نوع مقاله : مقاله مروری
نویسنده
استاد گروه برنامه ریزی و مدیریت، پژو هشکده مطالعات مدیریت و توسعه فناوری، دانشگاه تربیت مدرس، تهران، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسنده [English]
Due to the high costs of financial distress and bankruptcy and the importance of timely prediction of financial distress to take corrective actions, this study examines the research related to the prediction models of financial distress and bankruptcy in Iran and other countries. This study is a review of research that examines 102 research in Iran and 298 research in other countries during the years 1930-2023, describing theories and analyzing the nature, trend, composition, and periods of using models and presenting practical and research recommendations. The results indicate an upward trend of research in Iran, while it is declining in other countries. The noteworthy point is the use of various combinations of models and techniques in other countries is more diverse than in Iran, and the prominence of intelligent models that are based on evolutionary calculations. The research concludes by providing executive and research recommendations. The recommendations include diversifying predicting techniques, emphasizing models based on evolutionary computing algorithms, paying attention to the predictions after the crisis, developing special models for small and medium-sized companies, separating the criteria for recognizing financial distress and bankruptcy in the Tehran Stock Exchange, making dynamic predictions, and developing more focused and specialized models to increase accuracy. This study addresses the shortcomings of past research, provides more up-to-date information and insights on the dynamic predictions, compares these studies in Iran to other countries, and provides some executive recommendations and research topics based on the results.
Keywords: Financial Distress, Bankruptcy, Model and Technique, Theories, Prediction.
Introduction
Financial distress indicates that a company is approaching bankruptcy and the vast and profound negative effects of bankruptcy on society, necessitate reviewing bankruptcy prediction models. Therefore, predicting financial distress in its early stages can inform the stakeholders of companies about their future possible losses (Zhou et al, 2023). Global crises like the 2008 financial crisis and the COVID-19 pandemic have forced even very strong international companies to continuously monitor their financial situation (Woodlock & Dangol, 2014; Hassan, 2022; Papik & Papikova, 2023). These environmental dynamics require reforms and more accurate predicting methods for the financial health of enterprises, (Brygala, 2022) especially for small and medium-sized companies, which have weaker financial resources (Ciampi et al. 2021; Mirza et al., 2023). While existing literature reviews are often outdated or limited in scope, this study addresses these gaps by comprehensively analyzing the models and techniques used for predicting financial distress and bankruptcy in Iran and other countries from 1930 to 2023. Furthermore, the study compares the nature, trends, composition, and periods of use of predicting models in Iran and other countries and offers insights for future research.
Materials and Methods
Systematic review refers to examining, criticizing, and evaluating a specific research topic, extracting and interpreting data from published articles, and analyzing, and describing results based on clear evidence (Lasserson et al., 2020). It generates highly credible, low-bias, and quality scientific research documents (Yetley et al., 2016). This meta-analysis research systematically evaluates financial distress and bankruptcy prediction models by analyzing 102 studies from Iran and 298 from other countries from 1932 to 2023. Data were sourced from reputable Iranian and international databases and journals, including Emerald, Science Direct, and ProQuest. The study aims to rectify previous shortcomings, update information, and offer new research avenues based on the findings of this review.
Research Findings
In Iran, financial distress prediction studies that started in 2001 shows a rising trend, encompassing 13 studies conducted during 1968-2007 and 89 studies during 2007-2023. Financial distress prediction research in other countries started in 1932 and has shown a declining trend in recent years including 10 studies conducted during 1932-1968, 217 studies in 1968-2007, and 71 studies during 2007-2023. The 102 predicting techniques in Iran during 2001-2023 consisted of 43 statistical models, 40 intelligent models, 17 combined models, and 2 other models such as Data Envelopment Analysis and judgmental, etc. However, 298 studies in other countries include 117 statistical models, 125 intelligent models, 25 combined models, 21 theoretical models, and 10 other models such as Data Envelopment Analysis and judgmental, etc. Among the 102 papers from Iran, 61.76% introduced modified or new models, while 87.5% of global research presented innovative models. Techniques used globally from 1930 to 2023 include statistical, intelligent, hybrid, judgmental, and other models. Statistical models dominated earlier, however, intelligent models, particularly those inspired by animal collective intelligence, gained prominence and attention for their high accuracy.
Discussion and Conclusions
Iranian research on predicting financial distress and bankruptcy exhibits an upward trend, while global research has been declining recently. The results verify that intelligent models like neural networks and genetic algorithms, notably those inspired by animal collective intelligence such as the ant algorithm, and the firefly algorithm, the bird algorithm, demonstrated higher prediction accuracy than statistical models such as multiple discriminant analysis, logistic regression, probit, and theoretical models. Successful intelligent models, which widely used recently and exhibited a higher accuracy, include gradient boosting models (Jones, 2017), machine learning methods (Chen et al., 2023), and models based on collective intelligence such as the firefly algorithm (Bayat et al., 1997). Among the statistical techniques, the nonlinear logistic regression techniques demonstrated a high level of accuracy (Lohmann et al., 2022; Lohmann & Mollenhoff, 2023). In addition, 61.76% of 102 models from Iran and 87.5% of 298 articles abroad were innovative models. Recommendations include diversifying predicting techniques, emphasizing models that are based on evolutionary computing algorithms, attention to the necessity of post-crisis predictions, developing tailoring models for SMEs, separating criteria for financial distress and bankruptcy recognition in the Tehran Stock Exchange, the necessity of adopting dynamic predictions and (Lohmann & Molenoff, 2023) developing focused and industry-focused models for enhanced accuracy (Nazmi Ardakani et al., 2017).
کلیدواژه‌ها [English]
مقدمه
«مرور سیستماتیک»[1] به بررسی، نقد و ارزیابی یک موضوع پژوهشی معین، استخراج و تفسیر داده‌ها از مقالات منتشرشده و تجزیهوتحلیل و توصیف نتایج مبتنی بر شواهد روشن اطلاق می‌شود. این مرورها پژوهش‌هایی را شامل می‌شود که بینش جدیدی را دربارۀ یک موضوع ارائه می‌کنند و برای به‌حداقل‌رساندن سوگیری طراحی شدهاند. (Lasserson et al., 2020) نتایج پژوهش‌های مروری می‌تواند به شناخت مشکلات و ارائۀ راه‌هایی برای رفع آنها و برنامه‌ریزی کمک کند. سلسله‌مراتب اعتبار شواهد و مستندات علمی را می‌شود به‌صورت شکل 1 نشان داد. با حرکت به‌سمتِ بالای مثلث، اعتبار و کیفیت مستندات علمی افزایش و خطر سوگیری کاهش می‌یابد (Yetley et al., 2016).
|
ات |
|
کیفیت مستند |
|
بیشتر |
|
کمتر |
|
خطر سوگیری |
|
کمتر |
|
بیشتر |
|
سرمقاله، نظر کارشناس
|
|
مطالعات مکانیکی و آزمایشگاهی
0 |
|
گزارش موردی، مطالعات موردی
|
|
مطالعات بین بخشی و فرابخشی، مطالعات پیمایش
|
|
مطالعات موردی کنترل‌شده
|
|
مطالعات گروهی (کوهورت)
|
|
کارآزمایی های تصادفی کنترل
|
|
بررسی‌های سیستماتیک، فراتحلیل، فراترکیب
|
شکل 1: سلسله‌مراتب اعتبار شواهد و مستندات علمی براساسِ میزان سوگیری و کیفیت مستندات (Yetley et al., 2016)
Figure 1: Hierarchy of scientific evidence and documentation validity based on the bias and quality of documentation (Yetley et al., 2016)
یکی از موضوعات مهم دربارۀ تداوم فعالیت بنگاه‌های اقتصادی، شناسایی و تحلیل وضعیت مالی آن است. درماندگی مالی یک شرکت از نشانه‌های حرکت به‌سمتِ نقض اصل تداوم فعالیت و نزدیک‌شدن به ورشکستگی است. بنابراین، پیشبینی به‌هنگام درماندگی مالی، به‌ویژه در مراحل اولیۀ آن، ممکن است ذی‌نفعان شرکتها را از زیان‌های احتمالی آنها در آینده آگاه کند (Zhou et al., 2023). ارزیابی وضعیت سلامت مالی شرکتها نه‌تنها در شرایط عادی مهم است، بلکه پس از بحران‌ها اهمیت بیشتری دارد؛ زیرا ممکن است عملکرد شرکتها، به‌خصوص شرکت‌های کوچک و متوسط[2]، درطولِ دورۀ بحران به‌طور چشمگیری تضعیف شده باشد .(Papik & Papikova, 2023) بحران‌هایی نظیر بحران مالی جهانی 2008 و فراگیری کووید 19 در جهان، پژوهشگران را بر آن داشت تا برای شرکت‌های کوچک و متوسط که بنیۀ مالی و اقتصادی ضعیف‌تری دارند، پیش‌بینی‌کننده‌های جدیدی را طراحی کنند (Ciampi et al. 2021; Mirza et al., 2023). تغییرات پویای محیط اقتصادکلان و اقتصاد خرد بیانگر ضرورت اصلاحات و جست‌وجوی روش‌های دقیق‌تر پیشبینی سلامت مالی شرکتها است (Brygala, 2022). شواهد نشاندهندۀ آن است که بحران‌هایی نظیر بحران مالی 2008 و بحران فراگیری کووید 19 در جهان حتی شرکت‌های بین‌المللی بسیار قوی را نیز به مراقبت مستمر وضعیت مالی‌شان واداشته است (;Woodlock & Dangol, 2014 Bozkurt, 2023; Hassan, 2022).
ضرورت تداوم فعالیت شرکتها و تأثیرات نامطلوب فردی، سازمانی، اقتصادی و اجتماعی درماندگی مالی و ورشکستگی آنها درکنارِ گستردگی و سابقۀ تاریخی طولانی مدل‌سازی پیشبینی درماندگی مالی و ورشکستگی شرکتها در ایران و سایر کشورها، بررسی و مرور نظام‌مند این مدل‌ها و تکنیک‌ها را ارزشمند کرده است. پژوهش‌های مروری متعددی در ادبیات پژوهش دربارۀ مرور مدلهای پیشبینی ورشکستگی وجود دارد؛ اما این مرورها یا منسوخ شدهاند (Scott, 1981; Zavgren, 1983; Altman, 1984; Jones, 1987; Bellovary et al., 2007 Demyanyk & Hassan, 2010) یا با محدودیت موضوعی یا زمانی بسیار عمل کرده‌اند (Zavgren, 1983; Altman, 1984). برای مثال، برخی به‌طور انحصاری بر مدلهای آماری تمرکز کرده‌اند (Keasey & Watson, 1986)، برخی دیگر فقط مدلهای خاصی (نظری) را به‌طور کامل پوشش داده‌اند (Dimitras et al., 1996; Crouhy et al., 2000)، گروهی بررسی خود را به کاربردهای تجربی مدلهای شبکه‌های عصبی محدود کرده‌اند Zhang et al., 1999))، پژوهشگرانی هم با قلمرو زمانی محدودشان، مدلهای مهم و جدیدتر مبتنی بر هوش مصنوعی با الگوریتم‌های فراابتکاری و هوش جمعی را پوشش نداده‌اندMorris, 1998)). علاوه‌بر‌این، این پژوهش‌ها نتایج تلاش‌های پژوهشگران ایرانی در این زمینه را به‌خوبی پوشش نداده است. بنابراین، چنین پژوهش مروری‌ای به‌دلیلِ تشریح ماهیت، ترکیب و روند استفاده از این مدل‌ها در ایران و به‌روز‌کردن اطلاعات و مقایسۀ آنها با سایر کشورها ممکن است ارزشمند باشد. به همین دلیل، نگارنده در این پژوهش مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی در ایران و سایرکشورها را مرور کرده است.
باتوجهبه مروری‌بودن این پژوهش، ارائۀ فرضیۀ پژوهشی صریح چندان موضوعیت ندارد؛ اما می‌توان سؤالات ضمنی‌ای نظیر این سؤالات را مدنظر قرار داد: آیا ماهیت، ترکیب، روند، میزان نوآور‌بودن و دورۀ استفاده از مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی شرکتها در ایران و سایر کشورها یکسان بوده است؟ چه تفاوت‌هایی بین آنها وجود دارد؟ چه درس‌هایی از این تفاوت‌ها می‌توان آموخت؟
هدف این مقاله مرور این مدل‌ها و تکنیک‌ها، تحلیل روندها و یافته‌‌ها و ارائۀ پیشنهادهایی برای مقامات اجرایی و پژوهشگران آتی است. برای پاسخ‌گویی به سؤالات پیشین، ساختار مقاله به این صورت تنظیم شده است که مبانی نظری در بخش 2، سیر تحول مدلهای پیشبینی درماندگی مالی و ورشکستگی طی سه دورۀ مجزا در بخش 3، دسته‌بندی مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی در بخش 4، تجزیهوتحلیل پژوهش‌های مرتبط با مدلهای پیشبینی درماندگی مالی و ورشکستگی شرکتها در ایران و سایرکشورها در بخش 5 و نتیجه‌گیری و پیشنهادها در بخش 6 ارائه خواهد شد.
مبانی‌نظری
یکی از مفروضات اساسی در حسابداری فرض تداوم فعالیت واحد تجاری است. براساسِ این فرض و نظریۀ انتفاع است که سرمایه‌گذاران به‌امید کسب سودهای بیشتر درآینده، برای تأمین سرمایۀ لازم برای سرمایه‌گذاری‌های‌آینده تشویق می‌شوند، اعتباردهندگان به آیندۀ سود و جریان نقدی واحد تجاری اعتماد می‌کنند و اعتبار را استمرار می‌بخشند و استهلاک دارایی‌های ثابت و نامشهود شرکتها درطولِ عمر مفیدشان محاسبه می‌شود. فرض تداوم فعالیت موجب ارزش‌گذاری واحد تجاری براساسِ استمرار فعالیت‌های آن می‌شود؛ اما در واقعیت فعالیت‌های یک شرکت ممکن است درطولِ زمان تغییر شکل دهد یا به دلایلی مانند خروج داوطلبانه (نظیر بازنشستگی مالک یا تغییر کسب‌وکار)، ادغام‌شدن، اکتساب‌شدن توسط سایر واحدهای تجاری یا قصور یا ناتوانی در انجام تعهدات شرکت از ادامه باز بماند.
طبق استاندارد شمارۀ 57 حسابرسی ایران، نشانه‌های نقض فرض تداوم فعالیت واحد تجاری در سه دستۀ نشانه‌های مالی، عملیاتی و سایر نشانه‌ها طبقه‌بندی می‌شود (2013 Auditing Standards of Iran,). فزونی ارزش بدهی‌ها بر دارایی‌ها، فزونی بدهی‌های جاری بر دارایی‌های جاری، نزدیک‌شدن سررسید بدهی‌ها با شرایط تغییرناپذیر و نبودِ دورنمایی واقعی برای پرداخت یا تمدید آنها، اتکای بیش‌از‌حد بر استقراض‌کوتاه‌مدت برای تأمین مالی دارایی‌های بلندمدت، نامساعد‌بودن نسبت‌های مالی، زیان‌های عمدۀ عملیاتی متوالی، نپرداختن سود سهام یا تعویق در پرداخت آن، ناتوانی در پرداخت به‌موقع حساب‌های پرداختنی و وجود دشواری در رعایت شرایط مقرر در قراردادهای وام، تغییر شرایط خرید کالا و دریافت خدمات از اعتباری به نقدی از مهم‌ترین نشانه‌های مالی نقض فرض تداوم فعالیت است. برخی از نشانه‌های عملیاتی نقض فرض تداوم فعالیت عبارت‌اند از: ازدستدادن مدیران اصلی و کلیدی و نبودِ جایگزینی مناسب برای آنها، ازدستدادن بازار، مجوز یا امتیاز ساخت کالاها، ازدستدادن تأمین‌کنندگان اصلی کالا و خدمات، وجود مشکلات کارگری و کمبود مواد اولیه و قطعات با اهمیت. رعایت‌نکردن الزامات مربوط به سرمایه یا سایر الزامات قانونی، تغییر قوانین یا سیاست‌های دولت به‌نحوی که حامل آثار مالی منفی بر واحد تجاری باشد و وجود دعاوی حقوقی علیه واحد تجاری به‌نحوی که درصورتِ محکومیت، واحد تجاری تحمل نتایج آن را نداشته باشد، سایر نشانه‌هاست.
درماندگی مالی با ورشکستگی یکی نیست (2021 Anvary Rostamy & Zamani Amouqin,). درماندگی مالی وضعیتی است که یک کسب‌وکار در ایفای تعهدات سررسیدشدۀ خود ناتوان است (Altman & Hotchkiss, 2007; Danilov, 2014). چنین واحد تجاری‌ای ممکن است که دارایی‌هایی بیش از بدهی‌ها در ترازنامه داشته باشد؛ اما با مشکل نقدینگی مواجه باشد(Altman & Hotchkiss, 2007) و اگر قرار بر انحلال شرکت باشد، از فروش دارایی‌ها، حداقل به‌اندازه‌ای وجه به دست می‌آورد که بتواند پول همۀ بدهی‌هایش را بپردازد (Danilov, 2014). ناتوانی در ایفای تعهدات هزینۀ بسیار زیادی برای شرکت و سایرین به همراه دارد (Jabeur, 2017). درصورتِ نقض فرض تداوم فعالیت، واحد تجاری به‌سمتِ درماندگی و بحران مالی و سپس ورشکستگی حرکت خواهدکرد. یکی از نشانه‌های عملیاتی درماندگی مالی تجربه‌کردن زیان‌های عظیم و متوالی است (Lensberg et al., 2006). شرکتی که حداقل برای سه سال متوالی زیان گزارش کند، دچار بحران یا درماندگی مالی است. ازلحاظِ اقتصادی، درماندگی مالی، زیان‌ده‌بودن واحد تجاری و وجود موقعیت رقابتی است که در آن شرایط شرکت به‌دلیلِ فقدان توان تأمین مالی، پروژه‌هایی با ارزش فعلی خالص مثبت را از دست می‌دهد. طبق مادۀ 141 قانون تجارت، اگر شرکت سه سال متوالی زیان گزارش کند و در صورتی که سود تقسیمی هر سال نسبت‌به سال قبل بیش از 40% کاهش یافته و شرکت براثرِ زیان‌های وارده حداقل نیمی از سرمایۀ خود را از دست داده باشد، دچار درماندگی مالی است.
