چکیده:
میزان قابلتوجه زیان مالی بالقوه ناشی از بازپرداخت نکردن تعهدهای وامگیرندگان است، و توسعه و بهبود روشهای اندازهگیری ریسک اعتباری برای کاهش زیان مالی ناشی از نکول وامگیرندگان به موضوعی اجتنابناپذیر در ادبیات مالی تبدیل شده است. هدف مدلهای پیشبینی ورشکستگی، برآورد احتمال نکول شرکت یا شخص در یک دوره زمانی است. در پژوهش حاضر، از دادههای شرکتهای حاضر در بورس اوراق بهادار تهران و فرابورس در سالهای 1395-1370 استفاده میشود و با نمونهای از ۲۱۸ شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقهبندی و ارزیابی میزان دقت پیشبینی ورشکستگی استفاده میشود. نسبتهایی شامل سود قبل از بهره و مالیات به فروش کل، کل حقوق صاحبان سهام به کل بدهی، نسبت جاری، نسبت وجه نقد، و نسبت حقوق صاحبان سهام به دارایی کل به عنوان موثرترین عوامل شناسایی میشوند. مدل نهایی قادر به پیشبینی وضعیت اعتباری شرکتها، با دقت بالاتری نسبت به متوسط دقت مدلهای متداول موجود با استفاده از دادههای سال قبل، دو سال قبل، و سه سال قبل از سال هدف برآورد است.
A great amount of potential financial losses arise from borrowers’ abstaining from refunding their debts calls and the development and improvement of credit risk measurement techniques in the financial literature in order to decrease such losses has transformed into an intevitable subject. The purpose of bankruptcy forecasting models is to estimate the probability of a company or a person’s abstaining during a certain period of time. This research used the data gathered from a sample of 218 active companies in Tehran Stock Exchange Market as well as Over-The-Counter for the period between 1990 and 2016. Moreover, ants’ colony algorithm was used to determine the most effective factors of credit risk and also pattern recognition neural network technique was applied to classify and evaluate the precision of bankruptcy forecasts. As a result, such ratios as profit before interests and taxes to total sale; total benefits of shareholders to debts; and current ratio, cash ratio and shareholders’ benefits ratio to total assets are the most effective factors. Finally, the presented model which employs data belonging to one, two and three years before the intended year is able to forecast the credit condition of companies with higher precision as compared to the average precision of current models.
خلاصه ماشینی:
در پژوهش حاضر، از دادههای شرکتهای حاضر در بورس اوراق بهادار تهران و فرابورس در سالهای 1395-1370 استفاده میشود و با نمونهای از ۲۱۸ شرکت، الگوریتم کلونی مورچگان برای تعیین موثرترین عوامل ریسک اعتباری و روش شبکه عصبی بازشناسی الگو برای طبقهبندی و ارزیابی میزان دقت پیشبینی ورشکستگی استفاده میشود.
پیشبینی ورشکستگی شرکت یک مسئله مهم در حوزه مدیریت تصمیم است و هدف اصلی آن ایجاد تمایز بین شرکتهای سالمی که احتمال ورشکسته شدن آنان در آینده زیاد است با شرکتهای سالمی که این احتمال برای آنها اندک است (Wang et al.
Case Based Reasoning Decision Tree Genetic Algorithm جدول 1: برخی متغیرهای پرکاربردتر ریسک اعتباری {مراجعه شود به فایل جدول الحاقی} انتخاب ویژگی هدف از پیشبینی ورشکستگی، ارزیابی شرایط مالی یک شرکت و وضعیت آتی آن در زمینه عملکرد بلندمدت در بازار است.
مشخصه اصلی موفقیت یک مدل پیشبینی ورشکستگی این است که مدل قادر باشد با استفاده از مجموع متغیرها میان شرکتهایی با احتمال بالاتر ورشکستگی با سایر شرکتها تمایز ایجاد کند (Lyandres & Zhdanov, 2013).
هدف از انجام پژوهش حاضر، شناسایی مهمترین متغیرهای موثر در ریسک اعتباری و به علاوه طبقهبندی شرکتها بر اساس عوامل شناساییشده و بررسی میزان دقت پیشبینی مدل است.
در پژوهشی که هوانگ و همکاران (2018)، با هدف مقایسه دقت الگوریتمهای شبکه عصبی در ارزیابی ریسک اعتباری در مورد شرکتهای کوچک و متوسط کشور چین انجام میدهند، مدل آنان با دقت متوسط 83 درصد قادر به پیشبینی ورشکستگی است.