گرایی است. استراتژی تحقیق در این تحقیق از نوع قیاسی میباشد. همچنین چون محقق ضمن بررسی وضعیت موجود به دنبال کشف راهحلی بهتر برای ارتقاء وضعیت فعلی است بنابراین هدف تحقیق از نوع اکتشافی میباشد. در این تحقیق محقق پس از جمعآوری دادهها اقدام به پیمایش دادهها میکند لذا تحقیق از نوع توصیفی-پیمایشی است. افق زمانی چند مقطعی و شیوه گردآوری دادهها بر اساس بررسی اسناد و مدارک میباشد. جامعه آماری تحقیق را شرکت‌های پذیرفت ه‌شده در بورس اوراق بهادار تهران برای دوره زمانی1386 تا 1398 تشکیل میدهد، روش نمونه‌گیری حذفی سیستماتیک است که در مجموع 105 شرکت برای انتخاب موجود بودند که نمونهها بر اساس چهار شرط زیر انتخاب شدند:
3-1- مدل ارائه شده در این پژوهش با گسترش مدل WPF-DEA اقدام به ارائه مدلی میشود که توان پیشبینی پویایی درماندگی مالی شرکتها را متناسب داشته باشد. به منظور ساده‌سازی ارائه، تابع هدف مدل مذکور در قالب مدل ناکارایی با ماهیت ورودی ارائه شده و مدلهای با ماهیت ورودی با کاهش ورودیها سر وکار دارند و سعی میشود مقدار خروجیهای فعلی را حفظ کنند. همانگونه که در مدل نیز مشخص است میتوان با ایجاد محدودیت‌ها و قیود جدید درماندگی مالی شرکتها را به‌صورت پویا پیشبینی نمود. از این روی، چالش تعداد خوشه‌ها در این پژوهش محل بحث نبوده و با هر تعدادی میتوان مدل موردنظر را ارائه نمود. نکته قابل توجه این است که اساساً در این مقاله تحلیل پوششی دادهها به خوشهبندی نمی‌پردازد، بلکه در فرآیند پیشبینی تأثیرگذار است. مدل ارائه شده میتواند پیشبینی کند که کدام شرکتها دچار درماندگی مالی خواهند شد. در ابتدا، شبکه عصبی خوشهبندی مناسب را انجام میدهد، سپس مدل ارائه شده که برمبنای بدترین عملکرد طراحی‌شده با روش تحلیل پوششی دادهها به صورت پویا و ناکارایی به پیشبینی درماندگی مالی شرکتها می‌پردازد.
3-2- مدلسازی کمّی در این زیر بخش به ارائه مدل تحلیل پوششی دادههای ناکار - پویا پرداخته میشود. در تشریح مدل از واحدهای تصمیم استفاده میگردد که به مفهوم شرکت‌های مورد ارزیابی میباشد. فضای شدنی در اینجا n واحد (n=1,…., N) که در طی آن t دوره (t=1,…,T) می‌خواهیم واحدهای تصمیم را ارزیابی کنیم. در هر دوره واحدهای تصمیم دارای mورودی که (i=1,…,p) و s خروجی که (i=1,…,s) و r خروجی غیرقابل‌کنترل ثابت (i=1,…,r) میباشد. همچنین که (i=1,…,m) است ورودی قابل‌کنترل میباشد. که (i=1,…,p) است ورودی ثابت یا غیرقابل کنترل میباشد. ک ( i=1,..,s خروجی قابل‌کنترل میباشد و که (i=1,…,r) خروجی غیرقابل کنترل مربوط به واحدهای تصمیم در دوره tام میباشد. همچنین چهار نوع ارتباط را با علائم در مدل استفاده‌شده است. به عنوان مثال، علائمی مانند که (i1,..,) ، (j=1,…,n) ، (t=1,…,T) برای نمایش ارتباط‌های خوب می‌باشند. برای ارتباط بد، برای ارتباط آزاد و برای ارتباط ثابت استفاده میشود بیانگر الگوها برای واحدهای ناکارا می‌باشند الگوها به تعداد دوره‌های زمانی تکرار میشود. که بیان بردار شدت در دوره t ام میباشد. n free, n bad, n fix به ترتیب تعداد ارتباط‌های ثابت، بد و آزاد میباشد. محدودیت آخر بیانگر بازدهی نسبت به معیار متغیر میباشد اگر این محدودیت حذف شود به مدلی با بازدهی نسبت به معیار ثابت می‌رسیم. توجه کنید که در سمت راست عبارت فوق، ، ، ، ، ، ایر مثبت می‌باشند . ، ، ، ، ، و که توسط متصل می‌شونددوم جریان ارتباط بی دوره tام و t+1 راتضمین میشود. S متغیری است که موجب استاندارد شدن محدودیت‌ها میشود. متغیرهای کمکی می‌باشند که به ترتیب بیانگر مازاد ورودی ، کمبود خروجی ، کمبود ارتباط مطلوب ، مازاد ارتباط نامطلوب ، انحراف ارتباط میباشد. ناکارایی کلی با ماهیت ورودی ارائه‌شده و مدلهای با ماهیت ورودی با کاهش ورودیها سروکار دارند و سعی میشود مقدار خروجیهای فعلی را حفظ میکنند. در مدل D sbm (اس بی ام پویا) متغیر کمکی مربوط به ورودیها را و همچنین متغیرهای کمکی مربوط به ارتباط‌های بد را حداکثر میکند. در مدلهای با ماهیت خروجی سعی می‌کنیم خروجی‌ها را حداکثر کنیم و ورودیها را حفظ کنیم در مدل D sbm متغیرهای مربوط به خروجی‌ها را به طور هم‌زمان افزایش دهند. تفاوت در نوع ماهیت مدلها به تابع هدف مسئله تأثیر می‌گذارد که مدل به شرح زیر ارائه میشود. برآورد مدل و تحلیل نتایج جهت تشریح رویکرد استفاده‌شده در این مقاله به بررسی عملکرد شرکت‌های عضو سازمان بورس اوراق بهادار تهران پرداخته میشود. در این زیر بخش ابتدا 105 شرکت عضو بر مبنای معیارهای ارائه شده در دو خوشه متناسب درمانده و غیر درمانده پرداخته میشود. اطلاعات مربوط به این شرکتها از درگاه اینترنتی رهاورد نوین و کدال و درگاه اینترنتی اطلاع‌رسانی بورس اوراق بهادار تهران استخراج شده است. جهت شناسایی عوامل ورودی، خروجی و ارتباطات از نظرات خبرگان استفاده شده است. عامل‌های ورودی، خروجی و ارتباطات جهت ارزیابی این 105 شرکت به شرح ذیل ارائه میگردد. عوامل ورودی: نسبت سرمایه در گردش به کل داراییها (WCTA): نسبت سرمایه در گردش به کل داراییها نسبتی است که نشان‌دهنده سهم سرمایه در گردش در مقایسه با کل داراییها است. هر چه این سهم بزرگ‌تر باشد، توانایی نقدینگی شرکت بیشتر است و دوری شرکت از خطر درماندگی مالی را نشان میدهد. نسبت دارایی‌های جاری به بدهی جاری (CACL): نسبت جاری متداول‌ترین وسیله اندازهگیری قدرت پرداخت بدهی‌های کوتاه‌مدت است. هر چه این نسبت بزرگ‌تر باشد، شرکت کمتر دچار درماندگی مالی میشود. نسبت سود قبل از هزینه های مالی و مالیات به کل داراییها (EBITA): بهره، هزینه تأمین سرمایه از طریق دریافت وام درنتیجه سهم وام‌دهندگان از سود شرکت و مالیات، سهم دولت از سود شرکت است. سود شرکت