درماندگی مالی لزوماً به ورشکستگی قانونی یا انحلال شرکت منجر نمی‌شود؛ زیرا شرکت درماندۀ مالی در ایفای تعهداتش دو اقدام اصلاحی را می‌تواند انجام دهد: اقدام اول، حل‌و‌فصل خارج از دادگاه و مصالحه با بستانکاران و اخذ مهلت برای پرداخت بدهی ازطریقِ ادامۀ عملیات و پول حاصل از آن است. اقدام دوم، مراجعه به دادگاه و اعلام ورشکستگی قانونی استAltman & Hotchkiss, 2007) ). بسیاری از شرکتها به‌دلیلِ هزینه‌های پایین‌تر و کاهش اختلال در عملکرد شرکت نسبت به مراحل رسمی ورشکستگی، ابتدا سعی در حل مشکلات مالی ازطریقِ مذاکرات خارج از دادگاه دارند (Nigam & Boughanmi, 2017) . هرچه اقدام اصلاحی برای رفع بحران مالی زودتر انجام شود، انتظار بیشتری برای بهبود و موفقیت کسب‌وکار وجود خواهد داشت (2020 Ghaem-Magham Farahani,).
اگر ارزش کل بدهی‌های یک شرکت بیشتر از ارزش منصفانۀ مجموع دارایی‌های آن باشد، یعنی ارزش خالص واقعی شرکت منفی است و این شرکت ورشکسته است Altman & Hotchkiss, 2007)) و درصورتِ انحلال، پول بستانکاران به‌طور کامل پرداخت نخواهد شد (Danilov, 2014) . در بورس اوراق بهادار تهران معیار ورشکستگی شرکتها و خروج از بورس مادۀ ۱۴۱ قانون تجارت اصلاحی است. براساسِ این ماده، اگر براثرِ زیان‌های وارده، حداقل نصف سرمایۀ شرکت از میان برود، هیئتمدیره مکلف است بلافاصله مجمع عمومی فوق‌العادۀ صاحبان سهام را دعوت کند تا دربارۀ انحلال یا بقای شرکت مشورت شود و رأی بدهند. هرگاه مجمع مزبور رأی به انحلال شرکت ندهد، باید در همان جلسه و با رعایت مقررات مادۀ ۶ این قانون، سرمایۀ شرکت را به مبلغ سرمایۀ موجود کاهش دهد. برخی از نشانگرهای ورشکستگی عبارت‌اند از: زیان متوالی، کاهش سود و به‌خصوص سود نقدی، تعطیلی کارخانه‌ها یا شعبه‌های شرکت، زیاد‌بودن فصول کم‌کاری و توقف عملیاتی، نارضایتی و استعففای مدیران ارشد و افت قیمت سهام (2020 Ghaem-Magham Farahani,).
ورشکستگی مقصد نهایی فرایندی است که شامل مراحل و دورههای گوناگون نهفتگی، کسری وجه نقد، درماندگی مالی و ورشکستگی است. در مرحلۀ نهفتگی، زیان اقتصادی رخ می‌دهد، بازده دارایی‌ها و اعتماد عمومی به شرکت سقوط می‌کند، دسترسی به وجوه دشوارتر و شرکت ناچار به رد پروژه‌های سودآور می‌شود. در مرحلۀ کسری وجه نقد، واحد تجاری برای ایفای تعهدات جاری یا نیاز فوری با مشکل مواجه است. اگرچه شرکت ممکن است بیش از نیازش دارایی‌های فیزیکی تبدیل‌ناشدنی به نقد و سابقۀ سودآوری کافی در گذشته داشته باشد، اما دسترسی به وجه نقد ندارد. در مرحلۀ درماندگی مالی، شرکت هنوز قادر به تحصیل وجه است و مدیریت امکان استفاده از افراد حرفه‌ای، تجدید ساختار، استفاده از روش‌های تأمین مالی و شناسایی و برطرف‌کردن مشکل را دارد. در مرحلۀ نهایی، ارزش کل بدهی‌ها از ارزش دارایی‌های شرکت بیشتر است و دیگر نمی‌توان از ورشکستگی‌کامل اجتناب کرد. دلایل ورشکستگی را می‌شود به دو دستۀ برونسازمانی و درون‌سازمانی تقسیم کرد. برخی از دلایل برونسازمانی ورشکستگی عبارت‌اند از: ویژگی‌های سیستم اقتصادی، تشدید رقابت، تغییر در تجارت و تقاضای عمومی، نوسانات تجاری، مشکل در تأمین مالی برونسازمانی و عوامل‌طبیعی، تصادفی و اتفاقی پیش‌بینی‌ناپذیر و از دلایل درون‌سازمانی می‌توان به توسعۀ اعتبار افراطی، مدیریت ناکارا، سرمایۀ ناکافی، تقلب و خیانت اشاره کرد (Newton, 2009).
طبق قانون مجازات اسلامی مصوب 1388 مهم‌ترین حالت‌های ورشکستگی عبارت‌اند از: ورشکستگی عادی، ورشکستگی به تقصیر و ورشکستگی به تقلب. طبق مادۀ 415 قانون تجارت، اعلا‌ن یا درخواست ورشکستگی به‌عهدۀ شرکت یا بستانکاران است. ورشکستگی تاجر به حکم محکمه ممکن است برحسبِ اظهار خود تاجر، تقاضای طلبکارها یا برحسبِ تقاضای مدعی‌العموم باشد. جهت‌گیری قوانین ورشکستگی باید درراستای سه هدف عمده باشد: حل مشکلات طلبکارها، ارائۀ فرصتی دوباره به بدهکار و نجات ارزش شرکت با سازماندهی مجدد و جلوگیری از انحلال شرکت تا حد ممکن (2020 Ghaem-Magham Farahani, ).
دو نظریۀ مهم مرتبط با ورشکستگی عبارت‌اند از: نظریۀ کنترل و نظریۀ پیشبینی. براساسِ نظریۀ کنترل دلیل، اصلی ورشکستگی کنترل نامناسب است و احتمال ورشکستگی شرکت‌هایی‌که سیستم‌های کنترلی قوی‌تری دارند، کمتر است. طرفداران این نظریه معتقدند که با طراحی و به‌کارگیری سیستم‌های کنترل مناسب می‌توان خطر پیدایش درماندگی مالی و ورشکستگی را کاهش داد و با بررسی وضعیت سیستم‌های کنترلی می‌توان ورشکستگی شرکتها را پیش‌بینی‌کرد. این کنترل‌ها شامل کنترل‌های بوروکراتیک (نظیر قواعد اداری، ضوابط شغلی، رویه‌ها و خط‌مشی‌ها، استانداردسازی فعالیت‌ها)، کنترل‌های اخلاقی، ارزشی و فرهنگی (نظیر ارزش‌های مشترک، نرم‌ها، سنت‌ها و عادات و رفتارهای ظاهری تشریفاتی و مذهبی و اعتقادات) و کنترل‌های بازار (نظیر مشتریان و سایر ذی‌نفعان) است و می‌توان با استفاده از آنها از وقوع ورشکستگی پیش‌گیری‌کرد. دامنۀ این کنترل‌ها شامل کنترل‌های پیش‌گیرانه، کنترل حین اجرا و کنترل پس از اجرا یا بازخورد می‌شود.
با تفکیک مالکیت از مدیریت و افزایش هزینه‌های نمایندگی برای برنامه‌ریزی و کنترل و پیش‌گیری از درماندگی و ورشکستگی، نظام راهبری و حاکمیت شرکتی توسعه یافت. راهبری و حاکمیت شرکتی رویه‌ها و فرایندهایی است که طبق آنها سازمان هدایت و کنترل می‌شود. ساختار راهبری شرکتی، توزیع‌کنندۀ حقوق و اختیارها و مسئولیت‌ها میان بخش‌های گوناگون مثل هیئتمدیره، مدیران، سهامداران و سایر ذی‌نفعان است و قواعد و رویه‌هایی را برای تصمیم‌سازی معین می‌کند. این سیستم از سازوکارهای کنترلی گوناگون درون‌سازمانی (نظیر هیئتمدیره، مدیریت اجرایی و غیراجرایی همچون کمیتۀ حسابرسی و…، اخلاق سازمانی و کنترل‌های داخلی) و برونسازمانی (نظیر نظارت‌قانونی، نظام حقوقی، بازار‌سرمایه، سهامداران عمده و نهادی، حسابرسان مستقل و مؤسسات رتبه‌بندی) بهره می‌گیرد. ورشکستگی تجاری ممکن است به دلایل متعددی اتفاق بیفتد و حتی شرکت‌هایی که نظام برنامه‌ریزی و کنترل باکیفیتی دارند نیز درماندگی مالی و ورشکستگی را تجربه کرده‌اند؛ بنابراین، می‌توان گفت که کنترل شرط لازم اما ناکافی برای پیش‌گیری از درماندگی مالی و ورشکستگی است (2021 Anvary Rostamy & Zamani Amouqin,).
به‌دلیلِ زیان‌ها و هزینه‌های هنگفت ورشکستگی، درصورتِ بهره‌گیری از مدلهای علمی برای پیشبینی درماندگی مالی می‌توان برنامه‌ریزی کرد و شرکت را از ورشکستگی نجات داد؛ بنابراین، شناسایی مدلهای مناسب تخمین درماندگی مالی اهمیت بسیاری دارند و نهادهای نظارتی می‌توانند از این مدل‌ها برای نظارت بر سلامت مالی و مهار ریسک‌ها استفاده کنند (Mai et al., 2019) . این موضوع به‌ویژه در ایران که تمرکز قانون ورشکستگی بر انحلال فعالیت بنگاه اقتصادی و تسویه بدهی‌های ورشکسته از محل فروش اموال و دارایی‌هاست و نه از محل احیای بنگاه و تجدید ساختار آن، اهمیت بیشتری می‌یابد؛ بنابراین، استفاده از مدلهای مناسب تخمین درماندگی مالی و آگاهی از وضعیت مالی شرکتها در مراحل اولیۀ وقوع درماندگی مالی برای انجام اقدامات اصلاحی خارج از دادگاه اهمیت فراوانی دارد. این اقدامات اصلاحی خارج از دادگاه نسبت‌به رویه‌های قانونی (تجدید ساختار یا انحلال) هزینه‌های کمتری را به شرکتها، اعتباردهندگان، سرمایه‌گذاران و کل اقتصاد تحمیل می‌کند.
پیشبینی درماندگی مالی و ورشکستگی کاربردهای فراوانی دارد. برخی از این کاربردها عبارت‌اند از: کمک به بانک‌ها و مؤسسات مالی و اعتباری در اتخاذ تصمیم مناسب دربارۀ شرایط و سقف اعتبار اعطایی، کمک به شرکتها برای اخذ تصمیمات راهبردی و پیش‌گیرانه، کمک به تحلیل‌گران مالی برای بررسی و کمک در محاسبات ارزش ذاتی دارایی‌ها، کمک به سرمایه‌گذاران در اتخاذ تصمیمات مرتبط با خرید، فروش و نگهداری اوراق بهادار، کمک به شرکت‌های بیمه در عقد قراردادهای بیمه‌ای مناسب و کمک به حسابرسان و بازرسان قانونی برای عقد قراردادهای مناسب و اطلاع دقیق‌تر از وضعیت شرکت (2021 Anvary Rostamy & Zamani Amouqin,).
درماندگی مالی و روند ورشکستگی پیامدهای نامطلوبی را در قالب هزینه‌های مستقیم و غیرمستقیم ملموس و غیرملموس به واحد تجاری ورشکسته و جامعه تحمیل می‌کند. برخی از این هزینه‌های عبارت‌اند از: هزینه‌هایی که به‌علت توقیف اموال شرکت تحمیل می‌شود، هزینه‌هایی که طلب‌کاران مستقیماً تحمیل می‌کنند، افزایش ریسک و هزینۀ سرمایۀ شرکت، هزینه‌های حقوقی، هزینه‌های ازدست‌رفتن اعتبار تجاری شرکت، هزینۀ ناشی از کاهش تمایل خریداران به خرید محصولات، هزینۀ تمایل نداشتن سرمایه‌گذاران به سرمایه‌گذاری و حتی فروش سهام، کاهش ارزش شرکت، اثرات مخرب و متوالی ورشکستگی شرکت بر درآمد رقبا در صنعت مشابه و غیرمشابه (Bearly et al., 2011). هزینه‌های درماندگی مالی و ورشکستگی ارزش پیش از درماندگی شرکت را تحت تأثیر قرار می‌دهد (Branch, 2002). هزینه‌های مستقیم درماندگی مالی و روند ورشکستگی شامل استفاده از افراد حرفه‌ای بیرونی نظیر وکلا، حسابداران، مشاوران، بانک‌داران سرمایه‌گذار، طبق برآوردها به‌طور متوسط 7/0% تا 5/2% از ارزش پیش از درماندگی واحد تجاری را تشکیل می‌دهد. برآورد هزینه‌های داخلی کارمندان متعددی که باید بخشی از وقت خود را به رسیدگی به روند ورشکستگی اختصاص دهند، بین 07/0% تا 4/1 % از ارزش پیش از درماندگی واحد تجاری است. برآورد هزینه‌های بازیابی برای صاحبان دعاوی حدود 4/2% از ارزش پیش از درماندگی واحد تجاری است. سایر هزینه‌ها احتمالاً 10% تا 20% از ارزش پیش از درماندگی را در بر می‌گیرد. این هزینه‌ها شامل هزینۀ خودداری عرضه‌کنندگان از عقد قرارداد، هزینۀ ازدستدادن فرصت سرمایه‌گذاری در پروژه‌های طولانی‌مدت و سودآور، هزینۀ ازدستدادن کارمندان کلیدی که احتمالاً از شرکت می‌روند تا برای رقبا کار کنند، هزینۀ لغو‌شدن مشارکت‌های تجاری، هزینۀ افت قیمت دارایی‌های درحالِ فروش، هزینۀ ناشی از راکد‌شدن پژوهش و توسعه و اقلام غیرضروری، هزینه‌های غیرمستقیم کاهش تمرکز و بهره‌وری مدیران است.
هزینه‌های ناملموس دیگری که از درماندگی مالی نشئت می‌گیرد، دربارۀ بودجه‌بندیِ سرمایه و تأمین مالی است (Bearly et al., 2011). صاحبان سهام شرکت درماندۀ مالی برانگیخته می‌شوند تا پروژه‌های ریسکی و حتی با خالص ارزش فعلی منفی را برعهده بگیرند؛ زیرا ادعا دارند که این امر اساساً یک قرارداد اختیار معامله می‌شود. اگر شرکت ورشکست شود، آنها احتمالاً هرچه از ارزش سهام باقی مانده، از دست می‌دهند. بنابراین، قمارکردن با سرمایۀ صاحبان بدهی پیشنهاد جذابی به‌نظر می‌رسد؛ اما اگر پروژۀ ریسکی موفق شود، آنها سود پیش‌بینی‌‌شده را نگه می‌دارند. اگر شکست خورد، آنها فقط ارزش سهامی را از دست داده‌اند که بنا بوده از بین برود و باقی‌ماندۀ خسارت را صاحبان اوراق‌قرضه تقبل خواهند کرد. این استراتژی گمراهانۀ بودجه‌بندی سرمایه نه‌تنها بر شرکت درمانده، بلکه بر اقتصاد نیز هزینه تحمیل می‌کند؛ زیرا موجب انحراف در تخصیص بهینه منابع می‌شود.
هزینه‌های درماندگی مالی به نوع و ترکیب دارایی‌های در تملک نیز بستگی دارد. ارزش دارایی‌های ملموسی مانند اموال یا تجهیزاتی باکاربردهای متعدد تقریباً دست‌نخورده باقی می‌ماند؛ اما ارزش دارایی‌های ناملموسی مانند برند، سرمایۀ انسانی و فناوری‌های تخصصی کاهش می‌یابد و هزینه‌های درماندگی بالاتری را به‌وجود می‌آورند (Danilov, 2014).
پیشبینی درماندگی مالی و ورشکستگی را می‌توان در سطح بازار، صنعت و شرکت تحلیل‌کرد. پیشبینی در یک نوبت، مشکلات مالی یک شرکت را به‌خوبی نشان نمی‌دهد؛ زیرا هیچ اطلاعاتی دربارۀ روند شرکت ارائه نمی‌کند. اگرچه برای پیشبینی سقوط مالی به نتیجۀ پیش‌بینی‌های منفرد شرکتها نیاز است تا الگوهای معمولی معیار ورشکستگی را قبل از ثبت ورشکستگی شناسایی و تحلیل کرد و آنها را با یکدیگر مقایسه‌کرد؛ اما ضروری است که سه ساختار تکرارشونده را بررسی کرد. لومن و مولنوف (Lohmann & Möllenhoff, 2023) دریافتند که اول، تعداد ورشکستگی واقعی شرکتها با شیبی افزایشی درحالِ بیشتر‌شدن است. این افزایش شدید ناشی از تغییرات سریع دادههای شرکت است که پیشبینی متعدد و مستمر و پویایی را الزام‌آور کرده است. دوم، افزایش ورشکستگی‌های واقعی اخیر شرکتها ریسک ورشکستگی شرکتها را از متوسط صنعت مربوطه‌شان متفاوت کرده است؛ زیرا اخبار بد به یک شرکت خاص مربوط می‌شود تا صنعت آن شرکت. سوم، میزان ریسک ورشکستگی میزان معینی را همواره حفظ می‌کند و نوسان کمی دارد و همیشه تا زمانی‌که ورشکستگی شرکت رسماً ثبت شود، به‌طور چشمگیری بالاتر از یک نرخی معین باقی می‌ماند. با مشاهده، بررسی و تحلیل این سه ویژگی ساختاری تکرارشونده می‌توان با اطمینان بیشتری فرض کرد که این شرکت در آیندۀ نزدیک اعلام ورشکستگی خواهد کرد. بهره‌گیری از مجموعۀ دادههای چندسالۀ اندازه‌گیری ریسک ورشکستگی بینشی ارزشمند دربارۀ تغییرات در ریسک ورشکستگی تخمینی درطولِ زمان ارائه می‌کند. لومن و مولنوف (2023) دریافتند که اندازه‌گیری ریسک ورشکستگی درطولِ زمان با تغییر چولگی به‌سمتِ راست توزیع تغییر کرده و قبل از وقوع یک دورۀ رکود، با افزایش تعداد ورشکستگی‌های واقعی، انحراف‌معیار اندازه‌گیری ریسک ورشکستگی (به‌ویژه برای شرکت‌هایی که حداقل نوعی از نشانه‌های درماندگی مالی را نشان داده‌اند) افزایش یافته است. در گذشته، معیار ریسک ورشکستگی یک شاخص پیشرو بود که اطلاعات ریسک ورشکستگی معتبری را ارائه می‌کرد؛ اما در سال‌های گذشته، تفاوت فزاینده‌ای بین تعداد شرکت‌هایی که در دستۀ آسیب‌دیدۀ مالی طبقه‌بندی شدهاند و تعداد ورشکستگی‌های واقعی مشاهده می‌شود. بنابراین، بهتر است سه ویژگی ساختاری تکرارشوندۀ پیش‌گفته را بررسی کرد. درنتیجه، بینش ساختاری نهفته در پویایی اندازه‌گیری ریسک ورشکستگی اهمیت زیادی دارد و مصداق مثل معروفی است که می‌گوید «تنها زمانی‌که جزرومد از بین می‌رود، متوجه می‌شوید که چه‌کسی برهنه شنا کرده است». بنابراین، باید آزمون کرد و دریافت که چه روش یا روش‌هایی برای کشف درماندگی مالی در مراحل اولیۀ آن مناسب‌تر است. تجزیه‌وتحلیل‌های پویا بینش ارزشمندی را دربارۀ محدودۀ زمانی اثربخشی پیشبینی مدل‌ها ارائه می‌دهد.
