دانلود پایان نامه تأثیر بازده سرمایه گذاری بر پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس

 پایان نامه ها - رشته حسابداری

عنوان کامل پایان نامه :

 بررسي تأثير ترکيب اجزای صورت گردش وجوه نقد بر پيش بينی درماندگی مالی شرکت های پذيرفته شده در بورس اوراق بهادار

قسمتی از متن پایان نامه :

2-11- تکنيک‌های پيش بينی ورشکستگی

تکنیک‌ها و استراتژی‌های مورد استفاده در ساخت مدل‌های پیش بینی ورشکستگی به طور کلی در سه گروه طبقه بندی می‌گردند: تکنیک‌های آماری، تکنیک‌های هوش مصنوعی، و مدل‌های نظری.

2-11-1- تکنيک‌های آماری[1]

تکنیک‌های آماری از ابتدایی‌ترین و رایج‌ترین روش‌ها و جهت مدل سازی برای پیش بینی ورشکستگی به شمار می‌روند. در این مدل‌ها از روش‌های مدل سازی استاندارد کلاسیک استفاده شده است و بر نشانه های ناتوانی تجاری شرکت‌ها تمرکز دارند. متغیرهای مورد استفاده در ساخت این مدل‌ها عموماً اطلاعات مندرج در صورت‌های مالی منتشره‌ی شرکت‌ها می‌باشند. مدل‌های آماری خود به دو گروه مدل‌های آماری تک متغیره و چند متغیره تقسیم می‌شوند. از جمله مهم‌ترین تکنیک‌های آماری چند متغیره می‌توان به تحلیل تشخیصی، احتمال خطی[2] ، لاجیت[3] ، پروبیت[4]  و فرآیندهای تعدیل ناقص[5]  اشاره کرد (قدرتی، 1389).

2-11-1-1- تحليل تشخيصی چندگانه[6] 

روشی است چند متغیره که پدیده‌ها را بر اساس ویژگی‌هایشان به گروه های مانع الجمع طبقه بندی می‌کند. هدف از این روش فراهم آوردن ترکیبی خطی از متغیر های مستقل یعنی نسبت‌های مالی است که بتواند شرکت‌های ورشکسته و غیر ورشکسته را به بهترین نحو تفکیک کند. از تحقیقات قابل توجه انجام شده با تکنیک تحلیل تشخیصی چندگانه می‌توان به پژوهش آلتمن  در سال 1977 و فالمر[7]  در سال 1989 اشاره کرد (قدرتی، 1389).

2-11-1-2- مدل‌های لاجيت و پروبيت (مدل‌های احتمال شرطی)[8]

این مدل‌ها که به نام مدل‌های احتمال شرطی نیز شناخته می‌شوند بر مبنای یک تابع احتمال تجمعی و با استفاده از نسبت‌های مالی یک شرکت، احتمال تعلق شرکت به یکی از گروه های از پیش تعیین شده را اندازه گیری می‌کنند. تحلیل لاجیت نخستین بار توسط مارتین[9] در سال 1977 برای پیش بینی ورشکستگی بانک‌ها پیشنهاد شد و توسط اوهلسون[10] در سال 1980 برای پیش بینی ناتوانی تجاری به کار رفت (اعتمادی، 1387). پس از سال 1981 و به دلیل محدودیت‌های موجود در روش‌های تحلیل تشخیصی چندگانه، مطالعات ناتوانی تجاری اغلب بر استفاده از لاجیت تمرکز یافتند. مدل‌های پروبیت نیز، مشابه با مدل‌های لاجیت می‌باشد. تفاوت اصلی آن‌ها در تابع احتمال ورشکستگی می‌باشد. به هر حال مدل‌های لاجیت نسبت به مدل‌های پروبیت از محبوبیت بیشتری برخوردار است، چرا که تحلیل پروبیت در مقایسه با تحلیل لاجیت به دلیل استفاده از برآوردهای غیر خطی، به محاسبات بیشتری نیاز دارد (قدرتی، 1389). تكنيك تحليل تشخیصی چندگانه توانايي توليد نتايج احتمالي را دارد اما قابليت اتكاي آن كمتر از مدل‌های احتمال شرطي است.

اوهلسون با استفاده از روش‌های احتمال شرطي شكنندگي نتايج را بررسي كرد. او اين روش را براي نمونه اي با احتمال قبلي شكست كه به واقعيت نزديك بود، انجام داد. معادله برآورد شده 88/3% از نمونه‌ها را به صورت نادرست طبقه بندي كرد ولي مدل ساده فرض می‌کرد كه عدم ورشكستگي در مورد 95/4% از نمونه‌ها غلط باشد. علاوه بر اين نتايج حاصل از مدل احتمال شرطي در مقايسه با مدل تحليل تشخیصی چندگانه، برتري قدرت تشخيص آن را به خوبی نمایانگر می‌سازد.

