Authors
Abstract
Keywords
مقدمه
شرایط اقتصادی بازارهای جهانی، رقابت شدید و نااطمینانی محیط تجاری در مواقعی درماندگیهای مالی شرکتها را نتیجه میدهند. درماندگی مالی که گاهی به ورشکستگی نیز میانجامد، به شرایطی اطلاق میشود که شرکت نتواند به تعهدات خود در قبال اعتباردهندگان عمل کند؛ یا در عمل به این تعهدات دچار مشکل باشد. بنابراین، پیش بینی درماندگی نقش مهم و فزایندهای در اقتصاد دارد؛ زیرا هزینههای زیادی را بر شرکت، سهامداران، اعتبار دهندگان و در سطحی کلان بر کل اقتصاد تحمیل میکند. از جملهی هزینههای درماندگی مالی، هزینهی فرصتهای از دست رفتهی شرکت در مواردی چون فروشهای ازدست رفته، کاهش سودآوری و زیان از دست دادن موقعیت بازار است که منجر ب بدتر شدن توانایی شرکت در پرداخت بدهیها را موجب میشود (چن و مرویل1999؛ فیشر و مارتل 2005). از دیگر هزینههای درماندگی نیز میتوان به هزینههای بالای تأمین مالی اشاره کرد. در شرایط درماندگی، جذب سرمایه از طریق وامهای کوتاه مدت، اگر غیر ممکن نباشد، گران و دشوار خواهد بود. از این رو، انجام اقدامات به موقع مدیران برای شناسایی وضعیت مالی شرکت و جلوگیری از بدتر شدن ساختار مالی وکاهش ریسک عدم قدرت پرداخت دیون در مراحل اولیه ناتوانی، به منظور بهبود کارایی امری ضروری و اجتناب ناپذیر است. با بررسی و پیش بینی روند درماندگی شرکتها میتوان برنامه ریزی لازم را به منظور جلوگیری از ورشکستگی آنها انجام داده و از تحمیل هزینههای ورشکستگی به جامعه پیشگیری کرد.
با عنایت به موارد فوق پیش بینی مؤثر درماندگی مالی مسئلهای چالش برانگیز برای شرکتها است. بعلاوه، گستردگی مدلهای پیش بینی درماندگی مالی متغیرهای مالی، غیر مالی و اقتصادی متعدد تاثیرگذار بر وضعیت مالی شرکتها، پیش بینی درماندگی مالی بیش از پیش مشکل کرده است. طبق مطالعه گیرکس و ویگینز (1984) چندین رویداد شکست قبل از ورشکستگی رخ میدهد ولی معرفی الگوهایی از این رویدادها که به ترتیب و با ماهیت تکراری مرتب شده باشند، مشکل است.
با توجه به اهمیت پیش بینی درماندگی مالی و نقش جریانات نقدی در آن، این تحقیق در صدد است تأثیر ترکیبات مثبت و منفی جریانات نقد عملیاتی، سرمایهگذاری و تأمین مالی را بر پیش بینی درماندگی مالی ارزیابی نماید.
ویژگیهایی که این تحقیق را از سایر تحقیقات مرتبط با موضوع متمایز میکند، استفاده از معیارهای مختص درماندگی (نه معیارهای ورشکستگی) جهت تفکیک شرکتهای درمانده از سالم، استفاده از علایم ترکیبات جریانات نقدی و نیز استفاده از SVM به عنوان یکی از ابزارهای مهم و پیشرفته داده کاوی است. این در حالی است که تحقیقات گذشته، دو مفهوم کاملاً متمایزدرماندگی و ورشکستگی را به صورت مترادف و با مفهوم یکسان در نظر گرفته اند؛ بطوریکه، برای شناسایی شرکتهای "درمانده2" و "ورشکسته3" به صورت یکسان از ماده 141 قانون تجارت استفاده شده است (موسوی شیری و طبرستانی، 1388؛ کردستانی و همکاران، 2011).