مرور مبانی نظری نتایج متعددی را ارائه می‌کند و بر مواردی خاص تأکید دارد. برای مثال، ارزیابی درماندگی مالی و ورشکستگی شرکتها، به‌خصوص بعد از بحران‌ها و برای شرکت‌های کوچک و متوسط و طراحی مدلهای خاص پیشبینی برای آنها ضروری است. درماندگی مالی و ورشکستگی به نقض فرض تداوم فعالیت منجر می‌شود و نشانه‌های مالی، عملیاتی، حقوقی و مدلهای پیشبینی می‌تواند راهنمای پیشرو برای پیش‌گیری از بحران باشند. دو سنجۀ مهم ورشکستگی، زیان‌های متوالی بیش از 40% و کاهش ارزش سرمایه به کمتر از 50% است. ورشکستگی مقصد فرایندی شامل مراحل نهفتگی، کسری وجه نقد، درماندگی مالی و مرحله ورشکستگی است. انواع ورشکستگی گوناگون است و ورشکستگی‌عادی، ورشکستگی به تقصیر و ورشکستگی به تقلب را شامل می‌شود. دلایل ورشکستگی برونسازمانی یا درون‌سازمانی است و درک علل پیدایش آن احتمالاً درمان آن را تسهیل می‌کند. دو نظریۀ مهم مرتبط با ورشکستگی عبارت‌اند از: نظریۀ کنترل و نظریۀ پیشبینی و نظام حاکمیت و راهبری شرکتی برای تحقق دستاوردهای این دو نظریه توسعه یافته است؛ کنترل شرط لازم اما ناکافی برای پیش‌گیری از درماندگی مالی و ورشکستگی است. پیشبینی درماندگی مالی و ورشکستگی کاربردهای فراوان و گسترده‌ای دارد. درماندگی مالی و ورشکستگی موجب انحراف در تخصیص منابع و بودجه‌بندی سرمایه‌ای ناصحیح می‌شود. هزینه‌های درماندگی مالی به نوع و ترکیب دارایی‌های در تملک نیز بستگی دارند. بررسی پویای پیشبینی ریسک درماندگی مالی ضرورت دارد.
باتوجهبه موارد پیش‌گفته و بالا‌بودن هزینه‌های ناشی از درماندگی مالی و ورشکستگی، شناسایی و بررسی مدل‌ها و تکنیکهای پیشبینی درماندگی مالی در مراحل اولیه و انجام اقدامات لازم برای تداوم فعالیت ضرورت می‌یابد. با تخمین درماندگی مالی می‌توان برنامه‌ریزی لازم را برای جلوگیری از ورشکستگی شرکتها انجام داد و از تحمیل هزینه‌های ورشکستگی به شرکت و جامعه پیش‌گیری کرد (Khodakarimi & Piri, 2017). پژوهش‌های مروری بسیاری در ایران و سایر کشورها دربارۀ مدل‌سازی پیشبینی درماندگی مالی و ورشکستگی انجام شده است که در این پژوهش امکان بررسی همۀ آنها وجود ندارد. به همین دلیل، بخش مهمی از آنها در ایران و سایر کشورها طی سال‌های 1930 الی 2023 بررسی خواهد شد.
سیر تحول مدلهای پیشبینی درماندگی مالی و ورشکستگی
ادبیات مدلهای پیشبینی درماندگی مالی و ورشکستگی به دهۀ 1930 برمی‌گردد و مدل‌ها از تنوع زیادی دارند. در این پژوهش سیر تحول و تکامل این مدل‌ها از 1930 تا 2023 طی سه دورۀ گوناگون بررسی خواهد شد.
در پژوهش‌های اولیه از تحلیل نسبت‌های مالی برای پیشبینی ورشکستگی استفاده می‌شد و تا اواسط دهۀ 1960 بر تحلیل تکمتغیره متمرکز بود. گاهی این نسبت‌ها باهم مقایسه می‌شدند. طی دورۀ ۱۹۳۰-۱۹۶۵، پژوهش‌های نسبتاً کمی دربارۀ مدلهای پیشبینی ورشکستگی منتشر شد. دفتر پژوهش‌های بازرگانی[3] (Bureau of Business Research, 1930) نتایج تجزیهوتحلیل 24 نسبت شرکت‌های صنعتی ورشکسته را ارائه کرد. برای تعیین ویژگی‌های مشترک شرکت‌های ورشکسته، این نسبت‌ها با میانگین نسبت‌ها مقایسه شدند. آنها 8 نسبت را یافتندکه ویژگی مشترک شرکت‌های ورشکسته بود. این دفتر گزارش داد که نسبت سرمایۀ در گردش به کل دارایی‌ها شاخصی ارزشمندتر از نسبت جاری بوده است. فیتز پاتریک (Fitz Patrick, 1932) 13 نسبت 19 شرکت ورشکسته و 19 شرکت سالم را باهم مقایسه کرد و دریافت که در بیشتر موارد شرکت‌های سالم در مقایسه با نسبت‌های استاندارد و روند نسبت‌ها وضعیت مطلوبی را نشان دادند؛ درحالیکه این نسبت‌ها در شرکت‌های ورشکسته نامطلوب بودند. او دریافت که دو نسبت ارزش خالص بدهی و سود خالص به ارزش ویژه چشمگیر بودند. اسمیت و ویناکور (Smith & Winakor, 1935) نسبت‌های 183 شرکت ورشکسته از صنایع گوناگون را تجزیهوتحلیل کردند و دریافتند که نسبت سرمایۀ در گردش به کل دارایی‌ها پیش‌بینی‌کنندۀ بسیار بهتری در مقایسه با نسبت وجه نقد به کل دارایی‌ها و نسبت جاری برای نشان‌دادن مشکلات مالی است و با نزدیک‌شدن به ورشکستگی نسبت دارایی‌های جاری به کل دارایی‌ها کاهش یافته است. مروین (Merwin, 1942) با تمرکز بر تولیدکنندگان کوچک دریافت که ورشکسته‌ها 4 یا 5 سال قبل از ورشکستگی علائمی از ضعف خود را نمایان می‌کنند. نسبت‌هایی که شاخص‌های مهم کسب‌وکارهای ورشکسته بودند، عبارت بودند از: نسبت سرمایۀ در گردش خالص به کل دارایی‌ها، نسبت جاری و نسبت ارزش ویژه به کل بدهی‌ها. چودسوون (Chudson, 1945) در تلاش برای یافتن الگوی ساختاری نرمال، الگوهای ساختار مالی را بررسی کرد و هیچ الگوی نرمال و واحدی را در سطح کلی و اقتصادی برای ساختار مالی شرکتها نیافت. گرچه نگارنده در این پژوهش دربارۀ پیشبینی ورشکستگی بحث نکرده است، یافته‌هایش نشان داد مدل‌هایی که برای کاربرد عمومی در صنایع توسعه یافتهاند، ممکن است به‌اندازۀ مدلهای تخصصی تدوین‌شده برای آن صنعت کارا نباشند. جک‌ندوف (Jackendoff, 1962) نسبت‌های شرکت‌های سودآور و زیانآور را مقایسه کرد و دریافت که نسبت جاری و نسبت سرمایۀ در گردش خالص به کل دارایی‌ها در شرکت‌های سودآور بیشتر و نسبت بدهی کمتر از شرکت‌های غیرسودآور بوده است. این پژوهش‌ها نشان دادند که وخامت نسبت سرمایۀ در گردش به کل دارایی‌ها از شاخص‌های مهم سقوط مالی است. باوجودِ اهمیت نسبت جاری، پژوهش نشان داد که نسبت جاری به‌اندازۀ نسبت سرمایۀ در گردش به کل دارایی‌ها مفید نبوده است.
اولین پژوهش مستند دربارۀ درماندگی مالی، تجزیهوتحلیل تک‌‌متغیرۀ مبتنی بر جریان‌های نقدی توسط بیور (Beaver, 1966) است. او مقادیر میانگین 30 نسبت را در 6 گروه طبقه‌بندی و آنها را در 79 شرکت ورشکسته و 79 شرکت سالم از 38 صنعت مقایسه کرد. درنهایت، دریافت که یک سال قبل از ورشکستگی، نسبت درآمد خالص به کل بدهی‌ها بالاترین توانایی پیشبینی (با 92% دقت) را دارد و پس از آن، نسبت‌های درآمد خالص به فروش (با 91% دقت) درآمد خالص به ارزش ویژه، جریان نقدی به کل بدهی و جریان نقدی به کل دارایی‌ها (هر یک با دقت 90٪) قرار دارند. نتایج نشان داد که شرکت‌های درماندۀ مالی در مقایسه با شرکت‌های سالم جریان نقدی و دارایی‌های نقدشوندۀ کمتری داشتند و توانایی‌کمتری را در انجام تعهدات و تمایل بیشتری به اخذ وام نشان دادند. بیور نشان داد که درنظرگرفتن هم‌زمان چندین نسبت می‌تواند توانایی پیشبینی بالاتری را در مقایسه با یک نسبت فردی به‌همراه داشته باشد. در این شرایط تکامل مدلهای پیشبینی ورشکستگی آغاز شد.
اگرچه بعد از بیور هم پژوهش‌های تک‌‌متغیرۀ متعددی نظیر پینچس و همکاران (Pinches et al., 1975) و چن و شیمردا (Chen & Shimerda, 1981) انجام شد، اما از این نقطه به بعد تمرکز مقالات بر مدلهای چندمتغیره قرار گرفت. اولین و معروف‌ترین مدل پیشبینی چندمتغیره را آلتمن (Altman, 1968) ارائه کرد. او با استفاده از تکنیک تحلیل تمایزی چندگانه از میان 22 نسبت مالی 5 نسبت را بهترین پیش‌بینی‌کنندۀ شرکت‌های تولیدی معرفی کرد. مدل Z-score آلتمن برای نمونۀ اولیه یک سال قبل از ورشکستگی توانایی پیشبینی بالایی (دقت 95%) داشت. بااین‌حال، توانایی پیشبینی مدل در 2، 3، 4 و 5 سال قبل از ورشکستگی به‌ترتیب به 72%، 48%، 29% و 36% رسید؛ یعنی با افزایش دورۀ پیشبینی، دقت پیش‌بینی‌ها کاهش یافته است. در ادبیات پژوهش توجه بسیاری به پژوهش‌های تک‌‌متغیرۀ بیور و چندمتغیرۀ آلتمن شد.
از زمان پژوهش آلتمن تاکنون، تعداد و پیچیدگی مدلهای پیشبینی درماندگی مالی و ورشکستگی به‌طور چشمگیری افزایش یافت. بعد از بیور وآلتمن، یک پژوهش دیگر (Daniel, 1968) نیز به چشم می‌خورد. بااین‌حال، رشد تعداد مقالات از اواخر دهۀ 1960 شدت گرفت. اگرچه ازلحاظِ کاربردی‌بودن، تکنیک تجزیهوتحلیل تمایزی در مراحل اولیۀ پیشبینی درماندگی مالی روشی بسیار محبوب بود؛ اما با پیشرفت فناوری این تکنیک با تکنیکهای آماری دیگری نظیر رگرسیون لوجیت، رگرسیون پروبیت و مدل احتمال خطی جایگزین شد. اولسون (Ohlson, 1980) پیش‌گام استفاده از رگرسیون لوجیت است. برخی از پژوهشگران از چند تکنیک شامل تحلیل تمایزی چندمتغیره و تحلیل لوجیت (Mensah, 1983) و برخی دیگر از تجزیهوتحلیل پروبیت و نسبت‌های مالی برای پیشبینی استفاده کردند (Zmijewski, 1984). بوریتز و کندی (Boritz & Kennedy, 1995) نیز مدل شبکۀ عصبی 14 عاملی را برای پیشبینی طراحی کردند. به‌نظر می‌رسد در این دوران لوجیت روشی بسیار محبوب و پرکاربرد در پیشبینی بوده است (Balcaen & Ooghe, 2006).
تعریف ورشکستگی در ادبیات پژوهش بسیار مهم است؛ زیرا مقایسه‌پذیری پژوهش‌ها را افزایش می‌دهد. اما در پژوهش‌های پیشبینی در این دوره از مجموعۀ متنوعی از تعاریف ورشکستگی استفاده شده است. بسیاری از پژوهش‌ها ورشکستگی را انحلال و دیگران آن را ناتوانی در پرداخت تعهدات مالی تعریف کرده‌اند. برخی پژوهش‌ها نیز تعریفی از آن برای پژوهش خود ارائه نکرده‌اند (Karels & Prakash, 1987).
در پژوهش‌ها فرض می‌شود که مدلهای پیشبینی برای شرکت‌های تولیدی و خرده‌فروشی‌های متوسط تا بزرگ توسعه یافتهاند و تخصصی نیستند، درحالیکه چنین نیست. برای مثال، آلتمن (Altman, 1968) مدلی را برای پیشبینی ورشکستگی واحدهای تولیدی توسعه داد، ادمیستر (Edmister, 1972) مدلی را برای کسب‌وکارهای کوچک ارائه کرد، مدل سینکی (Sinkey, 1975) برای بانک‌ها طراحی شد و مدل وانگ (Wang, 2004) برای شرکت‌های اینترنتی بود. دستۀ اول 18 مدل از محبوب‌ترین مدلهای متمرکز یا تخصصی است که بانک‌ها یا سازمان‌های پس‌انداز و وام از آنها برای پیشبینی ورشکستگی استفاده کردند (Meyer & Pifer, 1970; Sinkey, 1975; Hanweck, 1977; Martin, 1977; Santomero, & Vinso, 1977; Pettway& Sinkey, 1980; Rose & Kolari, 1985; Lane et al., 1986; Pantalone & Platt,1987a; Pantalone & Platt,1987b; Bell et al., 1990; Espahbodi, 1991; Tam, 1991; Salchenberger et al., 1992; Tam & Kiang, 1992; Martin-deI-Brio & Serrano-Cinca, 1995; Henebry, 1996; Altman, 2000). دستۀ دوم 13 مدل از محبوب‌ترین مدلهای متمرکز برای شرکت‌های تولیدی بودند (Altman, 1968; Taffler, 1984; Diamond, 1976; Mensah, 1983; Appetiti, 1984; Zavgren, 1985; Theodossiou, 1991; Arkaradejdachachai, 1993; Tsukuda & Baba, 1994; Refenes 1995; Sung et al., 1999; Zhang et al., 1999; Grover, 2003). سپس مدل‌هایی برای صنایع منحصربه‌‌فردتری درزمینۀ شرکت‌های مهمان‌داری ((Gao, 1999، شرکت‌های کامپیوتری/ نرم‌افزار (Shah & Murtaza, 2000)، کازینو (Patterson, 2001) و شرکت‌های اینترنتی (Wang, 2004) توسعه یافت. گرچه هیچ الگوی واقعی‌ای برای توسعۀ مدلهای متمرکز مقابل مدلهای عمومی یافت نشد؛ اما تمایل به مدلهای متمرکز رو به افزایش است.
طی این دوره، ازلحاظِ پراکندگی جغرافیایی، اکثر مدل‌ها برای شرکت‌های آمریکایی ایجاد شدهاند، اگرچه چند پژوهش مدل‌هایی را برای شرکت‌های غیرآمریکایی نیز ایجاد کرده است. برای مثال، تافلر (Taffler, 1984) مدل‌هایی را برای شرکت‌های بریتانیایی ارائه‌کرد. از حیث انواع مدل‌ها، از سال 1968 تا 2007 روش‌های اولیه‌ای که برای توسعۀ مدل استفاده شده است، عبارت بودند از: تجزیهوتحلیل تمایزی چندمتغیره، لاجیت، پروبیت و شبکه‌های عصبی. مدلهای چندمتغیرۀ اولیه تا حد زیادی با استفاده از تجزیهوتحلیل تمایزی چندمتغیره توسعه یافتهاند. اگرچه لاجیت و پروبیت در اواخر دهۀ 1970 توسعه یافتند؛ اما تا اواخر دهۀ 1980 ازنظرِ محبوبیت به سطح تجزیهوتحلیل تمایزی چندمتغیره نرسیدند. لاجیت و پروبیت هر دو احتمال ورشکستگی شرکت را درنظر می‌گیرند؛ اما تفاوت اصلی این دو روش در این است که تحلیل پروبیتی به تخمین غیرخطی نیازمند است (Dimitras et al., 1996). اواخر دهۀ 1980 شبکه‌های عصبی ظهور یافتند و در دهۀ 1990 به روش‌هایی متداول تبدیل شدند. شبکه‌های عصبی برای تقلید از تابع تشخیص الگوی انسانی طراحی شدهاند Anandarajan et al., 2004)). انواع گوناگونی از روش‌های شبکۀ عصبی وجود دارد. شبکه‌های عصبی ورودی‌ها را برای یافتن الگوها و توسعۀ مدلی با قابلیت فرآیند تصمیم‌گیری تجزیهوتحلیل می‌کنند. چندین مورد نمونه درطولِ حالت آموزش اجرا می‌شود که طی آن شبکه فرآیند تصمیم‌گیری را یاد می‌گیرد.
