میزان کاربرد تکنیک ها در مدل بندی پیش بینی ورشکستگی -پایان نامه در مورد پیش بینی درماندگی مالی

دانلود پایان نامه

با تعیین اهمیت تکنیک های آماری در پیش بینی ورشکستگی طبیعی است که مدل های آماری به صورت گسترده ای مورد استفاده قرار گیرند.  اما تمامی مدل های MDA، لوجیت و پروبیت به شکلی از مفروضات محدود کننده رنج می برند و عملکرد پیش بینی آنها در واقعیت کمی متفاوت است.   نقض مفروضات LPMدر عمل و فقدان مجموعه داده های مورد نیازCUSUMو مدل های تعدیل ناقص باعث شده است تا این مدل ها در عمل دارای ارزش بسیار زیادی نباشند.

نمودار (2-1) میزان کاربرد روش های مختلف پیش بینی ورشکستگی را نشان می دهد.  بر این اساس در 64% پروژه های پیش بینی ورشکستگی از مدل های آماری استفاده شده است. پس از آن مدل های هوش مصنوعی و  مدل های تئوریک به ترتیب در 25 و 11 درصد مطالعات استفاده شده اند (فرج زاده،1386).میزان کاربرد تکنیک ها در مدل بندی پیش بینی ورشکستگی -پایان نامه در مورد پیش بینی درماندگی مالی

مقایسه کاربرد انفرادی هر تکنیک نیز نتایج جالبی در بر دارد. نمودار (2-2) میزان کاربرد  هر مدل را به صورت انفرادی نشان می دهد.

 

میزان کاربرد تکنیک ها در مدل بندی پیش بینی ورشکستگی -پایان نامه در مورد پیش بینی درماندگی مالی

.

 

 

نمودار بالا نشان می دهد که بیش از 30 % تحقیقات از مدل هایMDA برای پیش بینی ورشکستگی استفاده کرده اند در حالیکه 21% دیگر از مطالعات مدل های لوجیت را بر سایر مدل ها ترجیح داده اند.  و این به این معنی است که این دو مدل تشکیل دهنده 77% مطالعاتی هستند که از روش های آماری برای  پیش بینی ورشکستگی استفاده کرده اند. در گروه مدل های هوش مصنوعی شبکه هی عصبی با 9% و به دنبال آن طبقه بندی بازگشتی دارای رتبه های اول و دوم هستند. تئوری آنتروپی در میان مدل های تئوریک رایج ترین مدل است اما با این وجود تنها تشکیل دهنده 5/4 % کل مطالعات انجام شده در زمینه پیش بینی ورشکستگی است.

به هر حال با بررسی روند مطالعات مشخص می شود که امروزه استفاده از مدل های آماری در این زمینه کاهش یافته است و مطالعات اخیر بیشتر تمایل به استفاده از مدل های مبتنی بر هوش مصنوعی دارند. کاهش استفاده از مدل های آماری نظیر لوجیت و پروبیت مشهود تر است. یکی از مهمترین دلایل آن تخطی این مدل ها از مفروضات آماری است. به هر حال اتکای بر مفروضات محدود کننده در مورد روش های آماری موجب اقبال مدل های هوش مصنوعی از سوی پژوهشگران شده است زیرا این مدل ها اغلب ناپارامتریک بوده ودر به کار گیری آنها نیاز چندانی به مفروضات اولیه و یا اطلاعات مربوط به چگونگی توزیع ویژگی های مالی در میان گروه های شرکت های ورشکسته و غیر ورشکسته نیست.

 

دانلود پایان نامه