مروری بر پیشینه
درماندگیو ورشکستگی از نظر مالی دو مفهوم متفاوتند که در زیر به برخی از آنها اشاره میشود:
در حالت درماندگی ناتوانی شرکتها در پرداخت دیون مالی، موقت و در حالت ورشکستگی دائمی است. در حالت ورشکستگی فعالیت شرکت متوقف شده و شرکت به اهداف از پیش تعیین شدهی خود نمیرسد یعنی دچار حالت مرگ میشود و هیچ اقدامی را جهت بهبود شرکت نمیتوان انجام داد. در واقع ورشکستگی آخرین مرحله از چرخهی حیات شرکت است. ولی در حالت درماندگی شرکت نشانههایی از بیماری مالی را نشان میدهد و هنوز دچار مرگ نشده و میتوان از طریق تجدید ساختار، اقداماتی را جهت بهبود شرکت انجام داد. درماندگی مرحلهی قبل از ورشکستگی بوده و شرکتهایی که درمانده میشوند لزوماً ورشکسته نمیشوند. برخلاف ورشکستگی، درماندگی مالی به روال قانونی یک کشور واحد بستگی ندارد. درماندگی مالی جزء مراحل اولیهی ورشکستگی شرکت است و به شرکت، بدون تحمل هزینههای مستقیم و اداری ورشکستگی، اجازهی واکنش و بهبود را میدهد.
تکنیکهای طبقه بندی بسیاری برای پیش بینی درماندگی مالی پیشنهاد شده است. مطالعات اولیه، بر روی رویکردهای خطی، همچون رویکرد تحلیل ممیزی چندگانه4 (آلتمن1968)، رگرسیون لجستیک 5 (اهلسون1980) و رگرسیون پرابیت 6 (زمیجوسکی 1984) متمرکز شده است. در سالهای اخیر نیز، از رویکردهای هوش مصنوعی و تکنیکهای داده کاوی، همچون شبکه عصبی7 (لچیر1995)، الگوریتم ژنتیک8 (شین و لی 2002) و سیستمهای خبره 9 (لئونارد 1993) و SVM (اکسای2011) برای این منظور استفاده شده است. روشهای اخیر، مفروضات محدودکنندهای همچون خطی بودن، نرمال بودن و استقلال متغیرهای ورودی را ندارند. در SVM از اصول کمینه سازی ریسک ساختاری10 که عملکرد بهتری از خود نشان میدهند استفاده میگردد؛ در حالی که، سایر روشها از اصول کمینه سازی ریسک تجربی11 بهره میبرند. مین و لی (2005) برای ارزیابی دقت پیش بینی SVM، عملکرد آنرا با تجزیه و تحلیل ممیزی چندگانه، تجزیه و تحلیل رگرسیون لجستیک و شبکه عصبی پس انتشار12 مقایسه کرد و نشان داد SVM عملکرد بهتری از سایر مدلها دارد. هوی و سان (2006) با مقایسه نتایج تجربی SVM با تجزیه و تحلیل ممیزی فیشر، رگرسیون لجستیک و 13BPNN، نتیجهگیری کرد مدل هشدار اولیهی درماندگی مالی بر مبنای SVM نسبت به سایر مدلها تعادل بهتری را میان توانایی مناسب بودن و توانایی تعمیم و ثبات مدل بدست میآورد. لی و تو (2010) دریافتند SVM با دقت بالاتر و نرخ خطای پایین تری درماندگی شرکتها را پیش بینی میکند. اکسای و همکاران (2011) با بررسی شرکتهای پذیرفته شده در بورس اوراق بهادار چین به این نتیجه رسیدند توانایی پیش بینی مدلهای SVM بهتر از مدلهای تجزیه و تحلیل ممیزی چندگانه است. جا (2012) به این نتیجه رسید ماشین بردار پشتیبان بر مبنای تابع محوری (RSVM) عملکرد بهتری از سایر تکنیکهای هوش مصنوعی همچون پرسپترون چند لایه، الگوریتمهای درخت طبقه بندی، لوجیت و تجزیه و تحلیل ممیزی چندگانه در پیش بینی عملکرد شرکتهای درمانده مالی دارد. مرادی و همکاران (2012) به این نتیجه رسیدند حضور و یا عدم حضور متغیر کارایی در دقت مدل پیش بینی ورشکستگی SVM و MDA تاثیری ندارد.