در این دوره تعداد متغیرهای مدل‌ها بین 1 تا 57 در نوسان بوده است. جمعاً 752 عامل در پژوهش‌ها استفاده شده است. رایج‌ترین متغیری که در 54 پژوهش برای مدلهای چندگانه استفاده شد، نسبت درآمد خالص به کل دارایی‌ها (بازده دارایی‌ها) بوده است. دومین متغیری که در 51 پژوهش استفاده شده است، نسبت جاری است. برخی از پژوهش‌ها از 5 متغیر موجود در مدل چندمتغیره اصلی آلتمن (1968) استفاده کردند (Coats & Fant, 1992; Guan, 1993; Nour, 1994; Wilson & Sharda, 1994; Serrano-Cinca, 1996). در سال‌های منتهی به 2007 تعداد متغیرها نوساناتی داشته است؛ اما میانگین تعداد آنها تقریباً در حدود 8 الی 10 ثابت مانده است. در این دوره برای 16 مدل با 100٪ دقت تعداد متغیرها از 2 تا 21 متغیر در نوسان بود. مدلهای دومتغیره دامنۀ دقت پیشبینی بین 86% تا 100% داشتند. برخی مدل‌ها تعداد متغیرهای بسیار بالاتری داشتند. برای مثال، مدل جو و همکاران (Jo et al., 1997) با 57 عامل دقت 86% و مدل آپ‌تی‌تی (Appetiti, 1984) با 47 عامل دقت 92% داشتند. این نتایج نشان داد که تعداد بیشتر عوامل لزوماً تضمین‌کنندۀ توانایی پیشبینی بالاتر نبوده است. تحلیل بهبود توانایی پیشبینی مدل‌ها با استفاده از تحلیل حساسیت یا حذف متغیرهای کم‌اهمیت و برپایی و حل دوبارۀ مدل‌ها نیز برای تعیین اهمیت متغیرها گزینۀ مناسبی خواهد بود.
جونز (Jones, 1987) ضرورت روش اعتبارسنجی مناسب هنگام توسعه و آزمایش مدلهای پیشبینی ورشکستگی و پیشنهاد استفاده از نمونۀ مستقل برای آزمایش اعتبار بیرونی پژوهش‌ها را مطرح کرد. دربارۀ دقت مدل ادبیات پیشبینی ورشکستگی به خطاهای نوع I و نوع II اشاره می‌کند. خطای I طبقه‌بندی اشتباه شرکت‌های ورشکسته به‌عنوانِ غیرورشکسته است و خطای II طبقه‌بندی شرکت‌های غیرورشکسته به‌اشتباه به‌عنوانِ شرکت‌های ورشکسته است. به دلایل متعددی مثل ازدستدادن کسب‌وکار، آسیب به شهرت یک شرکت و دعاوی حقوقی بالقوه، هزینه‌های دادگاه، خطاهای I پرهزینه‌تر از خطاهای II هستند ((Koh, 1987. در پژوهش‌های متعددی در این دوره مدلهای تحلیل تمایزی چندمتغیره و شبکه‌های‌عصبی بالاترین دقت‌ها را ارائه کردند. میزان موفقیت تحلیل لوجیت نیز در پژوهش دامبولنا و شولمن (Dambolena & Shulman, 1988) به تأیید رسید؛ اما روشی که بهترین محدودۀ دقت را داشته (از 71٪ تا100٪)، شبکۀ عصبی بوده است. این نتایج نشان می‌دهد که تحلیل تمایزی چندمتغیره و شبکه‌های عصبی امیدوارکننده‌ترین روش‌ها برای مدلهای پیشبینی ورشکستگی تا سال 2007 بود.
توانایی پیشبینی مدل‌ها بسته به روش و طول دورۀ زمانی پیشبینی نیز متفاوت بوده است. بدیهی است مدلی که زودتر ورشکستگی را پیشبینی کند، مدل باارزش‌تری است. در پیشبینی ورشکستگی بازۀ زمانی پیشبینی مهم است. بیشتر دقت‌هایی که تاکنون دربارۀ آنها توضیحاتی آمد، نرخ‌های دقت به‌دست‌آمده برای یک سال قبل از ورشکستگی بوده است. برخی از مدل‌ها می‌توانند ورشکستگی را خیلی زودتر پیش‌بینی‌کنند. برای مثال، مدل دیکین (Deakin, 1977) توانست ورشکستگی را دو سال قبل از تحقق آن با دقت 96% پیشبینی کند. مدل داویر (Dwyer, 1992) نیز از سه سال قبل ورشکستگی را با دقت 97% پیش‌بینی‌کرد. ال‌هناوی و موریس (Elhennawy & Morris, 1983) توانستند ورشکستگی را از پنج سال قبل با دقت 100% پیشبینی کنند.
توانایی پیشبینی یک مدل ممکن است تحت‌تأثیر استفاده از آزمایش‌های یک نمونه قرار بگیرد. نتایج برآورد نمونه بهتر است؛ زیرا مدل براساسِ آن نمونه محاسبه و تنظیم می‌شود. بنابراین، اعتبار یک مدل با آزمایش آن بیشتر می‌شود. پژوهش نمونه‌ای که دقت 100٪ را براساسِ آزمایش‌های نمونه به دست آوردند، عبارت‌اند از: می‌یر و پریف (Meyer & Pifer, 1970) با استفاده از روش احتمال خطی، آیزان (Izan, 1984)، تاکاهاشی و همکاران (Takahashi et al., 1984) و فریدمن و همکاران (Frydman et al., 1985) با استفاده از روش تحلیل تمایزی چندمتغیره و مسیر و هانسن (Messier & Hansen, 1988) و گوآن (Guan, 1993) و تیودوسیو (Theodossiou, 1993) و تسوکودا و بابا (Tsukuda & Baba, 1993) با استفاده از شبکۀ عصبی.
بلوواری و همکاران (Bellovary et al., 2007) با بررسی 165 پژوهش پیشبینی ورشکستگی دریافتند که تجزیهوتحلیل تمایزی چندگانه پرکاربردترین روش‌ها طی سال‌های 19۶0-19۷0 بوده است. سپس در سال‌های 19۸0-19۹0 پژوهشگران بیشتر به استفاده از تحلیل لاجیت و شبکه‌های عصبی روی آوردند. در ایران نیز این پژوهش‌ها از سال 1380 شمسی (2001) به‌تدریج آغاز شد و گسترش یافت.
پیندادو و همکاران با استفاده از نسبت سودآوری، هزینه‌های مالی و سود انباشته، مدلی برای اندازه‌گیری احتمال درماندگی مالی ارائه کردند (Pindado et al., 2008). اعتمادی و همکاران با استفاده برنامه‌ریزی ژنتیکی و دادههای 144 شرکت ورشکسته و سالم ایرانی بورس تهران اقدام به مدل‌سازی پیشبینی ورشکستگی کردند (Etemadi et al., 2009). مدل ژنتیکی آنها به‌ترتیب 94% و 90% دقت را در نمونه‌های آموزشی و نگهداری به دست آورد. سلمی و همکاران با استفاده از نسبت‌های مالی یک نمونۀ 212 تایی از شرکت‌های کوچک و متوسط فرانسه درماندگی مالی را پیشبینی کردند (Mselmi et al., 2017). نتایج نشان داد که شرکت‌های درماندۀ مالی کوچک‌تر و اهرمی‌تر بودند و نقدینگی، سودآوری و ظرفیت بازپرداخت کمتری داشتند. چیارمونت و کاسو باتوجهبه شواهدی از شرکت‌های اروپایی دریافتند که با بهبود وضعیت نقدینگی و نسبت‌های مالکانه و سرمایه، احتمال درماندگی مالی کاهش می‌یابد (Chiaramonte & Casu, 2017). احمد مروری بر رابطۀ بین حاکمیت شرکتی و درماندگی مالی به عمل آورد (Ahmad, 2018). کمالی‌رضایی و همکاران (2019) رابطۀ بین مسئولیت اجتماعی شرکتی و احتمال ورشکستگی شرکتها و نقش تعدیل‌کنندگی ساختار بازار رقابت، سرمایۀ فکری و هزینۀ حقوق صاحبان سهام این رابطه را در بورس تهران طی دورۀ 20۰۹-20۱۶ بررسی کردند. آنها دریافتند که مسئولیت اجتماعی شرکتی رابطۀ معکوسی با احتمال ورشکستگی دارد و وقتی ساختار بازار به‌سمتِ انحصاری‌شدن حرکت می‌کند، به‌دلیلِ هزینه‌های بالای ورود به صنعت برای سایر شرکتها، احتمال ورشکستگی نیز کاهش می‌یابد. طهماسبی و همکاران (2020) با استفاده از تکنیک دادهکاوی مدلی را برای پیشبینی ورشکستگی شرکت‌های ایرانی ارائه کردند. مرادی شهدادی و همکاران (2020) نیز اثرات سرمایۀ فکری بر نقدینگی و احتمال ورشکستگی در بورس اوراق بهادار تهران را بررسی کردند و دریافتند که نقدشوندگی دارایی‌ها و سهام بر وضعیت نقدینگی تأثیر مثبتی دارد. همچنین، نشان دادند که نقدینگی نیز به‌نوبۀ خود تأثیر معکوسی بر احتمال ورشکستگی دارد.
پژوهش‌ها درزمینۀ مدل‌سازی برای پیشبینی درماندگی مالی و ورشکستگی در جهان ادامه دارد. در دورههای اخیر منتهی به انتهای نیمۀ سال 2023 پژوهشگران علاوه‌بر مدلهای آماری، به‌طور گسترده از مدلهای هوش مصنوعی و روش‌های یادگیری ماشین استفاده کرده‌اند که عملکرد بهتری نسبت‌به روش‌های آماری داشته‌اند. برای مثال، کائو و همکاران (Cao et al., 2022) یکی از روش‌های یادگیری ماشین به نام مدل شبکۀ بیزی، دوبه و همکاران (Dube et al., 2023) از روش هوش مصنوعی با استفاده از شبکه‌های عصبی مصنوعی، ژائو و همکاران (Zhao et al., 2023)، چن و همکاران (Chen et al., 2023) و نگوین و همکاران (Nguyen et al., 2023) از روش‌های یادگیری ماشین برای پیشبینی درماندگی مالی بهره برده‌اند. ماشینِ بردارِ پشتیبان، جنگل تصادفی، ماشین تقویت‌گرادیان، افزایش تقویت گرادیان طبیعی برای پیشبینی احتمالی از روش‌های یادگیری ماشین هستند که برای پیشبینی استفاده شدهاند.
طی این دوره، پژوهش‌های فراوانی در ایران ثبت شد. برای مثال، محمدزاده و نوفرستی (2009) قدرت پیشبینی مدلهای آلتمن و اسپیرینگیت را بررسی کردند. نتایج نشانگر دقت 88% و 91% برای یک سال قبل از ورشکستگی، دقت 80% و 94% برای دو سال قبل از ورشکستگی به‌ترتیب برای مدلهای اسپرینگیت و آلتمن بوده است. دقت مدل آلتمن نیز از مدل اسپرینگیت بالاتر بوده است. رهنمای رودپشتی و همکاران (2009) مدلهای پیشبینی ورشکستگی آلتمن و فالمر را در بورس تهران طی دورۀ 13۷۹-13۸۳ بررسی کردند و تفاوت معناداری بین نتایج دو مدل یافتند و متوجه شدند که مدل آلتمن در پیشبینی ورشکستگی از مدل فالمر محافظه‌کارانه‌تر عمل می‌کند، به این معنی که شرکت‌هایی که مدل فالمر آنها را ورشکسته محسوب می‌کند، مدل آلتمن نیز آنها را ورشکسته می‌داند؛ اما مدل آلتمن 6 شرکت را ورشکسته می‌داند که مدل فالمر آنها را سالم می‌دانسته است.
سعیدی و آقایی (2009) با استفاده از شبکۀ بیز درماندگی مالی شرکت بورس تهران را پیشبینی کردند و به دقت پیشبینی بالایی دست یافتند. نیکبخت و شریفی (2010) مدل شبکه‌های عصبی مصنوعی را برای پیشبینی ورشکستگی مالی شرکت‌های بورس تهران ارائه کردند. قدیری مقدم و همکاران (2009) توانایی مدلهای پیشبینی ورشکستگی آلتمن و اولسون در پیشبینی ورشکستگی شرکتها را بررسی کردند و دریافتند که مدل اولسون و مدل استخراخ‌شده با روش رگرسیون لجستیک دقت بالاتری را در پیشبینی نشان می‌دهد. انواری‌رستمی و همکاران (2010) در مقایسه‌ای توانمندی مدلهای شبکۀ عصبی و الگوریتم ژنتیک در پیشبینی ورشکستگی شرکت‌های بورس تهران را بررسی کردند. روش شبکۀ عصبی دقت 6/93% درگروه آموزش، 85% در گروه آزمایش و دقت کلی 6/91% را نشان داد؛ اما دقت مدل الگوریتم ژنتیک در گروه آموزشی 8/98%، در گروه آزمایش 5/70% و درکل 93% بوده است. نتیجه برتری مدل ژنتیک بر مدل شبکۀ عصبی را تأیید می‌کند. قدرتی و معنویمقدم (2010) دقت مدلهای پیشبینی ورشکستگی آلتمن، شیراتا، اولسون، زمیجوسکی، اسپرینگیت، سی‌ای‌اسکور، ژنتیک فرج‌زاده و ژنتیک مک‌کی را در بورس تهران بررسی کردند. نتایج نشانگر برتری مدلهای هوش‌مصنوعی (الگوریتم ژنتیک فرج‌زاده) نسبت‌به کلیه مدلهای این بررسی بوده است. فیروزیان و همکاران (2011) کاربرد الگوریتم ژنتیک در پیشبینی ورشکستگی و مقایسۀ آن با مدل Z آلتمن در بورس تهران را بررسی کردند. مقایسۀ نتایج این دو مدل نشان داد که مدل الگوریتم ژنتیک توانست به‌طور میانگین در یک و دو سال قبل از سال ورشکستگی به دقتی معادل %90 و 5/91% دست یابد؛ اما مدل Z آلتمن دقتی معادل %32 و 83% را نشان داد. اعتمادی و زندی (2013) با استفاده از ترکیب اجزای صورت جریان وجوه نقد در مدل رگرسیون لجستیک بحران مالی شرکت‌های بورس تهران را پیشبینی کردند و دریافتند که اطلاعات جریان‌های نقدی بهتر از نسبت‌های مالی دیگر در افزایش دقت پیشبینی مدلهای پیشبینی درماندگی مالی مؤثرند. احمدپور و میرزایی اسرمی (2013) مدل تحلیل تمایزی چندگانه را با مدل شبکه‌های عصبی مقایسه کردند. نتایج بررسی نشاندهندۀ توان پیشبینی بالای مدل شبکه‌های عصبی بوده است. دقت مدل تحلیل تمایزی چندگانه در تشخیص ورشکسته‌ها 3/96% و سالم‌ها 6/90% بوده است؛ اما دقت مدل شبکۀ عصبی در تشخیص ورشکسته‌ها 100% و غیرورشکسته‌ها 4/98% بوده است که نشان از برتری مدلهای شبکۀ عصبی بر مدلهای تحلیل‌تمایزی چندگانه دارد. افشاری و خلیفه (2014) براساسِ دادههای 138۰-138۶ بورس تهران و استفاده از مدل زمیجوسکی ورشکستگی را پیشبینی کردند. نتایج بررسی یک و دو سال از مبنای شرکت‌های مشمول و غیرمشمول مادۀ 412 قانون تجارت نشان داد که یک سال قبل از سال مبنا با 6% خطا و در دو سال قبل از سال مبنا با 8% خطا شرکت‌های غیرمشمول مادۀ 412 را درست طبقه‌بندی کردند. درمقابل، برای طبقه‌بندی شرکت‌های مشمول مادۀ 412 مدل با 21% خطا در یک سال قبل و 52% خطا در دو سال قبل از سال مبنا شرکتها را درست طبقه‌بندی کرده است.
هرچه از سال مبنا دورتر شد، دقت مدل به‌خصوص برای شرکت‌های مشمول مادۀ 412 (درماندۀ مالی) کاهش می‌یابد. کردستانی و همکاران (2014) توان پیشبینی مدل تعدیل‌شدۀ آلتمن را در پیشبینی ورشکستگی شرکت‌های بورس تهران ارزیابی‌کردند. براساسِ دادههای 56 شرکت ورشکسته و 56 شرکت سالم برای سال‌های 13۷۴-13۹۰ دریافتند که مدل تعدیل‌نشدۀ آلتمن بیش از 50% شرکت‌های درمانده‌ای که در دوران قبل از ورشکستگی قرار دارند و 18% از شرکت‌های سالم را ورشکسته اعلام می‌کند؛ درحالیکه الگوی تعدیل‌شدۀ آلتمن ورشکستگی شرکتها را در سال ورشگستگی با دقت 95% و در یک، دو و سه سال قبل از ورشکستگی به‌ترتیب با دقت 63%، 91% و 96% پیشبینی کرد. راموز و محمودی (2017) با استفاده از مدل ترکیبی (استفاده از متغیرهای حسابداری و بازاری) و تکنیک شبکه‌های عصبی پرسپترون چندلایه اقدام به پیشبینی ورشکستگی در بورس تهران کردند. نتایج نشان داد که ابتدا مدل ترکیبی و سپس مدلهای مبتنی بر دادههای بازار و در انتها مدل مبتنی بر دادههای حسابداری توان پیشبینی بالایی داشتند. خداکریمی و پیری (2017) دریافتند که 5 متغیر (نسبت جاری، فروش به کل دارایی‌ها، سود انباشته به کل درایی‌ها، مازاد بازده سهام در دورۀ گذشته و نسبت قیمت به ارزش دفتری هر سهم) ارتباطی معکوس و دو متغیر (نسبت کل بدهی‌ها و انحراف بازده سهام) ارتباطی مستقیم با احتمال وقوع درماندگی مالی دارند. خواجوی و قدیریان‌آرانی (2018) نقش توانایی‌های مدیریت در پیشبینی بحران مالی را بررسی کردند و دریافتند که افزودن توانایی مدیریت به الگوهای پیشبینی بحران مالی دقت پیشبینی را افزایش می‌دهد. خدادادی و همکاران (2017) باتوجهبه اثرگذاری ریسک ورشکستگی بر سود حسابداری و فرض تداوم فعالیت، نشان دادند که لحاظ‌کردن ریسک ورشکستگی در مدل اولسون موجب بهبود توان الگوهای پیشبینی و ارزشیابی اولسون در دورۀ تخمین 5 و 10 ساله می‌شود.