قبل از این دو عامل نشان‌دهنده توانایی سودآوری شرکت با استفاده از دارایی‌های شرکت است. هر چه این نسبت بزرگ‌تر باشد. توان سودآوری شرکت بالاتر و در نتیجه شرکت از خطر درماندگی مالی دورتر است. نسبت سود قبل از هزینههای مالی و مالیات به فروش (EBIT): این نسبت بیانگر توان سودآوری شرکت است. هر چه قدر این نسبت بزرگ‌تر باشد، شرکت سودآورتر بوده و کمتر در معرض درماندگی مالی قرار می‌گیرد. عوامل خروجی: نسبت کل بدهی به کل حقوق صاحبان سهام (TDTE): بدهی‌ها و حقوق صاحبان سهام نشان‌دهنده چگونگی تأمین سرمایه شرکت میباشد. اگر دارایی‌های شرکت بیشتر از محل بدهی‌ها تأمین شود امکان درماندگی مالی بیشتری برای شرکت وجود خواهد داشت. ارتباطات: بد- دوره وصول مطالبات: نسبت متوسط دوره وصول مطالبات یکی از نسبتهای فعالیت است که بیانگر مدت‌زمانی است که طول خواهد کشید با شرکت مطالبات خود را از مشتریان دریافت کند خوب- نسبت نقدینگی (LR): نسبت نقدینگی یا جز یکی از نسبتهای مالی میباشد که از تقسیم پول نقد و معادل‌های نقدی و اوراق بهاداری که به‌راحتی قابل‌تبدیل به‌نقد می‌باشند، بر بدهی‌های جاری، به دست می‌آید. این نسبت آزمون نقدینگی شرکت است و برای محاسبه آن کل وجوه نقد و اوراق بهادار قابل‌خرید و فروش در بازار را جمع میکنند و آن را بر کل بدهی‌های جاری تقسیم میکنند. آزاد- گردش دارایی جاری: این نسبت، میزان تأثیرگذاری گردش داراییها را در کسب درآمد شرکت نشان میدهد و بیانگر این است که چگونه دارایی‌های شرکت برای ایجاد درآمد به کار گرفته میشوند. با مقایسه این نسبت در دوره‌های گذشته میتوان به این نتیجه رسید که افزایش داراییها در کسب درآمد بیشتر توسط شرکت، تأثیرگذار بوده است یا خیر. به‌منظور اجرای فرآیند خوشهبندی SOM در این پژوهش، از نرم‌افزار MATLAB (نسخه 2019R) استفاده شده است. با ورود دادههای مربوط به 105 شرکت تولیدی عضو سازمان بورس و اوراق بهادار تهران و قراردادن شاخص‌های فوق، عملاً 105 بردار ورودی با مؤلفه‌های مربوط به شاخص‌ها به شبکه SOM موردنظر داده میشود. در اینجا، شبکه SOM با تعداد دو خوشه پیش‌فرض (یعنی با توپولوژی یک در یک) و با توپولوژی شش‌ضلعی (Hexagonal) و تابع فاصله پیوندی (LinkDist) ساختاردهی شده است. با توجه به این موضوع، تعداد نرون‌های شبکه نیز برابر با دو خواهد بود. پس از اجرای شبکه، محل قرارگیری مراکز خوشه‌ها و میزان فواصل بین آنها براساس شکل 1 قابل اندازهگیری است. در شکل 1، نمودار فواصل بین نرون‌ها (خوشه‌ها) نمایان است که هرچه این فواصل تیره‌تر باشد، نشان‌گر بیشتر بودن فاصله است.
شکل 1: نمودار فواصل همسایگی بین خوشه‌ها در SOM منبع: یافته های پژوهشگر
در شکل 2 تعداد اعضا هریک از خوشه‌ها نمایش داده شده است. در این تصویر مشخص است که در هریک از خوشه‌ها چه تعداد از شرکتها قرارگرفته‌اند.