در خصوص قابلیت پیش بینی درماندگی مالی با استفاده از ترکیبات جریانات نقدی، جانتادج (2006) با استفاده از ترکیبات اجزای جریانات نقدی به این نتیجه رسیده است ترکیبات عملیاتی، سرمایهگذاری، و تأمین مالی جریانات نقد به پیش بینی قریب الوقوع بودن درماندگی مالی کمک میکنند. کردستانی و همکاران (2011) نیز از مبنای تعیین "ورشکستگی" (مادهی 141 قانون تجارت) جهت پیش بینی "درماندگی مالی" استفاده نموده و با استفاده از آزمون کای اسکور نشان دادند تفاوت معنی داری در میزان وقوع درماندگی مالی میان شرکتهایی با ترکیبات متفاوت جریان نقد در یک، دو و سه سال قبل از درماندگی وجود دارد. از سوی دیگر، هرچند راعی و فلاح پور (1387) دو مفهوم متفاوت درماندگی و ورشکستگی را یکسان در نظر گرفته اند؛ با این حال، یافتههای تحقیق ایشان حاکی از آن است که در پیش بینی درماندگی مالی شرکتها، مدل SVM به طور معناداری نسبت به مدل رگرسیون خطی از دقت بیشتر و توانایی بالاتری در تعمیم پذیری برخوردار است.
روش پژوهش
این تحقیق از نظر هدف کاربردی و از بعد روش تحقیقی تجربی میباشد.
اطلاعات مورد نیاز جهت تحلیل رابطه بین دادهها عمدتاً از نرم افزار اطلاعاتی ره آورد نوین، بدست آمده و نواقص اطلاعاتی از صورتهای مالی موجود در سایت بورس اوراق بهادار تهران استخراج شده است.
جهت تحلیل آماری و به منظور بکارگیری ماشین بردار پشتیبان از نرم افزار داده کاوی Clementine 12 و SPSS 21 استفاده شده است.
جامعه آماری، دوره زمانی مورد آزمون و روش نمونه گیری
جامعهی آماریمورد بررسی در این پژوهش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران وقلمرو زمانی تحقیق از سال1380 تا سال 1389 میباشد. "معیارهای عمومی" انتخاب نمونه نیز عبارتند از:
با توجه به تفاوتهای بیان شده میان مفهوم درماندگی مالی و ورشکستگی، تحقیق حاضر از "معیارهای اختصاصی" درماندگی به شرح ذیل استفاده کرده است:
1) سه سال متوالی زیان داشته باشند. زیانهای عمده عملیاتی جزء نشانههای مالی تردید دربارهی فرض تداوم فعالیت میباشد (دنیس و دنیس، 1995). گیلبرت و همکاران (1990) استدلال کردهاند استفاده از معیار زیان برای بیش از 3 سال متوالی، به مستثنی کردن شرکتهایی که فقط یک سال عملکرد مالی ضعیف داشتند کمک کرده و باعث به حساب آوردن شرکتهایی میشود که با تهدید ورشکستگی مواجهند.
2) سود نقدی سالانه برای سه سال متوالی کاهش بیشتر از 40٪ داشته باشد. نپرداختن سود سهام یا تعویق (طولانی) در پرداخت آن جزء نشانههای مالی تردید دربارهی فرض تداوم فعالیت میباشد. کاهش سودآوری و به دنبال آن کاهش سود تقسیمی در شرکتهای درماندهی مالی را میتوان به دو طریق توجیه کرد: الف) وجود مشکلات در تأمین مالی خارجی شرکتهای درمانده ب) هزینههای فرصت از دست رفتهی شرکت. دنجل و دنجل (1990) دریافتند شرکتهایی که به طور مستمر عملکرد مالی ضعیف دارند، نسبت پرداخت سود سهامشان را کاهش میدهند، در مقابل شرکتهایی که یکبار زیان را تجربه میکنند، پرداختهای سود تقسیمی شان را کاهش نمیدهند. همچنین، شرکتهایی که عملکرد خیلی خوبی دارند به احتمال کم سود تقسیمی شان را کاهش میدهند زیرا کاهش سود تقسیمی این پیام را مخابره میکند که چشم انداز آتی شرکت موفق نیست. لا (1987) و وارد و فاستر (1997,1996) کاهش سود تقسیمی بیشتر از 40% را به عنوان مقیاس درماندگی مالی پیشنهاد کردند چون چنین کاهشی به اندازهی کافی بزرگ است که بر روی صاحبان سهام شرکتها اثر معکوس بگذارد.
3) در دو سال متوالی سود قبل از بهره، مالیات و استهلاک کمتر از 80% هزینه بهره باشد. آسکوئیس و همکاران (1994) شرکتی را به عنوان درمانده مالی طبقه بندی میکنندکه در یکی از دو سال متوالی سود قبل از بهره و مالیات و استهلاک داراییهای مشهود و نامشهود آن کمتر از 80٪ هزینهی بهرهی شرکت شود.