ستایش و اذنب (2019) با استفاده از الگوریتم علف‌های هرز مدلی را برای پیشبینی ورشکستگی ارائه دادند و کارایی آن را با مدل Z آلتمن مقایسه کردند و برتری مدل مبتنی بر الگوریتم علف‌های هرز را نشان دادند. الگوریتم کرم شب‌تاب که یکی از الگوریتم‌های فراابتکاری جدید با الهام از موجودات زیستی برای مسائل بهینه‌سازی است و کریشناناناند و قوس (Krishnanand & Ghose, 2005) آن را ارائه کردند، از رفتار چشمک‌زن کرم‌های شب‌تاب در شب الهام گرفته شده است. بیات و همکاران (2018) با استفاده از الگوریتم کرم شب‌تاب ورشکستگی شرکتها را پیشبینی کردند. نتایج حاکی از پیش‌بینی‌هایی با دقت 12/%95 برای سال اول، 36/85% برای سال دوم و 48/80% برای سال سوم بوده است. طهماسبی و همکاران (2018) با استفاده از مدلهای تحلیل عاملی، درخت تصمیم و رگرسیون لجستیک ریسک درماندگی مالی شرکت‌های بورس تهران را پیشبینی کردند. طهماسبی و همکاران (2019) با استفاده از تکنیک دادهکاوی محتوای اطلاعاتی شاخص‌های سرمایۀ فکری و عملکرد مالی را در پیشبینی درماندگی مالی بررسی کردند. ناظمی اردکانی و همکاران (2018) با استفاده از درخت تصمیم مادۀ 141 قانون تجارت و دادههای سال‌های 1380 الی 1392 برای صنایع خودرو و ساخت قطعات، محصولات شیمیایی و محصولات غذایی به‌جز قند و شکر، اقدام به طراحی الگوی پیشبینی ورشکستگی خاص هر صنعت کردند. نتایج پژوهش دقت پیشبینی بالای 95/95%، 83/96% و 83/97% را برای صنایع خودرو و ساخت قطعات، محصولات شیمیایی، محصولات غذایی به‌جز قند نشان می‌دهد. عاطفی‌فر و فتحی (2020) اثربخشی شاخص‌های سلامت مالی و بحران مالی بانکی را با به‌کارگیری مدلهای لاجیت چندمتغیره در بانک‌های پذیرفته‌شده در بورس تهران بررسی کردند. روستا و همکاران (2023) تأثیرات درماندگی مالی بر ورشکستگی شرکت‌های بورس تهران را بررسی کردند. حسینی و همکاران (2023) با استفاده از مدل تعدیل‌شدۀ آلتمن و شبیه‌سازی مونت‌کارلو، حساسیت شاخص ورشکستگی را نسبت‌به متغیرهای مالی درطولِ چرخۀ عمر شرکتها طی سال‌های 1390 الی 1400 تجزیهوتحلیل کردند و دریافتند که شاخص ورشکستگی در تمامی مراحل عمر شرکت، به‌استثنای مرحلۀ افول، نسبت‌به شاخص‌های سود قبل از کسر بهره و مالیات به کل دارایی‌ها، ارزش دفتری حقوق صاحبان سهام به ارزش دفتری کل بدهی‌ها، فروش به کل دارایی‌ها حساسیت زیاد و نسبت‌به شاخص‌های سرمایه در گردش به‌کل دارایی‌ها و سود انباشته به‌کل دارایی‌ها حساسیت کمتری نشان می‌دهد. ترکمن و نجفی (2023) با ترکیب مدلهای دادهکاوی مبتنی بر جریمۀ دسته‌بندی نادرست و دادههای 5 نسبت مالی 150 شرکت بورس تهران در بازۀ 10 ساله 13۸۹-13۹۸ ورشکستگی شرکتها را پیشبینی کردند. آنها پس از برآورد پارامترهای بهینه و اعتبارسنجی مدل با استفاده از دادههای آزمایشی، با مقایسۀ مدل پیشنهادی و مدلهای کلاسیک دریافتند که مدل ترکیبی k- نزدیک‌ترین همسایه و ماشینِ بردارِ پشتیبان خطای کلی پیشبینی را کاهش داده است. عباسیان و همکاران (2023) با افزودن متغیرهای شبکۀ مالی به مدل درخت تصمیم تقویت گرادیانی که الگوریتم بهبود‌یافتۀ گرگ خاکستری پارامترهای آن را بهینه کرده است، توان پیشبینی درماندگی مالی مدل را ارزیابی کردند. نتایج حاصل از اجرای این مدل در پیشبینی درماندگی مالی 123 شرکت تولیدی بورس و فرابورس ایران در دورۀ 2015 الی 2021 نشان داد که مدل پیشنهادی ازلحاظِ دقت و خطای نوع اول در مقایسه با دو مدل k نزدیک‌ترین همسایه و رگرسیون لجستیک عملکرد بهتری دارد.
دسته‌بندی مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی
بهطورکلی، پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی را می‌توان به 5 گروه تقسیم کرد: گروه اول پژوهش‌هایی هستند که برای تکمیل جنبه‌های نظری ورشکستگی انجام شدهاند؛ گروه دوم پژوهش‌های خود را بر شناسایی مناسب‌ترین متغیرهای پیشبینی ورشکستگی متمرکز کردند؛ گروه سوم به یافتن مؤثرترین روش‌ها، مدل‌ها و تکنیکهای تجربی برای پیشبینی ورشکستگی همت گماشته‌اند (Latinen & Kankaanpaa, 1999) ؛ گروه چهارم شامل سایر مدل‌هاست و گروه پنجم مدلهای ترکیبی را شامل می‌شود. برخی از پژوهشگران نظیر دیمیتراس و همکاران[4] (1996)، جونز[5] (1987) و کومار و راوی[6] (2007) نیز بررسی خوبی دربارۀ روش‌های پیشبینی ورشکستگی داشته‌اند. مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی شرکتها را می‌توان به‌شرح جدول 1 به پنج دسته تقسیم کرد. جدول 1 عناوین اصلی و برخی از عناوین فرعی این مدل‌ها را با برخی از پژوهش‌های نمونه در ایران و سایر کشورها نشان می‌دهد.
جدول (1) چارچوبی برای دسته‌بندی پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی
Table (1) A framework for categorizing researche on predicting financial helplessness and bankruptcy
|
1. مدل‌ها و تکنیکهای نظری |
|||
|
1.1 معیارهای تفکیک ترازنامه، نظریۀ آنتروپی |
|||
|
2.1 نظریۀ ویرانۀ قمار |
|||
|
3.1 نظریۀ مدیریت نقدی |
(Bukovinsky, 1993; Aziz et al., 1988; Laitinen & Laitinen, 1998) |
||
|
4.1 نظریۀ ریسک اعتباری |
|||
|
2. مدل‌ها و تکنیکهای آماری |
|||
|
1.2 مدلهای آماری تکمتغیره |
(Fitzpatrick, 1931; Ransmer & Foster, 1931*; Merwin, 1942*; Walter, 1957*; Beaver, 1966) |
||
|
2.2 مدلهای آماری چندمتغیره |
(Altman, 1968; Karels & Prakash, 1987; Theodossiou, 1993; Shariatpannahi & Shorabi Araghi, 2006; Atefifar & Fathi, 2020) |
||
|
1.2.2 تحلیل تمایزی چندگانه |
(Altman, 1968; Deakin, 1972; Edmister, 1972; Blum, 1974; Moyer, 1977; Altman, Halderman & Narayanan, 1977; Altman, 1983*; Booth, 1983; Fulmer, Moon, Gavin & Erwin, 1984; Casey, 1985; Lawrence, 1986*; Aziz, Emanual & Lawso, 1988*; Altman, 1993; Altman, 2000; Grice & Ingram, 2001*) |
||
|
2.2.2 احتمال خطی |
|||
|
3.2.2. رگرسیون لاجیت و پروبیت |
(Martin, 1977; Ohlson, 1980; Rose & Giroux, 1985; Zavgren, 1985; Gentry, Newbold & Whitford, 1985*; Koh, 1987; Lau, 1987*; Platt & Platt, 1990*; Koh, 1991*; Lynn & Wertheim, 1993*; Johnson & Melicher, 1994*; Barniv, Hathorn, Mehrez & Kline, 1999*; Lennox, 1999*; Barniv, Mehrez & Kline, 2000*; Jones & Hensher, 2004; Shakri, 2012; Khodakarimi & Piri, 2017; Atefifar & Fathi, 2020) |
||
|
4.2.2 مجموع تجمعی |
|||
|
5.2.2 فرایندهای تعدیل جزئی |
(Laitinen & Laitinen, 1998) |
||
|
3. مدل‌ها و تکنیکهای هوشمند |
|||
|
1.3 درخت تصمیم |
(Abbasian et al., 2023; Tahmasebi et al., 2018; Nazemi Ardakani, et al., 2018) |
||
|
2.3 شبکه‌های عصبی |
(Odom & Sharda, 1990; Salchenberger, Cinar & Lash, 1992; Coates & Fant, 1992; Tam & Kiang, 1992; Coates & Fant, 1993; Efraim, 1993; Nittayagasetwat, 1994*; Serrano-Cinca, 1996; Lee, Han & Kwon, 1996; Jo, Han & Lee, 1997; Serrano-Cinca, 1997; Wong & Selvi, 1998**; Luther, 1998*; Zhang, Hu, Patuwo & Indor, 1999; Yang, Platt & Platt, 1999; Shah & Murtaza, 2000; Raei & Fallahpour, 2004; Alfaro & Garcia, 2008**; Chen & Du, 2009; Makian & Karitakalou, 2009; Vadiei & Miresmaeili, 2012Vadiie; Chen, 2012**; Ahmadpour & Mirzaie Asrami, 2013; Dube et al., 2023) |
||
|
3.3 الگوریتم ژنتیک |
(Anvary Rostamy et al., 2010; Etemadi et al., 2009; Tsakonas, 2006) |
||
|
4.3 الگوریتم‌های افراز بازگشتی |
(Marais, Patell & Walfson, 1984*; Frydman et al., 1985; Tam, 1991; McKee & Greenstein, 2000*) |
||
|
5.3 استدلال مبتنی بر مورد |
|||
|
6.3 الگوریتم کرم شب‌تاب |
|||
|
7.3 الگوریتم علف‌های هرز |
(Setayesh & Aznab, 2019) |
||
|
8.3 مجموعه‌های سخت |
|||
|
9.3 منطق فازی |
(Alam et al., 2000) |
||
|
10.3 ماشینِ بردارِ پشتیبان |
(Zhao et al., 2023; Nguyen et al., 2023; Chen et al., 2023; Raei & Fallahpour, 2009) |
||
|
11.3 الگوریتم مورپگان |
(Fallahpour & Eram, 2016) |
||
|
12.3 الگوریتم ازدحام کبوتر |
(Kheradyar, Gholizadeh & Lotfi, 2018) |
||
|
4. سایر مدل‌ها و تکنیک‌ها |
|||
|
1.4 تجزیهوتحلیل پوششی داده‌ها |
(Li, Crook & Andreeva, 2017**) |
||
|
2.4 روش رگرسیون کاکس روش تحلیل بقا |
(Ebrahimi Sarv Olia, Babajani, Akhond & Fakher, 2019) |
||
|
3.4 مالم کوئیست |
(Mirarab Bayegi, Mokari & Azariyon, 2020) |
||
|
5. روش‌های ترکیبی |
|||
|
1.5 دیمتل و تودیم فازی و ماشینِ بردارِ پشتیبان |
(Botshekan, Salimi & Falahatgar Mottahedjoo, 2018) |
||
|
2.5 روش انتخاب ویژگی پیشرو پی‌درپی و مدل رگرسیون لجستیک |
(Fallahpour, Raei & Norouzian, 2018) |
||
|
3.5 ماشینِ بردارِ پشتیبان و انتخاب ویژگی |
(Fallahpour, Norouzian Lakvan & Hendijani Zadeh, 2017) |
||
|
4.5 شبکۀ عصبی مصنوعی |
(Lee, Han & Know, 1996) |
||
|
5.5 شبکۀ عصبی مصنوعی و مدل فولمر |
(Dabagh & Sheikhbeiglou, 2021) |
||
|
6.5 روش ریسک نکول اعتباری KMV و مدل آلتمن |
(Ghalibaf & Afshae, 2014) |
||
|
6.6 5 ماشینِ بردارِ پشتیبان و تحلیل تمایزی چندگانه |
(Moradi, Shafiei Sardasht & Ebrahimpour, 2012) |
||
|
7.6 سیستم استنتاج فازی عصبی انطباق‌پذیر مبتنی بر تحلیل مؤلفه‌های اصلی و الگوریتم ازدحام کبوتر |
(Kheradyar, Gholizadeh & Lotfi, 2018) |
||
|
7.7 یادگیری ماشین الگوریتم ژنتیک مرتب‌سازی نامغلوب چندهدفه و کلونی زنبور عسل |
(Vaghfi, Mamsalhi, Fayaz & Khajezade, 2019) |
||
|
8.7 الگوریتم‌های هوش مصنوعی روش درخت تصمیم، ماشین بردار پشتیبان و طبقه‌بندی بیز |
(Vaghfi & Darabi, 2019a) |
||
مدلهای نظری در پی تعیین‌کیفی دلایل ورشکستگی هستند. این مدل‌ها معمولاً چندمتغیره هستند و از تکنیکهای آماری برای پشتیبانی کمّی پژوهش بهره می‌گیرند. معیارهای ترازنامه، نظریۀ آنتروپی، نظریۀ ورشکستگی سفته‌باز، نظریۀ مدیریت وجوه نقد و نظریۀ ریسک اعتباری از نمونه‌هایی از مدلهای نظری به شمار می‌روند.
مدلهای آماری به دو دستۀ تکمتغیره و چندمتغیره تقسیم می‌شوند. مدلهای چندمتغیره مانند تحلیل تمایزی چندگانه، احتمال خطی، مدلهای لاجیت و پروبیت، مجموع تجمیعی و فرآیندهای تعدیل جزئی و تحلیل عاملی کاربرد بالایی داشته‌اند. در دسته‌بندی دیگر، مدلهای آماری پیشبینی درماندگی مالی بر دو نوع‌اند: مدلهای پارامتریک و مدلهای ناپارامتریک. پرکاربردترین مدلهای پارامتریک تحلیل تمایزی چندگانه و تجزیهوتحلیل لوجیت هستند. تحلیل تمایزی چندگانه شرکتها را در دو گروه سالم و ورشکسته تقسیم می‌کند؛ درحالیکه تجزیهوتحلیل لوجیت احتمال ورشکستگی را به دست می‌دهد. اولسون (1980) معتقد است که یکی از ضعف‌های تحلیل تمایزی چندگانه این است که احتمال ورشکستگی را پیشبینی نمی‌کند. بسیاری از مقاله‌ها دقت تحلیل تمایزی چندگانه و تجزیهوتحلیل لوجیت را مقایسه کرده و دریافته‌اند که رگرسیون لجستیک بیشتر استفاده شده است؛ چون به توزیع نرمال متغیرها و مساوی‌بودن ماتریس کوواریانس نیاز ندارد. مدلهای ناپارامتریک عمدتاً چندمتغیره بوده و شدیداً به فناوری رایانه وابسته‌اند (Fejérs-király, 2015) .
مدلهای هوشمند مدلهای مبتنی بر محاسبات تکاملی هستند و اغلب از الگوریتم‌های فراابتکاری بهره می‌گیرند (Mai et al, 2019). محاسبات تکاملی یک حوزۀ پژوهشی مبتنی بر الگوریتم‌های فراابتکاری است که سعی می‌کند کیفیت راه‌‌حل را مکرراً با برخی ویژگی‌های تصادفی بهبود بخشد. درخت تصمیم، شبکه‌های مصنوعی، الگوریتم ژنتیک، الگوریتم کرم شب‌تاب، الگوریتم مورچگان، الگوریتم جهش قورباغه، الگوریتم زنبور عسل، مجموعه‌های سخت، ماشینِ بردارِ پشتیبان، استدلال مبتنی بر افته و منطق فازی نمونه‌هایی از این گونه مدل‌ها است. محاسبات تکاملی از سازوکارهای زیستی‌ای مانند تولید مثل، جهش، نوترکیبی، انتخاب طبیعی و رفتار جمعی حیوانات الهام می‌گیرند. دو شاخۀ برجسته از محاسبات تکاملی عبارت‌اند از: الگوریتم‌های تکاملی (شامل الگوریتم‌های ژنتیک، برنامه‌ریزی ژنتیکی، تکامل دیفرانسیل و جست‌وجوی هارمونی) و الگوریتم‌های مبتنی بر هوش جمعی (شامل بهینه‌سازی کلونی مورچه‌ها، ازدحام ذرات، الگوریتم بهینه‌سازی کرم شب‌تاب، الگوریتم جهش قورباغه و الگوریتم زنبور عسل). این رویکردهای محاسباتی در طیف گسترده‌ای از مشکلات پیشبینی ورشکستگی با موفقیت به کار گرفته شدهاند (Krishnanand & Ghose, 2005; Bayat et al., 2018).