شکل 2: نمودار اعضا خوشه‌ها در SOM منبع: یافته های پژوهشگر با توجه به آنکه شرکت‌های در این خوشهبندی به دو خوشه تقسیم شده است. میتوان بر مبنای عضویت در هر خوشه به ارائه خدمات مناسب برای هر خوشه پرداخت. بر این مبنا شرکتها عضو سازمان بورس اوراق بهادر به دو خوشه درمانده و غیر درمانده تقسیم شده است. اکنون با مدل طراحی‌شده تحلیل پوششی دادهها برمبنای بدترین عملکرد و با دادههای پنج سال از سال 1394 تا 1398 اقدام به پیشبینی پویای درماندگی مالی شرکتها میگردد. جهت محاسبه ناکارایی دوره‌های زمانی، با بهره‌گیری از مدل ارائه شده در این مقاله 5، دوره زمانی از سال 1394 الی سال 1398 مورد استفاده قرار گرفته است. ناکارایی کلی این 105 شرکت برای این پنج دوره زمانی به شرح جدول 1 ارائه میگردد. در این جدول مشخص شده است که میانگین ناکارایی هر شرکت در طی این پنج دوره زمانی به چه صورت بوده است. جدول 1 : ناکارایی کلی در طول 5 دوره زمانی
منبع: یافته های پژوهشگر
نتیجه مدل (1) دربرگیرنده امتیاز کارایی یک برای DMU هایی است که توسط مدل مبتنی بر بدترین عملکرد ب هعنوان بدترین واحدها شناخته شدهاند. همچنین این مدل امتیاز کارایی بزرگ‌تر از یک را برای واحدهایی که نتوانستهاند خود را به عنوان واحدهای ضعیف نشان‌دهنده تعیین مینماید. بر مبنای نتایج به‌دست آمده در جدول (1) میتواند شرکت‌های عضو سازمان بورس و اوراق بهادار را در چندین دوره زمانی به صورت مشترک مورد ارزیابی قرارداد. به این صورت که ناکارایی این شرکتها در دوره‌های زمانی مورد ارزیابی قابل‌شناسایی است. این ناکارایی بیانگر آن است که آن شرکتها در طول دوره‌های زمانی پنج ساله دارای عملکرد نامناسب بوده‌اند.
نتیجهگیری و پیشنهادها پیشبینی درماندگی مالی سازمانها و شرکتها یکی از مهم‌ترین موضوعاتی است که در حوزه حسابداری و مالی همواره مورد توجه بوده است. تشخیص صحیح درماندگی مالی ناشی از پیشبینی با دقت بالا در عوامل مربوط به درماندگی مالی میتواند از بروز این اتفاق در شرکتها و نهادها جلوگیری نماید. در این پژوهش ابتدا با کمک یکی از تکنیکهای شبکههای عصبی مصنوعی به اسم نگاشت خودسازمان‌ده (SOM) ،خوشهبندی شرکتها به دو خوشه درمانده و غیر درمانده انجام و سپس با مدل تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد نسبت به پیشبینی درماندگی شرکتها اقدام گردید. بدین منظور، دادههای مربوط به 8 متغیر مالی انتخاب شده (چهار ورودی، یک خروجی و سه ارتباطات) مربوط به 105 شرکت تولیدی پذیرفته شده در بورس اوراق بهادار تهران نسبت به برآورد مدل اقدام نتایج در بخش قبلی ارائه گردید. در این پژوهش با بهره‌گیری از تکنیک دقیق، پیشبینی ناکارایی واحدهای تصمیم در دوره‌های زمانی مختلف ارزیابی و واحدهای تصمیم یا همان شرکتهایی که کاندیدای درماندگی مالی در دوره زمانی آتی هستند، شناسایی شدند. نتایج به‌دست آمده نشان میدهد که تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد از توان بالایی در پیشبینی درماندگی مالی شرکتها برخوردار است و پیشبینی قابل‌قبولی در مورد درماندگی مالی شرکتها ارائه میکند و با اطمینان بالایی میتوان از آن استفاده کرد. مدل مذکور نسبت به مدلهای تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد ازجمله مدل لیو و چن (2009) دارای یک مزیت است و آن مزیت پویا بودن آن است. مدل لیو و چن بعد زمانی را نادیده گرفته و درواقع مدلی ایستا هستند. اما عملکرد شرکتها در طی حیاتشان به‌صورت یک زنجیره به یکدیگر مرتبط است که در این پژوهش برای مرتفع نمودن این نقص، مدل تحلیل پوششی دادههای مبتنی بر بدترین عملکرد برای