4) بازده منفی سهام (با کاهش بیش از 30%) به همراه رشد منفی فروش وجود داشته باشد. از دست دادن بازار عمده فروش محصولات جزء نشانههای عملیاتی تردید درباره فرض تداوم فعالیت است و اگر با بازده منفی سهام همراه باشد جزء ویژگیهای مرحلهی بدتر شدن عملکرد چرخه درماندگی است. بازده منفی سهام (کاهش بیش از 30٪) نشان از وجود یک رقم پیش بینی نشدهی منفی در شرکت است. رشد منفی در فروش همراه با بازده منفی سهام هشداری برای وجود مشکلات عملیاتی پنهان در کسب و کار روزانه میباشند (اپلر و تایتمن، 1994).
5) سه سال متوالی ارزش دفتری هر سهم از ارزش اسمی آن سهم، کوچکتر باشد. کوچکتربودن ارزش دفتری هر سهم از ارزش اسمی آن سهم به معنای وجود زیان انباشته در شرکت است. هنگامی که سودهای فعلی محک خوبی از سودهای آتی شرکت فراهم نمیکند و شرکت با احتمال زیاد با توقف فعالیت یا تصفیه مواجه است، ارزش دفتری از اهمیت فزایندهای در تعیین ارزش شرکت برخوردار است. گیلبرت و همکاران (1990) نشان دادند درماندگی مالی ویژگیهای متفاوتی از ورشکستگی دارد. درماندگی مالی توسط سود انباشتهی منفی برای بیش از دو سال متوالی، زیانها و عملکرد ضعیف مشخص شده است.
در این تحقیق، شرکتی به عنوان درمانده شناسایی میشود که حداقل یکی از معیارهای اختصاصی بالا را داشته است. بنابراین، 59 شرکت درمانده و همچنین 59 شرکت غیردرمانده بر اساس معیارهای فعالیت درصنعت مشترک و نزدیک بودن ارزش بازار، به عنوان نمونه همتا برگزیده شدهاند.
هشت ترکیب جریان نقد عملیاتی، سرمایهگذاری وتأمین مالی متغیرهای مستقل تحقیق حاضر میباشند. این ترکیبات به همراه درصد فراوانی شرکتهای مربوط به هر ترکیب در نگاره (1) تشریح شدهاند.
نگاره (1): معرفی متغیرهای مستقل تحقیق
ترکیبات |
سال |
توضیح |
||
سال درماندگی |
سال قبل از درماندگی |
دو سال قبل از درماندگی |
||
ترکیب 1 CFC1 |
%08/5 |
%24/4 |
%08/5 |
اگر شرکت خالص جریان نقد عملیاتی منفی و جریانات نقدی تأمین مالی و سرمایهگذاری مثبت داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب 2 CFC2 |
%24/4 |
%24/4 |
0% |
اگر شرکت خالص جریان نقد عملیاتی منفی و جریانات نقدی تأمین مالی و سرمایهگذاری مثبت داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب 3 CFC3 |
%25/15 |
%03/22 |
%34/20 |
اگر شرکت خالص جریان نقد عملیاتی و سرمایهگذاری منفی و خالص جریان نقد تأمین مالی مثبت داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب 4 CFC4 |
%17/10 |
%08/5 |
%08/5 |
اگر شرکت خالص جریان نقد عملیاتی و سرمایهگذاری مثبت و خالص جریان نقد تأمین مالی منفی داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب5 CFC5 |
%34/20 |
%80/17 |
%49/19 |
اگر شرکت خالص جریان نقد عملیاتی و تأمین مالی مثبت وخالص جریان نقد سرمایهگذاری منفی داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب 6 CFC6 |
%37/42 |
%92/44 |
%92/44 |
اگر شرکت خالص جریان نقد عملیاتی مثبت و جریانات نقدی تأمین مالی و سرمایهگذاری منفی داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب7 CFC7 |
%54/2 |
%85/0 |
%54/2 |
اگر شرکت خالص جریان نقد عملیاتی وتأمین مالی و سرمایهگذاری منفی داشته باشد مساوی یک و در غیر این صورت صفر است. |
ترکیب8 CFC8 |
0% |
%85/0 |
0% |
اگر شرکت خالص جریان نقد عملیاتی وتأمین مالی و سرمایهگذاری مثبت داشته باشد مساوی یک و در غیر این صورت صفر است. |