تا سال 2006، اگرچه در مقام مقایسه مدلهای هوشمند دقت پیشبینی بهتری را نسبت‌به مدلهای آماری و مدلهای نظری نشان داده‌اند؛ اما ازلحاظِ گستردگی استفاده مدلهای تحلیل تمایزی چندگانه و لاجیت بر ادبیات غالب بوده‌اند (Aziz & Dar, 2006). آلاکا و همکاران (Alaka et al., 2018) با بررسی 49 مقاله در سال‌های ۲۰۱۰-201۵ دریافتند که از 8 روش مشهور در مدلهای پیشبینی ورشکستگی شامل دو روش آماری (تحلیل تمایزی چندگانه و رگرسیون لجستیک) و 6 روش هوشمند (شامل شبکۀ عصبی مصنوعی، ماشینِ بردارِ پشتیبان، مجموعه‌های سخت، استدلال مبتنی بر افته، درخت تصمیم و الگوریتم ژنتیک) استفاده شده است. با گذشت زمان و تکامل روش‌های پیشبینی، دقت مدل‌ها نیز از تحلیل تمایزی چندمتغیره (۳۲%-۱۰۰%) به تحلیل‌لاجیت (۲۰%-۹۸%) و تحلیل پروبیت (۲۰%-۸۴%) و سپس مدلهای هوشمندی نظیر شبکۀ عصبی و الگوریتم ژنتیک (۷۱%-۱۰۰%) رو به افزایش گذاشت.
ازلحاظِ متغیرهای پیش‌بینی‌کننده و مستقل در مدل‌ها، بیش از همه از نسبت‌های مالی، در برخی موارد از اطلاعات بازار (نظیر سودآوری، ریسک، ارزش بازار به ارزش دفتری) و متغیرهای اقتصادی برای اظهار عوامل ریسک سیستمی و در برخی دیگر از شاخص‌های غیرمالی (نظیر سازوکارهای حاکمیت شرکتی و معیار کارآیی) استفاده شده است.
ازلحاظِ معیارهای تفکیک جامعۀ شرکت‌های سالم و درماندۀ مالی در پیش‌بینی‌ها، بسیاری از پژوهش‌ها مبتنی بر تعریف قانونی شکست هستند. قانون شکست معیاری است که به پژوهشگران این امکان را می‌دهد که به‌آسانی همۀ شرکتها را در دو گروه جای دهند؛ اما این قانون محدودیت‌هایی نیز ایجاد می‌کند. تعریف قانونی شکست به کشوری بستگی دارد که مدل پیشبینی در آنجا توسعه می‌یابد (Balcaen & Ooghe, 2006). باتوجهبه تعریف و دایرۀ شمول مفهوم درماندگی مالی و با استفاده از تعریف قانونی شکست نمی‌توان همۀ شرکت‌های درماندۀ مالی را مشخص کرد؛ زیرا ناتوانی شرکت در ایفای تعهدات آن الزاماً به قرارگیری آن در ردیف ورشکستگی قانونی منجر نمی‌شود (Rostami et al., 2011)؛ بنابراین، بسیاری از شرکت‌های درماندۀ مالی هرگز در ردیف ورشکستگی قرار نمی‌گیرند (Balcaen & Ooghe, 2006). تجزیهوتحلیل شرکت‌های بریتانیایی نشانگر وجود فاصلۀ زمانی متوسطی بیش از 3 سال بین درماندگی مالی و تاریخ ورشکستگی قانونی بوده است؛ بنابراین، ضروری است‌که مدل درماندگی مالی مطمئنی طراحی شود که فقط از وقوع ورشکستگی استفاده نکند، بلکه به زمانی نیز مربوط شود که شرکت در ایفای تعهداتش شکست می‌خورد (Hernandez Tinoco & Wilson, 2013). ازطرفِ دیگر، ممکن است پیمان‌ها و قراردادهای رسمی بدهی برای تمدید شرایط پرداخت برای محیط آشکار نشود و این امر از هرگونه طبقه‌بندی جامع در مراحل گوناگون درماندگی مالی جلوگیری می‌کند (Sánchez et al., 2013). پس، برخی از پژوهشگران از معیارهای دیگری برای تعیین جامعۀ شرکت‌های سالم و درمانده استفاده کردند و معتقدند یک شرکت زمانی درمانده است که برای دو سال متوالی سود قبل از بهره و مالیات و استهلاک آن پایین‌تر از هزینه‌های مالی‌اش باشد و بین دو سال متوالی ارزش بازار آن کاهش یافته باشد (Pindado et al., 2008). هرناندز‌تیناکو و همکاران Hernandez Tinoco et al., 2013)) معتقدند که شرکتی درماندۀ مالی است که علاوه‌بر دو شرط پیندادو و همکاران (Pindado et al., 2008)، ازلحاظِ قانونی به حالت تعلیق درآمده باشد، در مرحلۀ انحلال باشد، معاملات آن بیش از 3 روز به تعلیق درآمده باشد، دچار تصفیۀ اداری شده باشد و شرکت در بورس تعلیق یا از آن حذف شده باشد.
در بسیاری از پژوهش‌ها در ایران مادۀ 141 قانون تجارت معیار تفکیک شرکت‌های سالم از شرکت‌های درمانده و ورشکسته درنظر گرفته شده است. باید توجه داشت که ممکن است شرکت قبل از قرارگرفتن در شرایط مادۀ 141 قانون تجارت که منجر به خروج آن از بورس می‌شود، نیز درگیر مشکلات مالی و مرحله‌ای دیگر از درماندگی مالی باشد (اقبالی و همکاران، 2020 , 2022). استفاده از مادۀ 141 قانون تجارت برای تعیین شرکت‌های درماندۀ مالی به‌نظر نیازمند به تغییر است. در ایران طبق مادۀ 412 قانون تجارت ایران، ورشکستگی تاجر یا شرکت تجارتی در نتیجۀ توقف از تأدیۀ وجوهی که برعهده او است، حاصل می‌شود؛ بنابراین، زمانی‌که تاجر نتواند بدهی‌های خود را بپردازد، ورشکسته خواهد بود، باوجودِ اینکه ثروتی داشته باشد که ممکن است بعدها به دست بیاید. باتوجهبه مادۀ 143 قانون تجارت، زمانی‌که امکان مصالحه با بستانکاران و ادامۀ فعالیت شرکت میسر نباشد، برای مدیران شرکت بهتر است در مراحل اولیۀ درماندگی مالی، یعنی قبل از آنکه بدهی‌ها از ارزش دارایی‌ها پیشی بگیرند، اعلام ورشکستگی کنند؛ زیرا طبق این ماده، درصورتی‌که شرکت ورشکسته شود یا پس از انحلال معلوم شود که دارایی شرکت برای تأدیۀ دیون آن کافی نیست، دادگاه صلاحیت‌دار می‌تواند به تقاضای هر ذی‌نفعی هر یک از مدیران یا مدیرعاملی را که ورشکستگی شرکت یا کافی‌نبودن دارایی شرکت به‌نحوی از انحای معلول تخلفات و قصور او بوده است، منفرداً یا متضامناً به تأدیۀ آن قسمت از دیونی که پرداخت آن از دارایی شرکت ممکن نیست، محکوم کند (Ghaem-Magham Farahani, 2020). بهطورکلی، اگر ارزش ذاتی یا اقتصادی یک واحد تجاری از ارزش فعلی انحلال آن بیشتر باشد، شرکت اجازۀ اقدام به سازماندهی مجدد و ادامۀ کار را می‌یابد. در غیر این صورت، انحلال گزینۀ ارجح است. اما تمرکز قانون ورشکستگی در ایران روی انحلال فعالیت و تصفیۀ بدهی‌های ورشکسته از محل فروش اموال و دارایی‌هاست، نه از محل احیای واحد تجاری و تجدید ساختار آن و به‌کارگیری مجدد دارایی‌ها برای پرداخت بدهی‌ها از محل عایدات حاصل از فعالیت مجدد آن. بنابراین، شناساسایی مدل‌ها و تکنیک‌هایی برای پیشبینی وضعیت درماندگی مالی قبل از وقوع ورشکستگی قانونی اهمیت بالایی دارد تا اقدامات به‌موقعی برای تداوم فعالیت واحد تجاری انجام شود.
تجزیهوتحلیل پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در ایران و سایرکشورها
جدول 2 اطلاعاتی تفصیلی دربارۀ زمان، ماهیت و سیر تحول تاریخی استفاده از مدل‌ها و تکنیکهای گوناگون پیشبینی درماندگی مالی ورشکستگی در ایران ارائه می‌دهد. در پژوهش حاضر، 102 پژوهش ایرانی بررسی شده است. طبق جدول 2 این پژوهش‌ها در ایران از سال 1380 آغاز و تاکنون (1402) با روندی صعودی ادامه دارند. طی این دوره، از سه نوع مدلهای آماری، مدلهای هوشمند و مدلهای ترکیبی استفاده شده است. در دورۀ اول بررسی (19۳۰-19۶۸)، این پژوهش‌ها در ایران هنوز آغاز نشده بود. طی دورۀ دوم (1968 تا 2007)، این پژوهش‌ها در ایران از سال 1380 آغاز و طی دورۀ 1380 تا 1386 تعداد 13 پژوهش انجام شد. اطلاعات نویسندگان، سال انتشار و نوع مدل و تکنیک استفادهشده در هر یک از این پژوهش‌ها طی بندهای ۷۲-۱۰۲ جدول 2 ارائه شده است. طی دورۀ سوم (2007 تا 2023)، 89 پژوهش بررسی شد که اطلاعات نویسندگان، سال انتشار و نوع مدل و تکنیک استفادهشده در هر یک از این پژوهش‌ها طی بندهای 89-1 جدول 2 ارائه شده است.
جدول 3 اطلاعات 298 پژوهش انجام‌شده در سایر کشورها از سال 1931 تا 2023 را نشان می‌دهد که در آنها از 5 نوع مدل‌سازی شامل مدل‌های‌آماری، هوشمند، ترکیبی، نظری و سایر مدل‌ها (نظیر تحلیل پوششی داده‌ها و قضاوتی و…) استفاده شده است. طبق جدول 3، در دورۀ اول (19۳۰-19۶۸) در سایر کشورها 10 پژوهش دربارۀ پیشبینی درماندگی مالی و ورشکستگی انجام شده که اطلاعات نویسندگان، سال انتشار پژوهش و نوع مدل و تکنیک استفادهشده در هر یک از این پژوهش‌ها طی بندهای 289 الی 298 جدول 3 آمده است. در دورۀ دوم (۱۹۶۸-2007)، 217 پژوهش انجام شد که اطلاعات هر یک از این پژوهش‌ها در بندهای ۷۲-۲۸۸ ارائه شده است. در دورۀ سوم (۲۰۰۷-۲۰۲۳) 71 پژوهش سایر کشورها بررسی شد که اطلاعات هر یک از این پژوهش‌ها طی بندهای 1-۷۱ جدول 3 ارائه شده است.
طبق جدول 4، از مجموع 102 پژوهش در ایران طی دورۀ 1380 الی 1402 تعداد 43 پژوهش از مدلهای آماری، 40 پژوهش از مدلهای هوشمند، 17 پژوهش از مدلهای ترکیبی و 2 پژوهش از سایر روش‌ها، نظیر روش تحلیل پوششی داده‌ها، روش قضاوتی و… استفاده کرده‌اند. از بین 102 پژوهش بررسی‌شده در ایران، در 39 پژوهش (23/38%) از مدلهای قبلی استفاده کرده‌اند و رویکرد 63 پژوهش دیگر (76/61%) یا بومی‌سازی مدل بوده است یا طراحی و به‌کارگیری مدلی جدید. طبق جدول 4، از 298 پژوهش در سایر کشورها، 117 پژوهش از مدلهای آماری، 125 پژوهش از مدلهای هوشمند، 25 پژوهش از مدلهای ترکیبی، 21 پژوهش از مدلهای نظری و 10 پژوهش از سایر روش‌ها، نظیر روش تحلیل پوششی داده‌ها، روش قضاوتی و… استفاده کرده‌اند. از بین 298 پژوهش بررسی‌شدۀ سایر کشورها، در 37 پژوهش (4/12%) از مدلهای قبلی استفاده کرده و در 246 پژوهش دیگر (5/87%) یا مدل بومی شده یا مدل جدیدی را طراحی و به کار گرفته‌اند.
در جداول 2 و 3، نمادهای ST، AI، THE و O به‌ترتیب بیانگر استفاده پژوهشگر از تکنیک‌ها و مدلهای آماری، هوشمند، نظری و سایر مدل‌ها است و نمادهای ST-AI، ST-THE، ST-O، AI-O، THE-AI و O-THE به‌ترتیب بیانگر مدلهای ترکیبی حاصل از مدلهای هوشمند و آماری، مدلهای نظری و آماری، سایر مدل‌ها و مدلهای آماری، مدلهای هوشمند و سایر مدل‌ها، مدلهای هوشمند و نظری و مدلهای نظری سایر مدل‌ها است.
جدول (2) پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در ایران
Table (2) The research of predicting financial distress and bankruptcy in Iran
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
1 |
AI |
عباسیان و همکاران (1402) |
درخت تصمیم تقویت گرادیانی، الگوریتم گرگ خاکستری |
27 |
ST |
احمدیان و گرجی (1396) |
لامبدای ویلکس و لاجیت |
|
2 |
AI-ST |
حسینی و همکاران (1402) |
آلتمن تعدیل‌شده شبیه‌سازی مونت‌کارلو |
28 |
AI |
راموز و محمودی (1396) |
شبکه‌های عصبی |
|
3 |
AI |
ترکمن و نجفی (1402) |
دادهکاوی مبتنی بر جریمۀ دسته‌بندی نادرست |
29 |
ST-AI |
مهرانی و همکاران (1396) |
رگرسیون لجستیک و ماشینِ بردارِ پشتیبان |
|
4 |
ST |
ساده‌وند و همکاران (1401) |
ترکیب Z آلتمن و لاجیت چندمتغیره |
30 |
AI-ST |
ستایش و و اذنب (1396) |
الگوریتم علف‌های هرز و آلتمن |
|
5 |
ST |
اقبالی و همکاران (1401) |
تحلیل لوجیت پسرو |
31 |
AI |
فلاح‌پور و همکاران (1396) |
ماشینِ بردارِ پشتیبان و انتخاب ویژگی |
|
6 |
ST |
قاسمی و همکاران (1400) |
رگرسیون لجستیک، اولسون |
32 |
AI |
پیری و خداکریمی (1396) |
رگرسیون لجستیک |
|
7 |
AI |
حاجیها و صابری‌روچی (1400) |
تکنیک متن کاوی |
33 |
ST |
بادآورنهندی و همکاران (1395) |
آلتمن |
|
8 |
AI |
رحیمی و همکاران (1400) |
شبکۀ عصبی مصنوعی |
34 |
AI |
صالحی و عظیمی (1395) |
دادهکاوی |
|
9 |
AI |
میر عرب و همکاران (1399) |
روش مالم کوئیست |
35 |
ST |
حاجیها و بابایی‌منش (1395) |
شیراتا و زمیجوسکی |
|
10 |
AI-ST |
دباغ و همکاران (1399) |
شبکۀ عصبی مصنوعی و مدل فولمر |
36 |
AI |
فلاح‌پور و ارم (1395) |
الگوریتم کلونی مورچگان |
|
11 |
ST |
اقبالی و همکاران (1399) |
تحلیل لوجیت پسرو |
37 |
AI |
پورزمانی (1394) |
الگوریتم ژنتیک خطی |
|
12 |
ST |
قاطبی و همکاران (1399) |
زمیجوسکی، اسپرینگیت، رگرسیون لجستیک و لاجیت |
38 |
O |
اقدامی و همکاران (1394) |
مدل شبکۀ برپایۀ تحلیل پوششی داده‌ها |
|
13 |
ST |
عاطفی‌فر و فتحی (1399) |
لاجیت |
39 |
AI |
دادرسی و ایمان (1394) |
دادهکاوی |
|
14 |
AI |
وقفی و دارابی (1398) |
درخت تصمیم، ماشینِ بردار پشتیبان و طبقه‌بندی بیز |
40 |
AI |
منصورفر و همکاران (1393) |
ماشینِ بردارِ پشتیبان |
|
15 |
AI |
وقفی و همکاران (1398) |
ژنتیک نامغلوب چندهدفه وکلونی زنبور عسل |
41 |
ST |
پناهی و همکاران (1393) |
احتمال‌خطی، لوجیت و پروبیت |
|
16 |
AI |
قلی‌زاده سالطه و همکاران (1398) |
یادگیری ماشین و الگوریتم گرگ خاکستری |
42 |
AI |
وکیلی‌فر و همکاران (1393) |
سیستم استنتاج فازی عصبی انطباق پذیر |
|
17 |
AI |
بت‌شکن و همکاران (1397) |
دیمتل و تودیم فازی و ماشینِ بردارِ پشتیبان |
43 |
AI |
مشایخی و گنجی (1393) |
شبکۀ عصبی مصنوعی |
|
18 |
ST |
طهماسبی و همکاران (1397) |
تحلیل عاملی، درخت تصمیم، رگرسیون لجستیک |
44 |
ST |
کردستانی‌و همکاران (1393) |
مدل تعدیل‌شده آلتمن |
|
19 |
AI |
ناظمی‌اردکانی و همکاران (1397) |
درخت تصمیم |
45 |
ST |
قالیباف و افشار (1393) |
مدل KMV و آلتمن |
|
20 |
AI |
غضنفری و همکاران (1397) |
سیستم‌های هوشمند ترکیبی با رقابت استعماری |
46 |
AI |
پورزمانی (1392) |
هوش مصنوعی |
|
21 |
AI |
بیات و همکاران (1397) |
الگوریتم‌کرم شب‌تاب |
47 |
ST |
افشاری و خلیفه (1392) |
زمیجوسکی |
|
22 |
