پیش بینی ورشکستگی و راهبری شرکت ها: دیدگاه نسبت های مالی

پیش­بینی ورشکستگی در مطالعات و مقالات موجود در حوز­ های حسابداری و  مدیریت بسیار مورد بحث واقع شده­است و مطالعات فراوانی در رابطه با روش­های تجربی بهتر برای پیش­بینی ورشکستگی انجام شد­ه­است. هدف تحقیق حاضر استفاده از نسبت­های مالی و شاخص­های راهبری شرکتی برای پیش­بینی ورشکستگی شرکت­های پذیرفته شده در بورس اوراق بهادار تهران است. پژوهش حاضر به لحاظ هدف، بنیادی و از نظر روش تحقیق توصیفی از نوع همبستگی می­باشد. در پژوهش حاضر ورشکستگی شرکت­ها به عنوان متغیر وابسته و تعداد40 شاخص در پیش­بینی ورشکستگی در دو گروه 31 تایی نسبت­های مالی و 9 تایی شاخص­های راهبری شرکت به عنوان متغیر مستقل مورد استفاده قرار گرفته­شده­است. در این پژوهش نسبت به مقایسه چهار مدل پیش­بینی معروف شامل مدل ماشین­بردار، شبکه­های عصبی مصنوعی، شبکه های عصبی مصنوعی بهینه­سازی شده با الگوریتم ژنتیک و رگرسیون لاجیت اقدام شده است که نهایتا شبکه عصبی مصنوعی بهینه­شده با الگوریتم ژنتیک بهترین کارایی را نسبت به سایر مدل­ها از خود نشان داد. همچنین با مقایسه ویژگی نسبت­های مالی و شاخص­های راهبری، نسبت­های مالی خود را به عنوان ویژگی­های تاثیرگذار و ارزشمندتری برای پیش­بینی ورشکستگی نشان­دادند. چنانچه دقت تخمین به ازای نسبت­های مالی در بالاترین سطح خود قرار دارند که در پایان می­توان نتیجه­گرفت که بهترین مدل برای پیش­بینی ورشکستگی مدل استفاده از نسبت­های مالی در شبکه عصبی مصنوعی بهینه­شده با الگوریتم ژنتیک می باشد. این الگوریتم بیشترین دقت را بدست آورده­است و خطای آن کمینه است و می­توان آن­را بعنوان یک مدل قابل اعتماد، پایدار و عملی در نظر گرفت.

Bankruptcy prediction and Corporate Governance: Financial Ratio Approach

Bankruptcy prediction in studies and articles in the areas of Accounting and Management are discussed and many studies on the experimental method is more effective for bankruptcy prediction was carried out. The aim of this study is to compare the financial and indicators of corporate governance for bankruptcy prediction of companies listed on Tehran stock exchange. As the sample were selected variables into two categories that bankruptcy as the dependent variable and the number of 40 indicators or factors affecting predicted the crisis or financial distress in two groups of 31 rats financial ratios and 9indices corporate governance as an independent variable used is taken. In this study we compare the 4 methods famous prediction models vector machines, artificial neural networks, artificial neural networks optimized by genetic algorithm and logit regression action. Which ultimately artificial neural network optimized by the genetic algorithm works best compared to other models showed. It also has a feature comparison ratios and financial indices of governance, Ratios your finances as characteristics of effective and valuable for predicting bankruptcy showed. The precision of the estimates for properties Ratios Financial is the highest level. At the end it can be concluded that the best model for bankruptcy prediction is the use of ratios financial artificial neural network optimized algorithms Genetics is. This algorithm has the highest accuracy achieved and error is minimal. Therefore it could make it as a model of reliable, sustainable and practical.