بر اساس ترکیب1، شرکت وجه نقد کافی برای تأمین نیازهای عملیاتی خود را ندارد. بنابراین، ازیک طرف دارایی، اموال ویا سایر سرمایهگذاریها را میفروشد و از طرف دیگر وجوه نقد مورد نیاز خود را از طریق استقراض ویا انتشار سهام تأمین مینماید. ترکیب2، نشانهای از کمبود نقدینگی شرکت برای انجام عملیات جاری است. درنتیجه، برای برآورده کردن نیازهای تأمین مالی و عملیاتی خود اقدام به فروش دارایی، اموال، تجهیزات و یا سایر سرمایهگذاریها میکند. ترکیب3، دلالت بر وجود موقت مشکل کمبود جریان نقد عملیاتی دارد به طوری که، با انتظار ایجاد جریانات نقد، از محل استقراض، همچنان به سرمایهگذاری ادامه میدهند. بر اساس ترکیب4، اگرچه جریان نقد عملیاتی شرکت مثبت است ولی برای پوشش نیازهای تأمین مالی کافی نیست. در نتیجه، شرکت اقدام به فروش دارایی، اموال، تجهیزات ویا سایر سرمایهگذاریها میکند که این اقدامات دلالت بر درماندگی مالی شرکت دارند. ترکیب5، اشاره به عملکرد خوب شرکت و رشد آن دارد. در این وضعیت، شرکت موقعیتهای سرمایهگذاری فراوانی دارد؛ اما، وجوه نقد عملیاتی شرکت برای حمایت از سرمایهگذاریها کافی نمیباشد. بنابراین، از محل استقراض و یا فروش سهام جدید برای استفادهی بهینه از فرصتهای سرمایهگذاری موجود تأمین مالی میکند. ترکیب6 نیز دلالت بر عملکرد موفق یک شرکت دارد. در این وضعیت، شرکت دارای خالص جریان نقد عملیاتی مثبت بوده و از مازاد نقد برای سرمایهگذاری استفاده میکند. ترکیب7 نشان میدهد شرکت در حال روبرو شدن با مشکل مالی شدید است. در این حالت، شرکت با وجود اینکه جریان نقد عملیاتی کافی تولید نمیکند همچنان، به سرمایهگذاری در دارایی و اموال و تجهیزات ویا سایر سرمایهگذاریها ادامه میدهد. ترکیب8 نیز یک وضعیت غیر معمول را منعکس میکند؛ بطوریکه، شرکت وجوه نقد ناشی از فعالیتهای عملیاتی، سرمایهگذاری و تأمین مالی را جهت استفاده آتی از این منابع انباشته میکند.
درماندگی مالی نیز به عنوان متغیر وابسته مورد بررسی قرار میگیرد که به صورت یک متغیر دو وجهی (0 و 1) ارزشگذاری میگردد.
در این تحقیق، از مقیاسهای عملکرد مالی یعنی نسبت سود خالص به کل داراییها، نسبت خالص جریان نقد عملیاتی به کل بدهیها، نسبت خالص جریان نقد سرمایهگذاری به کل بدهیها، نسبت خالص جریان نقد تأمین مالی به کل بدهیها و یک مقیاس نقدینگی یعنی نسبت جاری و یک مقیاس اهرم مالی یعنی نسبت کل بدهیها به کل داراییها و نیز اندازهی شرکت که لگاریتم طبیعی جمع داراییهای شرکت میباشد به عنوان متغیرهای کنترلی استفاده شده است.
شایان ذکر است، با توجه به اینکه ترکیبات حاصل از صورت جریان وجوه نقد بر مبنای استانداردهای حسابداری بین المللی تعریف شدهاند به منظور قابلیت مقایسه، ابتدا صورت جریان وجوه نقد بر اساس استاندارد حسابداری بین المللی به شکل سه قسمتی تبدیل و سپس ترکیبات مثبت یا منفی ناشی از فعالیتهای عملیاتی، سرمایهگذاری و تأمین مالی در مدل پیش بینی درماندگی مالی جایگذاری میشوند.
مدل تحقیق
ماشین بردار پشتیبان (SVM):
ماشین بردار پشتیبان یکی از روشهای یادگیری ماشینی است که بر مبنای یادگیری آماری در دهه 90 میلادی توسط ویپنیک و همکارانش ارائه گردید. ماشین بردار پشتیبان یا SVM در واقع یک طبقه بندی کننده دووجهی است. روش SVM سعی دارد تا در مورد دو طبقه، ابرصفحهای ایجاد نماید که فاصله هر طبقه تا ابرصفحه حداکثر باشد. دادههای نقطهای که به ابرصفحه نزدیکترند، برای اندازه گیری این فاصله بکار میروند. از این رو، این دادههای نقطه ای، بردارهای پشتیبان نام دارند (ویپنیک 1995). در این روش، ساخت مدل شامل دو مرحله آموزش و آزمایش میباشد. در انتهای فاز آموزش، قابلیت تعمیم مدل آموزش داده شده با استفاده از دادههای آزمایش ارزیابی میشود.