ST |
نمازی و همکاران (1397) |
مدل تعدیل‌شدۀ آلتمن |
48 |
AI |
بیگی و صالحی (1392) |
داده‌کاوی‌و الگوریتم حرکت تجمیعی ذرات و فاخته |
|
23 |
AI |
فلاح‌پور و هماران (1397) |
ماشینِ بردارِ پشتیبان و انتخاب شناور متوالی پیشرو |
49 |
AI- ST |
مهرآذین و همکاران (1392) |
شبکۀ عصبی شعاعی، آلتمن، اسمایوسکی و مکنمار |
|
24 |
AI |
خردیار و همکاران (1397) |
فازی عصبی انطباق‌پذیر و الگوریتم ازدحام کبوتر |
50 |
AI- ST |
احمدپور و میرزایی‌اسرمی |
تحلیل‌تمایزی چندگانه و مدل شبکه‌های عصبی |
|
25 |
ST |
ابراهیمی سرو علیا و همکاران (1397) |
تحلیل بقا |
51 |
O |
موسوی‌شیری و طبستانی (1391) |
تحلیل پوششی داده‌ها |
|
26 |
ST |
خداکریمی و پیری (1396) |
52 |
ST |
ودیعی و میراسماعیلی (1391) |
اولسون و فولمر |
ادامۀ جدول (2) پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در ایران
Table (2) (continued) The research of predicting financial distress and bankruptcy in Iran
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
53 |
AI |
کرمی و سید‌حسینی (1391) |
الگوریتم ژنتیک |
78 |
ST |
قدیری‌مقدم و همکاران (1388) |
آلتمن و اولسون |
|
54 |
AI |
ظهری و افشارکاظمی (1391) |
شبکه‌های عصبی فازی |
79 |
AI- ST |
برزگر (1388) |
آلتمن، لاجیت، شبکۀ عصبی مصنوعی |
|
55 |
AI-ST |
مرادی و همکاران (1391) |
تحلیل‌تمایزی چندگانه و ماشین‌های بردار پشتیبان |
80 |
AI |
سعیدی و آقایی (1388) |
شبکۀ عصبی بیزی |
|
56 |
ST |
اعتمادی و زند (1391) |
رگرسیون لجستیک |
81 |
ST |
محمدزاده و نوفرستی (1388) |
آلتمن و اسپرینگیت |
|
57 |
ST |
ابراهیمی‌کردلر و اعرابی (1390) |
82 |
AI- ST |
مکیان و همکاران (1388) |
شبکه‌های‌عصبی، تحلیل تمایزی و لوجیت |
|
|
58 |
AI |
فدایی‌نژاد و اسکندری (1390) |
پس‌انتشار‌خطا، ژنتیک‌و بهینه‌سازی تجمعی ذرات |
83 |
ST |
رهنمای‌رودپشتی و همکاران (1388) |
آلتمن و فالمر |
|
59 |
AI- ST |
احمدپور و میرزایی‌اسرمی (1392) |
شبکه‌های عصبی و تحلیل تمایزی چندگانه |
84 |
ST |
دستگیر و همکاران (1387) |
لاجیت |
|
60 |
AI- ST |
مرادی و همکاران (1391) |
ماشینِ بردارِ پشتیبان تحلیل تمایزی چندگانه |
85 |
AI |
راعی و فلاح‌پور (1387) |
ماشینِ بردارِ پشتیبان و روش انتخاب ویژگی پیشرو پی‌درپی |
|
61 |
ST |
ودیعی و میر اسماعیلی (1391) |
مدل لوجیت اهلسون و فولمر |
86 |
ST |
غلامپور (1387) |
آلتمن و اولسون |
|
62 |
AI- ST |
رافعی و همکاران (1390) |
شبکه‌های عصبی، ژنتیک، تحلیل تمایزی چندگانه |
87 |
ST |
عسگری (1387) |
اسپرینگیت، زاوگین و فولمر |
|
63 |
O-ST |
رستمی و همکاران (1390) |
تحلیل پوششی‌داده‌ها و رگرسیون لجستیک |
88 |
AI |
بستانیان (1387) |
الگوریتم ژنتیک |
|
64 |
AI- ST |
فیروزیان و همکاران (1390) |
الگوریتم ژنتیک، آلتمن |
89 |
ST |
نوفرستی (1386) |
آلتمن و اسپرینگیت |
|
65 |
AI |
آشوری و محمدی (1390) |
شبکه‌های عصبی |
90 |
ST |
پورمهر (1386) |
زمیجوسکی و اسپرینگیت |
|
66 |
ST |
نبوی‌چاشمی‌و همکاران (1389) |
لاجیت |
91 |
ST |
کمیجانی (1385) |
احتمال شرطی |
|
67 |
ST |
پورحیدری و کوپایی‌حاجی (1389) |
تابع تفکیکی خطی |
92 |
ST |
شریعت‌پناهی‌و سهرابی‌عراقی (1385) |
رگرسیون آماری چندمتغیره |
|
68 |
AI |
اعتمادی و همکاران (1389) |
الگوریتم ژنتیک |
93 |
AI |
فلاح‌پور (1385) |
شبکه‌های عصبی مصنوعی |
|
69 |
AI |
انواری رستمی و همکاران (1389) |
الگوریتم ژنتیک و شبکه‌های عصبی |
94 |
ST |
امینی (1385) |
فولمر |
|
70 |
AI- ST |
مکیان و همکاران (1389) |
شبکۀ عصبی مصنوعی، لجستیک و تحلیل تمایزی چندگانه |
95 |
AI |
کیمباجی و سعادت‌فر (1385) |
شبکۀ عصبی مصنوعی |
|
71 |
ST |
عرب‌مازار و صفرزاده (1389) |
رگرسیون لجستیک |
96 |
ST |
مهرانی و همکاران (1384) |
زمیجوسکی و شیراتا |
|
72 |
AI- ST |
قدرتی و معنویمقدم (1389) |
ژنتیک، مک‌کی، زمیجوسکی، اسپرینگیت، سی‌ای‌اسکور |
97 |
ST |
احمدی‌کاشانی (1384) |
آلتمن |
|
73 |
AI- ST |
نیکبخت و شریفی (1389) |
شبکه‌های عصبی و تحلیل تمایزی چندگانه |
98 |
AI |
راعی و فلاح‌پور (1383) |
شبکه‌های عصبی مصنوعی |
|
74 |
ST |
سلیمانی (1389) |
زمیجوسکی، اسپرینگیت و آلتمن |
99 |
ST |
سلیمانی (1382) |
رگرسیون چندگانه |
|
75 |
ST |
طالب‌نیا و همکاران (1388) |
اسپرینگیت، شیراتا، والاس و تای‌دا، لاجیت |
100 |
ST |
اکری (1382) |
اسپرینگیت |
|
76 |
AI |
طهماسبی و همکاران (1397) |
دادهکاوی |
101 |
ST |
یاری‌فر (1382) |
فالمر و اسپرینگیت |
|
77 |
AI |
طهماسبی و همکاران (1397) |
دادهکاوی |
102 |
ST |
رسول‌زاده (1380) |
آلتمن |
جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
1 |
AI |
ژائو و همکاران (2023) |
یادگیری ماشین |
27 |
ST-AI |
تاسی و چنگ (2012) |
شبکۀ عصبی مصنوعی، درخت تصمیم، رگرسیون لجستیک |
|
2 |
AI |
نگوین و همکاران (2023) |
یادگیری ماشین |
28 |
AI |
اولسون و همکاران (2012) |
دادهکاوی |
|
3 |
AI |
دوبه و همکاران (2023) |
شبکه‌های عصبی مصنوعی |
29 |
AI |
کیم و کانگ (2012) |
الگوریتم ژنتیک |
|
4 |
AI |
چن و همکاران (2023) |
یادگیری ماشین |
30 |
ST |
اوگووت و همکاران (2012) |
تحلیل تمایزی چندمتغیره و رگرسیون لجستیک |
|
5 |
ST |
لومن و همکاران (2023) |
رگرسیون لجستیک غیرخطی |
31 |
ST |
ابراهیمی‌کردلر و‌نیک‌بخت (2011) |
لاجیت |
|
6 |
AI |
کااو و همکاران (2022) |
شبکه بیزی دو مرحله ای |
32 |
AI |
چن (2012) |
شبکۀ عصبی فیوژن |
|
7 |
AI-ST |
رفعت‌کاران و همکاران (2020) |
رگرسیون لجستیک و درخت تصمیم |
33 |
O |
پرماچاندرا (2011) |
تحلیل پوششی داده‌ها |
|
8 |
ST |
ایزکوردو و همکاران (2020) |
آلتمن |
34 |
O |
پرماچاندرا و همکاران (2011) |
تحلیل پوششی داده‌ها |
|
9 |
AI |
طهماسبی و همکاران (2020) |
تکنیک دادهکاوی |
35 |
O |
جاردین و سورین (2011) |
نقشۀ خود سازماندهی |
|
10 |
ST |
سنتیل و همکاران (2019) |
لاجیت |
36 |
ST-AI |
مخاطب‌رافعی (2011) |
شبکۀ عصبی، ژنتیک و تحلیل تمایزی چندمتغیره |
|
11 |
ST |
مای و همکاران (2019) |
احتمال خطی |
37 |
AI |
چن و همکاران (2011) |
ماشین‌های بردار پشتیبان |
|
12 |
AI |
احمدحسن‌گیلانی (2018) |
درخت تصمیم |
38 |
ST-AI |
رفیعه و همکاران (2011) |
شبکۀ عصبی، ژنتیک و تحلیل‌تمایزی چندمتغیره |
|
13 |
AI-O |
لی و همکاران (2017) |
مالکوئیست و تحلیل پوششی داده‌ها |
39 |
ST-AI |
پائولو (2010) |
آلتمن، زمیجوسکی و شبکۀ عصبی |
|
14 |
AI |
باربوزا و همکاران (2017) |
ماشین‌های بردار پشتیبان |
40 |
ST-AI |
تسنگ و هو (2010) |
لاجیت، لاجیت درجۀ دوم، شبکۀ عصبی فازی |
|
15 |
AI |
امانی و فادلالا (2017) |
دادهکاوی |
41 |
AI |
یون و یانگ (2010) |
ماشینِ بردارِ پشتیبان |
|
16 |
AI |
جونز (2017) |
مدل گرادیان تقویت‌شده |
42 |
AI |
یلدیز و دیگران (2010) |
فازی عصبی و ماشینِ بردارِ پشتیبان |
|
17 |
AI |
لوپژ و سانز (2015) |
شبکۀ عصبی |
43 |
ST |
هایس و همکارن (2010) |
آلتمن |
|
18 |
AI |
اوکال و همکاران (2015) |
درخت تصمیم |
44 |
AI |
جپ و کومار (2010) |
درخت تصمیم |
|
19 |
AI |
لیانگ و همکاران (2015) |
شبکۀ عصبی مصنوعی، ماشینِ بردارِ پشتیبان |
45 |
ST-AI |
تسنگ و هو (2010) |
لاجیت، تحلیل تمایزی چندمتغیره و شبکۀ عصبی |
|
20 |
AI |
ژاویر بردارت (2014) |
شبکۀ عصبی |
46 |
O |
پرماچاندرا (2009) |
تحلیل پوششی داده‌ها |
|
21 |
AI |
زبردست و تهرانیان (2014) |
شبکۀ عصبی مصنوعی |
47 |
AI |
چن و دوو (2009) |
شبکۀ عصبی و دادهکاوی |
|
22 |
ST |
رحیم‌پور (2013) |
فولمر و تافلر |
48 |
AI-O |
یه و همکاران (2009) |
تحلیل پوششی داده‌ها، مجموعۀ سخت، ماشینِ بردارِ پشتیبان |
|
23 |
ST |
وزیری و همکاران (2012) |
آلتمن، لاجیت، تحلیل تمایزی چندمتغیره |
49 |
AI |
بویاکیاگلو و همکاران (2009) |
شبکۀ عصبی |
|
24 |
AI |
مرادی و همکاران (2012) |
ماشین‌های بردار پشتیبان |
50 |
AI |
سونگ‌بین و همکاران (2009) |
شبکۀ عصبی |
|
25 |
AI |
شتی و همکاران (2012) |
فرمول مسافت جهت تعدیل‌شده |
51 |
ST-AI |
بویاسی‌اوغلو و همکاران (2009) |
شبکۀ عصبی، ماشینِ بردارِ پشتیبان و آمار چندمتغیره |
|
26 |
AI |
جینگ و همکاران (2012) |
ترکیب شبکۀ عصبی و الگوریتم ژنتیک |
52 |
ST-AI |
زونگ (2009) |
تحلیل تمایزی چندمتغیره، لاجیت و شبکۀ عصبی |
ادامۀ جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) (continued) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
53 |
AI |
تاسی (2009) |
شبکۀ عصبی مصنوعی |
79 |
AI |
کریشناناند و قوس (2005) |
مدل چشمک‌زن کرم‌های شب‌تاب |
|
54 |
ST-AI |
اعتمادی و همکاران (2009) |
الگوریتم ژنتیک، تحلیل تمایزی چندمتغیره |
80 |
AI |
شین و لی (2005) |
پشتیبانی ماشین بردار |
|
55 |
AI |
آقایی و سعیدی (2009) |
شبکه بیزی |
81 |
AI |
مین و لی (2005) |
ماشینِ بردارِ پشتیبان |
|
56 |
AI |
آلفارو و گارسیا (2008) |
شبکۀ عصبی آدبوست |
82 |
ST |
کروز (2005) |
آلتمن تجدیدنظرشده |
|
57 |
AI |
آلفردو و گارسیا (2008) |
شبکۀ عصبی تقویت‌شده |
83 |
ST |
انینگز (2005) |
آلتمن تجدیدنظرشده |
|
58 |
ST-AI |
حلیم و همکاران (2008) |
تحلیل تمایزی چندمتغیره، رگرسیون لجستیک و مدل مخاطرات |
84 |
AI |
هاردل و همکاران (2005) |
ماشینِ بردارِ پشتیبان |
|
59 |
AI |
بوراگوهاین و ماهانتا (2008) |
سیستم استنتاج عصبی فازی تطبیقی |
85 |
AI |
اسپرینگرز (2005) |
درخت تصمیم |
|
60 |
ST |
جونز و هنشر (2007) |
لاجیت چندگانۀ آشیانه‌‌ای |
86 |
ST |
کانباس و همکاران (2005) |
رگرسیون چندمتغیره |
|
61 |
ST-AI |
هوآ و همکاران (2007) |
ماشینِ بردارِ پشتیبان و رگرسیون لجستیک |
87 |
AI |
والاس (2004) |
شبکۀ عصبی |
|
62 |
AI |
سان و شنوی (2007) |
شبکۀ عصبی بیزی |
88 |
ST |
هکتور و همکاران (2004) |
تحلیل تمایزی چندمتغیره |
|
63 |
AI |
اسلیم (2007) |
شبکۀ عصبی فازی |
89 |
O |
سیلن و گوتو (2004) |
تحلیل پوششی داده‌ها |
|
64 |
AI |
هانگ وو و همکاران (2007) |
الگوریتم ژنتیک و ماشینِ بردارِ پشتیبان |
90 |
ST |
استوارت و هنشر (2004) |
لاجیت |
|
65 |
AI |
وو و همکاران (2007) |
ماشینِ بردارِ تکیه‌گاه با استفاده از الگوریتم ژنتیک |
91 |
ST |
جونز و هنشر (2004) |
لاجیت ترکیبی |
|
66 |
AI |
آتش‌پاز و همکاران (2007) |
الگوریتم رقابتی استعماری |
92 |
AI |
هوانگ و ژو (2004) |
ماشین‌های یادگیرندۀ حدی |
|
67 |
AI |
تان و ژایو (2007) |
ازدحام ذرات کلونوکال |
93 |
O |
وانگ (2004) |
تغییرات استراتژی و بقای شرکت اینترنتی |
|
68 |
AI |
یوآن و چوو (2007) |
الگوریتم بهینه‌سازی ازدحام ذرات |
94 |
ST |
لالیت و همکاران (2003) |
آلتمن |
|
69 |
ST |
بیلوواری و همکاران (2007) |
تحلیل تمایزی چندمتغیره |
95 |
AI |
بااک و چو (2003) |
شبکۀ عصبی |
|
70 |
AI |
مارتنس و همکاران (2007) |
ماشینِ بردارِ پشتیبان |
96 |
AI |
ویلسون (2003) |
شبکۀ عصبی |
|
71 |
AI |
یانگ و همکاران (2007) |
الگوریتم ژنتیک، ماشین‌های بردار پشتیبان |
97 |
AI |
مک‌کی و لنزبرگ (2002) |
الگوریتم ژنتیک و مجموعۀ سخت |
|
72 |
ST |
کیم و گوو (2006) |
لاجیت و تحلیل تمایزی چندمتغیره |
98 |
AI-ST |
میشل‌و ییم (2002) |
ترکیبی لاجیت و شبکۀ عصبی |
|
73 |
AI |
تساکوناس (2006) |
الگوریتم ژنتیک |
99 |
AI |
آقایی و سعیدی (2002) |
شبکۀ عصبی بیزی |
|
74 |
ST-AI |
مین و همکاران (2006) |
ژنتیک، ماشین‌های بردار پشتیبان، رگرسیون لجستیک |
100 |
AI |
شین و لی (2002) |
الگوریتم ژنتیک |
|
75 |
AI |
لنزبرگ و الیفسن (2006) |
الگوریتم ژنتیک |
101 |
ST |
فورمن (2002) |
لاجیت |
|
76 |
AI |
مین و همکاران (2006) |
ترکیب الگوریتم ژنتیک و ماشین‌های بردار پشتیبان |
102 |
AI |
پارک و هان (2002) |
استدلال مبتنی بر مورد |
|
77 |
AI |
کااو و همکاران (2006) |
ماشینِ بردارِ پشتیبان |
103 |
AI |
آن و کیم (2002) |
استدلال مبتنی بر مورد و الگوریتم ژنتیک |
|
78 |
ST-AI |
بنل و همکاران (2006) |
شبکۀ عصبی و پروبیت |
104 |
AI |
شاه و مرتضی (2002) |
شبکۀ عصبی |
ادامۀ جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) (continued) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
105 |
ST |
آلتمن (2002) |
آلتمن تجدیدنظرشده |
131 |
AI |
برگر (1998) |
دادهکاوی |
|
106 |
AI |
مک کی و لنزبرگ (2002) |
الگوریت ژنتیک و مجموعه‌های سخت |
132 |
ST |
شیراتا (1998) |
تحلیل تمایزی چندمتغیره |
|
107 |
ST |
گو (2002) |
تحلیل تمایزی چندمتغیره |
133 |
AI |
شین و هان (1999) |
استدلال مبتنی بر افته |