پیشبینی پویا درماندگی مالی شرکتها ارائه گردید یکی از کاربردهای مدل ارائه شده در این پژوهش علاوه بر شناسایی واحدهای ناکارا به عنوان واحدهای دارای درماندگی مالی در طول دوره‌های زمانی و ارتباطات بین دوره‌های زمانی، ارائه راهکار بهبود برای این واحدهای درمانده میباشد که میتواند شرکت‌های غیر درمانده را برای شرکت‌های درمانده به عنوان الگو قرار دهد و برای آنها به ارائه راهکارهای بهبود بپردازد. همچنین رویکرد ارائه شده در این پژوهش توان ارزیابی ناکارایی واحدهای تصمیم در هر دوره زمانی با توجه به ارتباط بین این دوره‌های زمانی را در اختیار تصمیم‌گیرندگان قرار می‌گیرد. و در نهایت میتوان شیب‌خط کارایی در طول دوره‌های زمانی نیز مورد ارزیابی قرار گیرد. و بر مبنای آن به رتبهبندی شرکت‌های اقدام نمود. این ویژگی قابلیتی را برای تصمیم‌گیرندگان ایجاد میکند تا بتوانند عملکرد در دوره زمانی آتی را نیز بر مبنای این روند شناسایی و نسبت به تخصیص سرمایهگذاری به آن شرکت پرداخته شود. با استفاده از روش تحلیل پوششی دادههای پویا مبتنی بر بدترین عملکرد در پیشبینی درماندگی مالی شرکتها میتوان با شناسایی زودهنگام علائم درماندگی مالی، از مبتلا شدن شرکتها به ورشکستگی و خسارات جبران‌ناپذیر جلوگیری کرد و ریسک ورشکستگی را به حداقل رساند. از طرفی دیگر، ذینفعان و سایر افراد و سازمانها که به‌نوعی با شرکتها تعامل دارند نیز میتوانند با کمک این روش تصمیم‌گیری‌های مناسبتری را اتخاذ نمایند. بنابراین به شرکت‌های پذیرفته شده در بورس اوراق بهادار، بانکها و مؤسسات مالی و اعتباری، شرکتها و صندوقهای سرمایهگذاری و سرمایهگذاران در بورس توصیه میشود تا از این تکنیک استفاده کنند. شرکتها میتوانند در پیشبینی زودهنگام درماندگی مالی و اقدام و مدیریت به‌موقع از این تکنیک استفاده کنند. استفاده از این رو برای ارائه تسهیلات و خدمات مالی و سیستمهای امتیازدهی و رتبهبندی اعتباری بانکها و مؤسسات مالی و اعتباری بسیار مفید میباشد. شرکتها و صندوقهای سرمایهگذاری نیز میتوانند در مدیریت پرتفوی و همچنین ارائه مشاوره به مشتریان خود از این رو استفاده کنند. و درنهایت استفاده از این رو برای سرمایهگذاران در بورس در اتخاذ تصمیمات مناسب در مورد خرید و فروش سهام و بهینهسازی پرتفوی شرکتها میتواند به کار رود. در پایان پیشنهاد میشود که این مدل جهت پیشبینی پویای درماندگی برای صنایع مختلف مثل (فلزات، لاستیک، خودرو و ...) مورد استفاده قرارگرفته تا شرکتها به موقع از وضعیت درماندگی مالی خود مطلع شوند و با اقدام مناسب و به موقع از ورشکستگی پیشگیری کنند و در ادامه پیشنهاد میگردد محققان در آینده، تحقیقاتی به شرح ذیل انجام و مدلهای جدیدی از تحلیل پوششی دادهها ارائه نمایند: رویکرد ارائه شده برای تحلیل پوششی دادههای ناکارایی قابل توسعه بر مبنای رویکرد شبکه‌ای میباشد و میتوان هر واحد تصمیم را به خرده واحدهای تصمیم تقسیم نماید. همچنین میتوان پایه مدل ارائه شده در این پژوهش را بر مبنای رویکرد دو مرزی توسعه داد.
[1] گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران h_rahimi57@yahoo.com [2] گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران (نویسنده مسئول( mehrzad_m44@yahoo.com [3] گروه مدیریت صنعتی و فناوری، دانشکده فارابی، دانشگاه تهران، قم، ایران Reza.fathi@ut.ac.ir | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
فهرست منابع
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 25 تعداد دریافت فایل اصل مقاله: 28 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||