ماشینهای بردار پشتیبان دارای خواص زیر هستند:
1. طراحی طبقه بندی کنندهای با حداکثر تعمیم2. رسیدن به نقطه بهینه کلی تابع3. تعیین خودکار ساختار و توپولوژی بهینه برای طبقه بندی کننده4. مدل کردن توابع تمایز غیر خطی با استفاده از هستههای غیرخطی و مفهوم حاصل ضرب داخلی در فضاهای هیلبرت.
توضیح الگوریتمی مدل SVM به شرح زیر میباشد:
اگر یک مجموعه داده با برچسبهای از دو طبقه (درمانده و غیر درمانده) باشد و بخواهیم این دو طبقه را به طور خطی از هم جدا کنیم. در نگاه اول میتوان تعداد زیادی ابر صفحه برای جدا کردن این دو مجموعه در نظر گرفت، حال این سوال پیش میآید که کدام یک از صفحات فوق جداکننده بهینه میباشد و کمترین خطا را برای تقسیم بندی داراست. مناسب ترین انتخاب، صفحهای است که بیشترین حاشیه را بین دو طبقه ایجاد کند. بنا به تعریف، حاشیه، مجموع فاصله نزدیکترین نقطه از هر دو طبقه تا صفحه جداکننده میباشد. تعادل بین حاشیه و خطای نمونههای غلط طبقه بندی شده را میتوان توسط مقدار مثبت C که ازقبل تعیین میشود کنترل کرد. در این حالت میتوان نشان داد که تابع تصمیم گیری به فرم زیر بیان میشود:
ضرایب لاگرانژ میباشد. به دادههایی که ضریب لاگرانژ متناظر با آنها غیر صفر میباشد، بردار پشتیبان میگویند که این بردارهای پشتیبان روی مرز بین دوطبقه قرارمی گیرند. در عمل استفاده از طبقه بندی کننده خطی جهت جدا کردن دادههای غیر خطی، سبب کاهش چشمگیر کارایی میشود. لذا بهتر است از طبقه بندی کننده غیر خطی استفاده شود، این کار به راحتی با تصویر کردن دادهها به یک فضای ویژگی با ابعاد بالاتر امکان پذیر میباشد به طوریکه:
حال میتوان روابط مربوط به طبقه بندی کننده خطی را در این فضای جدید نوشت. در نتیجه، تابع تصمیم گیری مربوط به این حالت به فرم زیر تبدیل میشود:
یک نکته کلیدی درباره ماشین بردار پشتیبان این است که برای محاسبه توابع تصمیم گیری تنها مقداری که باید محاسبه شود حاصل ضرب نقطهای میباشد. برای راحتی کار، تابع کرنل K معرفی میشود:
که ها به ترتیب یک سری اعداد و توابع حقیقی میباشند. به این ترتیب، تابع تصمیم گیری به فرم زیر تبدیل میشود:
از حل معادلهای مشابه با معادله (2) بدست میآیند با این تفاوت که
در نظر گرفته میشود (اسونا و همکاران، 1997؛ کریستیینینی، 2000).
نگاره (2) توابع کرنلی معروف که معمولاً در آموزش ماشین بردار پشتیبان از آنها استفاده میشود، را نشان میدهد.
نگاره (2): توابع کرنلی آموزش ماشین بردار پشتیبان
الگوریتم |
تابع کرنل |
تابع خطی |
|
تابع چند جمله ای |
|
تابع آر بی اف |
|
tanh (x) = |
تابع حلقوی |
یافتههای پژوهش
ابتدا با استفاده از آزمون ویلکاکسون صحت تفکیک شرکتها به دو گروه درمانده و غیر درمانده بررسی شد. نتایج آزمون معنی داربودن تفاوت میانگین ترکیبات 1، 2 و 6 درسال درماندگی، ترکیبات 1 و 6 درسال قبل از درماندگی وترکیب 6 در دوسال قبل درماندگی را نشان میدهد. این امر بیانگر صحت معیارهای اختصاصی به کار گرفته شده جهت تفکیک شرکتها به درمانده و غیردرمانده میباشد.
به منظور کنترل بیشتر صحت تفکیک شرکتها به دو گروه درمانده و غیردرمانده، اقدام به تعیین شرکتهای ورشکسته طبق ماده 141 قانون تجارت شده است. از 59 شرکت درمانده 28 شرکت طبق ماده 141 ورشکسته شده و 31 شرکت باقی مانده شرکتهایی هستند که درمانده شدهاند ولی در بازهی زمانی 1380-1389 ورشکسته نمیشوند. طبق ماده 141، سال ورشکستگی، سالی است که در اثر زیانهای وارده، زیان انباشته بیش از نصف سرمایه شرکت گردد. پس از تعیین سال ورشکستگی و مقایسه آن با سال درماندگی و یک و دو سال قبل از درماندگی میتوان پی برد که 28 شرکت درمانده به صورت میانگین بعد از دو سال درماندگی، ورشکسته میشوند. نتایج حاضر باعث برآوردن انتظارات تئوریک مبنی بر متمایز بودن درماندگی از ورشکستگی میباشد. لذا درماندگی مرحلهی قبل از ورشکستگی بوده و شرکتهایی که درمانده میشوند لزوماً ورشکسته نمیشوند.
همانگونه که قبلاً اشاره گردید ماشین بردار پشتیبان برای انجام عمل پردازش از توابع کرنل استفاده میکند که این توابع شامل 4 تابع آر بی اف، چند جمله ای، حلقوی و خطی میباشند. برای انتخاب اینکه کدام تابع با یک مجموعه داده بهترین عملکرد را خواهد داشت، باید توابع مختلف را به نوبت انتخاب و نتایج را با هم مقایسه کرد. در شکل (1)، مدل تحقیق که در محیط نرم افزار Clementine 12 اجرا شده است نشان داده میشود (علیزاده و محمدی، 1390؛ مینایی و همکاران، 1390).
شکل (1): مدل اجرا شده در نرم افزار
نتایج پردازش مدل با استفاده از چهار تابع مذکور برای دو سال قبل از درماندگی، یک سال قبل از درماندگی و سال درماندگی اجرا میشود. نتایج این پردازش در نگاره (3) منعکس گردیده است.
نگاره (3): درصد پیش بینی درماندگی ماشین بردار پشتیبان
شرح |
نوع تابع |
دو سال قبل از درماندگی |
یک سال قبل از درماندگی |
سال درماندگی |
درصد پیش بینی |
آر بی اف |
74/62 |
29/64 |
39/69 |
چند جمله ای |
38/65 |
35/67 |
43/71 |
|
Sحلقوی |
1/55 |
16/58 |
2/60 |
|
خطی |
38/56 |
16/58 |
31/65 |
با بررسی نتایج پردازش ماشین بردار پشتیبان میتوان دریافت درصد پیش بینی درماندگی مالی در سال درماندگی، با استفاده از توابع یاد شده به ترتیب 39/69%، 43/71%، 2/60% و 31/65% میباشد. تحلیل بیشتر نتایج، نشان میدهد که با حرکت از دو سال قبل از درماندگی به طرف سال درماندگی، بر درصد پیش بینی مدل افزوده میشود که این امر نیز منطبق بر دیدگاه تئوریک میباشد. در تمامی دورههای مورد مطالعه، تابع چند جملهای دارای بالاترین قدرت پیش بینی است. این موضوع، بدین مفهوم نمیباشد که این تابع همواره دارای بالاترین قدرت پیش بینی است. چرا که، تعداد و نوع دادههای مورد مطالعه در هر تحقیق، تعیین میکند کدام تابع دارای بالاترین قدرت پیش بینی خواهد بود.
از 59 شرکت درمانده و 59 شرکت سالم، به صورت تصادفی و سیستماتیک 10 شرکت درمانده و 10 شرکت سالم انتخاب و کنار گذاشته شدهاند تا اعتبار و قدرت پیش بینی مدل بدست آمده، از طریق نتایج واقعی این 20 شرکت مورد آزمون قرار گیرند. از آنجایی که در این مطالعه، تابع چند جملهای دارای بالاترین قدرت پیش بینی بوده برای پیش بینی درماندگی 20 شرکت مورد مطالعه از این تابع استفاده شده است. نتایج بدست آمده از اجرای مدل باید با نتایج واقعی مقایسه شود تا مشخص گردد که آیا نتایج واقعی با پیش بینیهای انجام شده تفاوت معنی داری دارند یا خیر؟ بدین منظور از آزمون یوی من-ویتنی استفاده شده است. فرضهای H0 و H1 این آزمون به شرح زیر میباشند:
H0: بین نتایج واقعی و نتایج پیش بینی شده تفاوت معنی داری وجود ندارد.
H1: بین نتایج واقعی و نتایج پیش بینی شده تفاوت معنی داری وجود دارد.
نتایج اجرای آزمون یوی من-ویتنی در سطح اطمینان 95% در نگاره (4) منعکس گردیده است.
نگاره (4): نتایج آزمون تفاوت معنی داری نتایج واقعی با نتایج پیش بینی
احتمال آماره |
آماره Z |
Mann-Whitney U |
شرح |
343/0 |
947/0- |
170 |
دو سال قبل از درماندگی |
530/0 |
628/0- |
180 |
یک سال قبل از درماندگی |
202/0 |
275/1- |
160 |
سال درماندگی |
با توجه به اینکه در نتایج این آزمون، مقدار احتمال آماره در هر سه دوره مورد مطالعه همواره بیشتر از 05/0 میباشند لذا نمیتوان H0 را رد کرد. بنابراین، بین نتایج واقعی و نتایج پیش بینی شده توسط ابزار SVM تفاوت معنی داری وجود ندارد.
نتیجهگیری
پیش بینی درماندگی مالی یکی از تحقیقات با اهمیت در حوزه مالی است چرا که با درک صحیح از احتمال وقوع درماندگی مالی و انجام اقدامات به موقع، میتوان از هزینههای سنگین ورشکستگی کاسته و یا از آن اجتناب کرد.
در این پژوهش، از ترکیبات مختلف جریانات نقدی شرکتها به عنوان عامل پیش بینی کننده درماندگی مالی استفاده گردید. این فرآیند با استفاده از ماشین بردار پشتیبان که یکی از ابزارهای مهم و قوی داده کاوی به شمار میرود انجام شد. یافتههای تحقیق نشان داد از میان چهار تابع کرنلی، تابع چند جملهای دارای بالاترین قدرت پیش بینی درماندگی مالی با استفاده از ترکیبات جریانات نقدی در دو و یک سال قبل از درماندگی و نیز در سال درماندگی میباشد.
در مجموع میتوان گفت ترکیبات جریانات نقدی میتوانند درماندگی مالی را پیش بینی نمایند، ولی از آنجاییکه درماندگی مالی متأثر از عوامل متعددی غیر از جریانات نقدی نیز میباشند میتوان با افزودن دیگر عوامل، درصد و قدرت پیش بینی مدل را افزایش داد.
نتایج این تحقیق، مؤید تحقیقات هوی و سان (2006)، لی و تو (2010)، اکسای و همکاران (2011)، جا (2012) و راعی و فلاح پور (1387) در زمینه توانایی SVM در پیش بینی ورشکستگی و درماندگی است. همچنین، بر اساس یافتههای این تحقیق، همچون تحقیقات جانتادج (2006) و کردستانی و همکاران (2011)، قابلیت پیش بینی درماندگی مالی با استفاده از ترکیبات جریانات نقدی وجود دارد. بدین منظور و با توجه به برتری روش SVM نسبت به سایر روشهای پیش بینی و توانایی ترکیبات جریانات نقدی در پیش بینی درماندگی مالی، پیشنهاد میشود سیاستگذاران، تحلیلگران و سایر ذینفعان بازار سرمایه در ارزیابی و تصمیم گیریهای خود از این ترکیبات و روش مذکور نیز استفاده نمایند. همچنین به محققین پیشنهاد میگردد ضمن درنظر گرفتن تفاوت ملموس و غیرقابل انکار بین دو مفهوم درماندگی و ورشکستگی در تحقیقات آتی، ترکیبات جریانات نقدی را نیز به عنوان مجموعهای از متغیرهای پیش بین در ادبیات ورشکستگی و درماندگی مالی در نظر داشته باشند.
پی نوشت ها
Distress |
2 |
Support Vector Machine |
1 |
Multivariate Discriminant Analysis |
4 |
Bankruptcy |
3 |
Probit Regression |
6 |
Logistic Regression |
5 |
Genetic Algorithm |
8 |
Neural Network |
7 |
Structural Risk Minimum |
10 |
Expert Systems |
9 |
back-propagation neural networks |
12 |
Empirical Risk Minimum |
11 |
|
|
back-propagation neural networks |
13 |