2-11-2- تکنيک‌های هوش مصنوعی[11]

تکنیک‌های هوش مصنوعی، مشابه با هوش و منطق انسان، سیستمی است که یاد می‌گیرد و عملکرد حل مسأله خود را با توجه به تجربیات گذشته بهبود می‌بخشد. این تکنیک‌های هوشمند به دلیل کارایی بالا و فارغ بودن از مفروضات محدود کننده موجود در روش‌های آماری با استقبال زیادی مواجه شده‌اند. تکنیک‌های هوش مصنوعی از الگوریتم‌های بازگشتی یا همان درخت‌های تصمیم[12] ، استدلال مبتنی بر موضوع[13] ، شبکه های عصبی مصنوعی[14]، الگوریتم ژنتیک و مجموعه های سخت[15]  تشکیل شده‌اند (قدرتی، 1389). تمرکز تکنیک‌های هوش مصنوعی بر عوارض ناشی از ورشکستگی است که از صورت‌های مالی استخراج می‌شوند و به کمک روش‌های نوین و پیشرفته با استفاده از تکنولوژی سعی در پیش بینی ورشکستگی دارند.

2-11-2-1- شبکه های عصبی[16]

به‌کارگیری روش شبكه‌هاي عصبي را مي‌توان تا اوايل دهه 1860 پي‌گيري كرد. هدف مدل شبكه‌هاي عصبي، شناسايي مجموعه اي از اجزاء محاسباتي (نرون‌ها) است كه با هم در ارتباط هستند. ساختار اصلي محاسباتي شامل سه لايه از نرون‌ها است: لايه هاي ورودي، مخفي و خروجي. افزون بر نرون‌ها، شبكه عصبي در برگيرنده نحوه ارتباط اين لایه‌ها با هم نيز می‌باشد. ارتباط داخلي نرون‌ها، مي‌تواند در برگيرنده همه نرون‌ها و يا فقط بخشي از آن‌ها باشد. تعداد ارتباطات و چگونگي آن، توان شبكه عصبي در اجراي عمليات مورد نظر را نشان می‌دهد (پورعلی، 1390).

قبل از به‌کارگیری شبكه عصبي بايد با استفاده از يك مجموعه از مشاهدات (براي مثال گروهي از شرکت‌های موفق و ناموفق) نسبت به آموزش شبكه اقدام كرد. شبكه تا زماني كه بتواند تركيبي از ورودي‌ها را با يك پيامد خاص ارتباط دهد به آموزش خود ادامه می‌دهد، بعد از آن كه آموزش كامل شد، شبكه عصبي مي‌تواند در پيش بيني، مورد استفاده قرار گيرد. ساختمان شبكه (نرون‌ها و ارتباط داخلي آن‌ها)، فرآيند آموزش و كل شبكه عصبي را می‌توان بر مبناي تعداد پيش بینی‌های صحيح ارزيابي كرد (پورعلی، 1390).

[1] . Statistical Techniques

[2] . Linear Probability Model

[3] . Logit

[4] . Probit

[5] . Partial Adjustment Processes

[6] . Linear Discriminant Analysis

[7] . Fulmer

[8] . Conditional Probability Models

[9] . Martin

[10] . Ohlson

[11] . Artificial Intelligence Techniques

[12] . Recursive Partitioning Algorithm ( Decision Trees)

[13] . Case-based Reasoning

[14] . Artifical Neural Network

[15] . Rough Sets Model

[16] . Neural Networks

سوالات یا اهداف پایان نامه :

 1-5-1- سؤال اصلی

آیا ترکیبات اجزای صورت گردش وجوه نقد پنج قسمتی ایران بر پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران تأثیر دارد؟

1-5-2- سؤالات فرعی تحقيق

  1. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  2. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  3. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  4. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  5. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  6. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  7. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  8. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی مثبت، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  9. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  10. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  11. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  12. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  13. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  14. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  15. آیا ترکیب خالص جریان نقد عملیاتی منفی، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری منفی و تأمین مالی منفی بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟
  16. آیا ترکیب خالص جریان نقد عملیاتی مثبت، بازده سرمایه گذاری و سود سهام پرداختی منفی، مالیات منفی، سرمایه گذاری مثبت و تأمین مالی مثبت بر پیش بینی درماندگی مالی شرکت ها تأثیر دارد؟

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل با فرمت ورد می توانید به لینک زیر مراجعه نمایید:

پایان نامه - تز - رشته حسابداری

لینک متن کامل پایان نامه رشته حسابداری با عنوان : بررسي تأثير ترکيب اجزای صورت گردش وجوه نقد بر پيش بينی درماندگی مالی شرکت های پذيرفته شده در بورس اوراق بهادار  با فرمت ورد

Author: 92

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *