قسمتی از متن پایان نامه :

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

-7-6) روش های مجموع تجمعی[1]: روش های مجموع تجمعی (CUSUM) از قویترین ابزارهای تعیین تغییر وضعیت در یک توزیع به شمار می طریقه. در مورد پیش بینی ورشکستگی،  رفتار سری زمانی متغیرهای خصیصه  هر شرکت ورشکسته و غیر ورشکسته با بهره گیری از یک مدل VAR  ترتیبی کراندار تخمین زده می گردد.
پس از آن نقطه بهینه آغازین انتقال تعیین شده و علامتی مربوط به وضعیت ورشکستگی شرکت در آینده ایجاد می گردد. عملکرد کلی شرکت در هر نقطه معینی از زمان توسط امتیاز عملکرد سری های زمانی تجمعی ارزیابی     می گردد.   تا زمانی که امتیازهای عملکرد سری های زمانی مثبت بوده و از یک پارامتر حساسیت خاص بزرگ باشد،  بیانگر عدم تغییر در شرایط مالی شرکت ها خواهد بود.   امتیاز منفی تغییر وضعیت شرکت ها و احتمال ورشکستگی را نشان می دهد. کاهیا[2](1999 ) توضیح کاملی از این روش و کاربرد آن در پیش بینی ورشکستگی فراهم آورده می باشد.

2-7-7) فرایند های تعدیل ناقص[3]: مدل های فرایند های ناقص (PAP) اساس تئوریک روش معروف koyckبرای برآورد مدل های توزیع فاصله های زمانی می باشد. کاربرد این روش برای پیش بینی ورشکستگی می تواند به بهترین شکل توسط رفتار مدیریت وجوه نقد توسط شرکت توضیح داده گردد.   مدیریت وجوه نقد،  به هدایت وجه نقد توسط شرکت از جریان های نقد ی ورودی تا  جریان های نقدی خروجی تصریح دارد. ناتوانی در مدیریت وجوه نقد را می توان به عنوان عدم تعادل بین جریان های ورودی و جریان های خروجی وجوه نقد تعریف نمود که منجر به عدم توانایی شرکت در پرداخت تعهدات مالی در سررسید آن ها می گردد.   انعطاف پذیری ترازهای نقدی با در نظر داشتن عوامل محرک،  در شرکت های ورشکسته نسبت به شرکت های موفق مشابه کمتر می باشد. همچنین نرخ تعدیل برای شرکت ورشکسته بیش از نرخ تعدیل برای شرکت دارای سلامت می باشد  )لایتینن ولایتینن[4]،1998 ).
2-7-8) الگوریتم های ( درخت های تصمیم ) طبقه بندی بازگشتی[5]: الگوریتم طبقه بندی بازگشتی (RPA) تکنیکی ناپارامتریک برای گروه بندی داده ها می باشد. این روش با نمونه ای از شرکت ها،  ویژگی های مالی آنها،  گروه های واقعی،  احتمال های پیشین و هزینه طبقه بندی ناصحیح آغاز می گردد. در این روش یک درخت طبقه بندی دو ارزشی ساخته می گردد که در آن به هر گره یک قاعده طبقه بندی اختصاص می یابد.  معمولا هر قاعده یک نسبت مالی معین می باشد و یک نقطه انقطاع که هزینه طبقه بندی اشتباه را برای شرکت ها حداقل می کند،  به آن اختصاص می یابد. پس از آن که درخت طبقه بندی ساخته گردید،  ریسک گره های نهایی و ریسک کل درخت محاسبه         می گردد. برای طبقه بندی هر شرکت جدید،  شرکت بر روی درخت فرد آمده و بر روی یک گره نهایی که مشخص کننده عضویت گروه برای یک شرکت خاص و احتمال منتسب به آن می باشد،  می نشیند.
بریمن و دیگران[6] (1984 ) توصیف کاملی از این روش،  شامل تئوری درختان دو ارزشی،  قواعد طبقه بندی و غیره فراهم آوردند.  فریدمن و دیگران[7](1985) برای نخستین بارRPA را به عنوان راه حلی برای پژوهش در مورد مسئله ورشکستگی به کار بردند.   هدف این مطالعه معرفیRPA برای پیش بینی ناتوانی تجاری و مقایسه نتایج آن با نتایج حاصل از مدلMDA  بود. در این پژوهش نمونه ای متشکل از 58 شرکت صنعتی ورشکسته و            142غیر ورشکسته طی سال های 1981-1971 به صورت تصادفی انتخاب شدند. در این پژوهش 2 درخت طبقه بندی RPA و 2 مدلMDA ساخته و مقایسه گردید.  نتایج و راندمان درختان طبقه بندیRPA در این مطالعه بسیار مطلوب بود به هر حال مقایسه مستقیم نتایج RPAبا نتایج مدل های MDAبه سادگی امکان پذیر نبود، در حالیMDA که سیستم امتیاز دهی پیوسته ای را به وجود می آورد،  RPAگروه هایی از ریسک را برای ناتوانی تجاری فراهم می آورد.
طبقه بندی بازگشتی دارای ویژگی های هر دوی روش های تک متغیره و روش های چند متغیره می باشد.  طبقه بندی در یک گروه بر اساس قاعده ای یک متغیره (اگر چه قواعد در شکل ترکیب خطی ویژگی های مالی نیز        می تواند به یک گره اختصاص یابد.  ) انجام می شود.  از طرف دیگر در این روش از رشته ای از گره ها یعنی زنجیرهای از نسبت های مالی برای طبقه بندی یک شرکت بهره گیری می کند. مسیر و هانسن [8](1988) و بینون و پیل[9] (2001) از RPAبرای مدل بندی پیش بینی ورشکستگی بهره گیری کردند.
2-7-9)استدلال مبتنی بر موضوع[10]: استدلال مبتنی بر موضوع،  یک مسئله طبقه بندی جدید را به کمک مسائل حل شده قبلی حل می کند. برنامه های می توانند مستقیما برای پیش بینی ورشکستگی با کاربرد فرآیند 4 مرحله ای خود بکار طریقه: (1) تشخیص مسئله جدید،  (2) بازیابی مسائل حل شده از (مخزن مسائل )، (3) تطبیق مسائل حل شده جهت یافتن راه حلی برای مسئله جدید،  (4) ارزیابی راه حل پیشنهاد شده و ذخیره در مخزن مسائل برای کاربرد های آتی.  یک روش استدلال قیاسی می باشد که مسائل را با بسط تجربیات یا مسائل حل شده قبلی به یک مسئله حل نشده جدید حل می کند. در روبرو شدن با مسئله جدید،  موارد مشابه ذخیره شده در پایگاه های داده را بازیابی کرده و آنها را با مسائل مناسب تطبیق می دهد. به هر حال مدل های در مقایسه با روش های آماری و سایر روش های مبتنی بر هوش مصنوعی نتوانسته اند از نظر دقت پیش بینی به برتری دست یابند                        (کومار و راوی[11]، 2007).
[1] Cumulative Sums
[2] Kohavi
[3]Partial Adjustment Processes
[4] Laitinen and Laitinen
[5] Recursive Partitioning Algorithm (Decision Trees)
[6] Breiman et al
[7] Frydman et al
[8] Messier and Hansen
[9] Beynon and Peel
[10] Case-Based Reasoning
[11] Kumar and Ravi

سوالات یا اهداف پایان نامه :

 


پاسخ دهید