TY - JOUR ID - 104764 TI - طراحی و تبیین مدل پیش‌بینی ورشکستگی شرکت‌ها در بورس اوراق بهادار تهران JO - تحقیقات حسابداری و حسابرسی JA - IAAR LA - fa SN - 2251-8428 AU - فدایی نژاد, محمد اسماعیل AU - اسکندری, رسول AD - عضو هیات علمی دانشگاه شهید بهشتی AD - دانشجوی دره دکترای دانشگاه شهید بهشتی Y1 - 2011 PY - 2011 VL - 3 IS - 9 SP - 38 EP - 55 KW - ورشکستگی KW - شبکه عصبی KW - الگوریتم ژنتیک KW - بهینه سازی تجمعی ذرات DO - 10.22034/iaar.2011.104764 N2 - ورشکستگی آخرین مرحله از حیات اقتصادی شرکت‌ها است و بر همه ذینفعان شرکت تاثیر می‌گذارد. بنابراین پیش‌بینی ورشکستگی از اهمیت برخوردار می‌باشد با توجه به اینکه فرایند حقوقی به منظور شناسایی شرکت‌های ورشکسته امری زمان بر است بنابراین در این تحقیق از مفهوم آستانه ورشکستگی برای شناسایی شرکت‌های ورشکسته در بورس اوراق بهادار تهران استفاده شد. سوال اصلی تحقیق این است که کدام یک از مدل‌های پس انتشار خطا، الگوریتم ژنتیک و بهینه سازی تجمعی ذرات با دقت بالاتری ورشکستگی شرکت‌ها را پیش‌بینی می‌کند. همچنین تاثیر داده‌های بازار و نسبت‌های مالی در پیش‌بینی ورشکستگی با یکدیگر مقایسه گردید. نتیجه نشان داد که استفاده از الگوریتم‌ ژنتیک در افزایش دقت پیش‌بینی ورشکستگی موثر است اما مقایسه مدل‌های الگوریتم ژنتیک و بهینه سازی تجمعی ذرات نشان داد که از نظر آماری نمی‌توان اثبات نمود که یکی از این روش‌ها بر دیگری برتری دارد. همچنین نتایج نشان دهنده این بود که استفاده از داده‌های بازار برای پیش‌بینی ورشکستگی موثرتر از استفاده از نسبت‌های مالی و یا استفاده همزمان از داده‌های بازار و نسبت‌های مالی است. همچنین نتایج نشان داد مدلی که از داده‌های بازار استفاده کرده و از طریق الگوریتم بهینه سازی تجمعی ذرات آموزش ببیند می‌تواند تا 6/92 درصد ورشکستگی شرکت‌ها را به درستی پیش‌بینی نماید.   UR - https://www.iaaaar.com/article_104764.html L1 - https://www.iaaaar.com/article_104764_2cda95415552861e157f4728412e158a.pdf ER -