|
108 |
AI |
شاچمورو (2002) |
شبکۀ عصبی مصنوعی |
134 |
AI |
وانگ و سلوی (1998) * |
شبکۀ عصبی |
|
109 |
AI |
سته و بولارت (2001) |
الگوریتم ژنتیک |
135 |
THE |
ویلسون (1998) |
نظریه‌های ریسک اعتباری |
|
110 |
AI |
سارکار و سریرم (2001) |
شبکۀ عصبی بیزی |
136 |
THE- ST |
لاتینن و لاتنین (1998) |
فرآیندهای تعدیل جزئی، نظریه مدیریت نقدی |
|
111 |
ST |
پترسون (2001) |
تحلیل تمایزی چندمتغیره |
137 |
AI |
وارتو (1998) |
الگوریتم ژنتیک |
|
112 |
O |
شام وی (2001) |
مخاطرات ساده |
138 |
AI |
الیری (1998) |
شبکۀ عصبی |
|
113 |
AI |
آتیا (2001) |
شبکۀ عصبی |
139 |
AI |
شی و ابرهارت (1998) |
بهینه‌سازی ازدحام ذرات تعدیل شده |
|
114 |
ST |
گرایس و اینگرام (2001) * |
تحلیل تمایزی چندمتغیره |
140 |
AI |
لووتر (1998) * |
شبکۀ عصبی |
|
115 |
AI |
مکی و گرینستین (2000) * |
الگوریتم افراز بازگشتی |
141 |
ST |
موریس (1998) |
تحلیل تمایزی چندمتغیره، لاجیت، پروبیت |
|
116 |
ST |
آلتمن (2000) |
تحلیل تمایزی چندمتغیره (Z تعدیل‌شده) |
142 |
AI |
وستربرگ و همکاران (1997) |
استدلال مبتنی بر افته |
|
117 |
AI |
آلام و همکاران (2000) |
الگوریتم خوشه‌بندی فازی و شبکۀ عصبی خود سازمانی |
143 |
AI |
سرانو سینکا (1997) |
شبکۀ عصبی |
|
118 |
AI |
چارالامبوس (2000) |
شبکۀ عصبی مصنوعی |
144 |
AI |
بری و گلدمن (1997) |
دادهکاوی |
|
119 |
AI |
شاه و مرتضی (2000) |
شبکۀ عصبی بیزی |
145 |
AI |
کارلوس سرانو سینکا (1997) |
شبکۀ عصبی |
|
120 |
AI |
مک کی (2000) |
پارتیشن بندی برگشتی |
146 |
ST |
آلتمن، نارایانان (1997) |
تجزیهوتحلیل تشخیص خطی |
|
121 |
ST |
بارنیو و همکاران (2000) * |
تحلیل تمایزی چندمتغیره و لاجیت |
147 |
AI |
پومپ و فلدرز (1997) |
درخت‌های تصمیم |
|
122 |
ST |
بارنیو و همکاران (1999) * |
تحلیل تمایزی چندمتغیره و لاجیت |
148 |
AI-ST |
جو و همکاران (1997) |
استدلال‌مبتنی بر‌افته،شبکۀ عصبی‌و‌تحلیل‌تمایزی |
|
123 |
ST |
کاهیا و تیودوسیو (1999) |
سری زمانی |
149 |
THE |
کردیت سوییس (1997) |
نظریه‌های ریسک اعتباری |
|
124 |
AI |
ژانگ و همکاران (1999) |
شبکۀ عصبی مصنوعی |
150 |
AI |
شاردا (1996) |
شبکۀ عصبی |
|
125 |
AI |
دیمیتراس و همکاران (1999) |
مجموعه‌های سخت |
151 |
AI |
سرانو سینکا (1996) |
شبکۀ عصبی |
|
126 |
ST |
لنوکس (1999) * |
تحلیل تمایزی چندمتغیره و لاجیت |
152 |
AI |
لی و همکاران (1996) |
شبکۀ عصبی |
|
127 |
AI |
یانگ و همکاران (1999) |
شبکۀ عصبی |
153 |
AI |
سرانو سینکا (1996) |
شبکۀ عصبی |
|
128 |
AI |
یانگ و همکاران (1999) |
شبکۀ عصبی |
154 |
ST |
دیمیتراس (1996) |
تحلیل تمایزی چندمتغیره |
|
129 |
ST |
کاهیا و تئودوسیو (1999) |
مجموع تجمعی |
155 |
AI |
اودوم و ویلسون (1996) |
شبکۀ عصبی |
|
130 |
THE |
عزیز و همکاران (1998) |
نظریۀ مدیریت نقدی |
156 |
AI |
لی، هان و وون (1996) |
شبکۀ عصبی |
ادامۀ جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) (continued) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و‌تاریخ‌انتشار پژوهش |
مدل‌ها و تکنیک‌‌های‌پیش‌بینی |
ردیف |
کد |
پژوهشگران و‌تاریخ‌انتشار پژوهش |
مدل‌ها و تکنیک‌‌های‌پیش‌بینی |
|
157 |
AI |
جین و مایو (1996) |
شبکۀ عصبی مصنوعی |
182 |
AI |
سالچن برگر و همکاران (1992) |
شبکۀ عصبی |
|
158 |
AI |
بوریتز و کندی (1995) |
شبکۀ عصبی |
183 |
AI |
تام و کیانگ (1992) |
شبکۀ عصبی |
|
159 |
AI |
واپنیک (1995) |
ماشین‌های بردار پشتیبان |
184 |
AI-ST |
داویر (1992) |
شبکۀ عصبی و روش‌های آماری |
|
160 |
AI |
کندی و ابرهارت (1995) |
بهینه‌سازی ازدحام ذرات |
185 |
ST |
تام (1991) |
شبکۀ عصبی |
|
161 |
AI |
ال‌تمتمی (1995) |
شبکۀ عصبی |
186 |
AI |
تئودوسیو (1991) |
لاجیت، پروبیت، احتمال خطی |
|
162 |
AI |
ویلسون و شاردا (1994) |
شبکۀ عصبی |
187 |
AI |
تا (1991) |
شبکۀ عصبی |
|
163 |
AI-ST |
آلتمن و همکاران (1994) |
شبکۀ عصبی و‌تجزیه‌و‌تحلیل تشخیص خطی |
188 |
AI |
استون و راسپ (1991) |
احتمال خطی |
|
164 |
AI |
آلتمن (1994) |
شبکۀ عصبی |
189 |
ST |
کوه (1991) * |
تحلیل تمایزی چندمتغیره و لاجیت |
|
165 |
AI |
رینولد (1994) |
الگوریتم فرهنگی |
190 |
ST |
پلات و پلات (1990) * |
تحلیل تمایزی چندمتغیره و لاجیت |
|
166 |
AI |
دباک (1994) |
الگوریتم ژنتیک |
191 |
AI |
اودوم و شاردا (1990) |
شبکۀ عصبی |
|
167 |
ST |
جانسون و ملیچر (1994) * |
تحلیل تمایزی چندمتغیره و لاجیت |
192 |
AI |
اولدمن و شاردا (1990) |
شبکۀ عصبی |
|
168 |
AI |
تسوکودا و بابا (1994) |
شبکۀ عصبی |
193 |
ST |
اسکوکویک (1990) |
پروبیت |
|
169 |
AI |
نور (1994) |
شبکۀ عصبی |
194 |
AI |
بل و همکاران (1990) |
شبکۀ عصبی و لاجیت |
|
170 |
AI |
نیتایاگاست‌وات (1994) * |
شبکۀ عصبی |
195 |
AI |
مونتانا و لورنس (1989) |
شبکه‌های عصبی و الگوریتم ژنتیک |
|
171 |
AI |
افریم (1993) |
شبکۀ عصبی |
196 |
THE |
عزیز و لاسون (1989) |
نظریه مدیریت نقدی |
|
172 |
ST |
آلتمن (1993) |
تحلیل‌تمایزی چندمتغیره |
197 |
AI |
مسیر و هانسن (1988) |
شبکۀ عصبی |
|
173 |
AI |
گوآن (1993) |
شبکۀ عصبی |
198 |
THE |
عزیز و همکاران (1988) |
نظریه مدیریت نقدی |
|
174 |
AI |
کولدز (1993) |
استدلال مبتنی بر مورد |
199 |
AI-ST |
دامبولنا و شولمن (1988) |
لاجیت و شبکۀ عصبی |
|
175 |
ST |
تئودوسیو (1993) |
مجموع تجمعی |
200 |
AI |
مسیر و هانسن (1988) |
شبکۀ عصبی |
|
176 |
AI |
کوتس و فانت (1993) |
شبکۀ عصبی |
201 |
ST |
کوه (1987) |
تحلیل تمایزی چندمتغیره و لاجیت |
|
177 |
AI |
اودوم و شاردا (1993) |
شبکۀ عصبی |
202 |
ST |
لااو (1987) * |
تحلیل تمایزی چندمتغیره و لاجیت |
|
178 |
ST |
لین و ورتین (1993) * |
تحلیل تمایزی چندمتغیره و لاجیت |
203 |
ST |
کارلز و پراکاش (1987) |
مدلهای آماری چندمتغیره |
|
179 |
THE |
بوکووینسکی (1993) |
نظریه‌مدیریت نقدی |
204 |
ST |
کیسی و همکاران (1986) |
پروبیت |
|
180 |
AI |
کوتس و فانت (1992) |
شبکۀ عصبی |
205 |
ST |
اندرو (1986) |
تحلیل تمایزی چندمتغیره و لاجیت |
|
181 |
AI |
وارناس (1992) |
احتمال خطی |
206 |
O-ST |
کیسی و واتسون (1986) |
قضاوتی، تحلیل تمایزی چندمتغیره |
ادامۀ جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) (continued) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
207 |
ST |
لارنس (1986) * |
تحلیل تمایزی چندمتغیره |
230 |
ST |
آلتمن (1983) |
تحلیل تمایزی چندمتغیره |
|
208 |
AI-ST |
فریدمن و همکاران (1985) |
تحلیل تمایزی و الگوریتم پارتیشن‌بندی بازگشتی |
231 |
ST |
ال‌هناوی و موریس (1983) |
تحلیل تمایزی چندمتغیره |
|
209 |
ST |
جنتری و همکاران (1985) |
لاجیت، پروبیت |
232 |
ST |
کوه (1982) |
تجزیهوتحلیل تشخیص خطی |
|
210 |
ST |
لویتان و نابلت (1985) |
تحلیل تمایزی چندمتغیره |
233 |
ST |
بتز و بلهول (1983و 1982) |
تحلیل تمایزی چندمتغیره |
|
211 |
ST |
رز و کولاری (1985) |
تحلیل تمایزی چندمتغیره |
234 |
THE |
بوث (1982) |
معیارهای تفکیک ترازنامه، نظریۀ آنتروپی |
|
212 |
ST |
فریدمن و همکاران (1985) |
تحلیل تمایزی چندمتغیره |
235 |
THE |
چن و شیمردا (1981) |
تکمتغیره، نسبت‌های مالی |
|
213 |
ST |
زاوگرن (1985) |
لاجیت |
236 |
ST |
تا و سیح (1981) |
تجزیهوتحلیل تشخیص خطی |
|
214 |
AI-ST |
فریدمن، آلتمن و کا او (1985) |
الگوریتم پارتیشن‌بندی بازگشتی |
237 |
AI |
اسکات (1981) |
نظریۀ ویرانۀ قمار |
|
215 |
ST |
کیسی و بارتزاک (1985) |
لاجیت و تحلیل تمایزی چندمتغیره |
238 |
ST |
کاستاگنا و ماتالکسی (1981) |
تحلیل تمایزی چندمتغیره |
|
216 |
ST |
زمیجوسکی (1984) |
پروبیت |
239 |
O |
زیمر (1980) |
قضاوتی |
|
217 |
ST |
تافلر (1984) |
پروبیت |
240 |
ST |
تافلر (1980) |
تحلیل تمایزی چندمتغیره |
|
218 |
ST |
تاکاهاشی و همکاران (1984) |
تحلیل تمایزی چندمتغیره |
241 |
ST |
شارما و ماهاجان (1980) |
تحلیل تمایزی چندمتغیره |
|
219 |
ST |
لو (1984) |
لاجیت |
242 |
ST |
راجا و گوو ای (1980) |
تجزیهوتحلیل تشخیص خطی |
|
220 |
ST |
آیزان (1984) |
تحلیل تمایزی چندمتغیره |
243 |
ST |
پت وی و سینکی (1980) |
تحلیل تمایزی چندمتغیره |
|
218 |
ST |
تاکاهاشی و همکاران (1984) |
تحلیل تمایزی چندمتغیره |
244 |
ST |
ماریاس (1980) |
تحلیل تمایزی چندمتغیره |
|
221 |
AI |
ماریاس و همکاران (1984) * |
الگوریتم افراز بازگشتی |
245 |
ST |
دامبولنا و خووری (1980) |
تجزیهوتحلیل تشخیص خطی |
|
222 |
ST |
فولمر و همکاران (1984) |
تحلیل تمایزی چندمتغیره |
246 |
O |
کیسی (1980) |
قضاوتی |
|
223 |
ST |
ریچاردسون و دیویدسون (1984) |
تحلیل تمایزی چندمتغیره |
247 |
ST |
اولسون (1980) |
رگرسیون لجستیک |
|
224 |
ST |
اپه‌تی‌تی (1984) |
تحلیل تمایزی چندمتغیره و تحلیل تفکیک تکمتغیره |
248 |
ST |
آلتمن و لوالی (1980) |
تجزیهوتحلیل تشخیص خطی |
|
225 |
ST |
هامر (1983) |
تحلیل تشخیص خطی و تحلیل تفکیک درجۀ 2 |
249 |
ST |
اهورونی و همکاران (1980) |
تحلیل تمایزی چندمتغیره |
|
226 |
ST |
اسپرینگیت (1983) |
تحلیل تمایزی چندمتغیره |
250 |
ST |
نورتون و اسمیت (1979) |
تحلیل تمایزی چندمتغیره |
|
227 |
ST |
منسا (1983) |
تحلیل تمایزی چندمتغیره و تحلیل لوجیت |
251 |
ST |
ایرل و ماریس (1979) |
تحلیل تمایزی چندمتغیره |
|
228 |
ST |
زاوگرن (1983 |
لاجیت |
252 |
ST |
یمیان و ویلسون (1978) |
تحلیل تمایزی چندمتغیره و رگرسیون لجستیک |
|
229 |
ST |
بوث (1983) |
تحلیل تمایزی چندمتغیره |
253 |
ST |
وین ریچ (1978) |
تحلیل تمایزی چندمتغیره غیرخطی |
ادامۀ جدول (3) روند پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی در سایرکشورها
Table (3) (continued) The research of predicting financial distress and bankruptcy in other countries
|
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
ردیف |
کد |
پژوهشگران و تاریخ انتشار پژوهش |
مدل‌ها و تکنیکهای پیشبینی |
|
|
254 |
ST |
اسپرینگیت (1978) |
تحلیل تمایزی چندمتغیره |
277 |
ST |
ویلکاس (1973) |
دوجمله‌ای |
|
|
255 |
ST |
ماسون و هریس (1978) |
تحلیل تمایزی چندمتغیره |
278 |
ST |
آلتمن (1973) |
تجزیهوتحلیل تشخیص خطی |
|
|
256 |
ST |
کتز (1978) |
تحلیل تمایزی چندمتغیره |
279 |
THE |
لو (1973) |
معیارهای تفکیک ترازنامه، نظریۀ آنتروپی |
|
|
257 |
ST |
مارتین (1977) |
لاجیت، تحلیل تشخیص خطی و تحلیل تفکیک درجۀ 2 |
280 |
ST |
گروو (1973) |
تجزیهوتحلیل متمایز چندمتغیره |
|
|
258 |
ST |
مویر (1977) |
تحلیل تمایزی چندمتغیره |
281 |
ST |
دیکین (1972) |
تحلیل تمایزی چندمتغیره |
|
|
259 |
ST |
تافلر (1977) |
تجزیهوتحلیل متمایز چندمتغیره |
282 |
ST |
ادمیستر (1972) |
تجزیهوتحلیل تشخیص خطی |
|
|
260 |
ST |
سانتومرو و وینسو (1977) |
تحلیل تمایزی چندمتغیره |
283 |
ST |
لیس (1972) |
تجزیهوتحلیل متمایز چندمتغیره |
|
|
261 |
ST |
هانوک (1977) |
پروبیت |
284 |
ST |
میر و پی‌فر (1970) |
احتمال خطی |
|
|
262 |
ST |
دیکین (1977) |
تجزیهوتحلیل متمایز چندمتغیره |
285 |
ST |
تیل (1969) |
معیارهای تفکیک ترازنامه، نظریۀ آنتروپی |
|
|
263 |
ST |
مارتین (1977) |
لاجیت |
286 |
ST |
دنیل (1968) |
تجزیهوتحلیل متمایز چندمتغیره |
|
|
264 |
ST |
بیلدربیک (1977) |
رگرسیون چندمرحله‌ای |
287 |
ST |
آلتمن (1968) |
تجزیهوتحلیل تمایزی چندمتغیره |
|
|
265 |
ST |
آلتمن و همکاران (1977) |
تجزیهوتحلیل متمایز چندمتغیره |
288 |
ST |
آلتمن (1968) |
تجزیهوتحلیل تفکیک تکمتغیره |
|
|
266 |
ST |
دیاموند (1976) |
طرح تفکیک عینی |
289 |
ST |
هوریگان (1966) |
رگرسیون چندگانه |
|
|
267 |
ST |
تیشا (1976) |
تجزیهوتحلیل تشخیص خطی |
290 |
THE |
بیور (1966) |
تکمتغیره، نسبت‌های مالی |
|
|
268 |
ST |
بیرمن (1976) |
تجزیهوتحلیل تشخیص خطی |
291 |
THE |
جک‌ندوف (1962) |
نسبت‌های زیانآور |
|
|
269 |
ST |
آلتمن و لوریس (1976) |
تجزیهوتحلیل تشخیص خطی |
292 |
THE |
فیشر (1959) |
رگرسیون رتبه‌ای |
|
|
270 |
ST |
سینکی (1975) |
تجزیهوتحلیل متمایز چندمتغیره |
293 |
THE |
والتر (1957) * |
تکمتغیره، نسبت‌های مالی |
|
|
271 |
O |
لیب بی (1975) |
قضاوتی |
294 |
THE |
چودسوون (1945) |
الگوی نرمال ساختار مالی |
|
|
272 |
ST |
بلوم (1974) |
تجزیهوتحلیل متمایز چندمتغیره |
295 |
THE |
مروین (1942) |
تکمتغیره، نسبت‌های مالی |
|
|
273 |
THE |
پینچس و همکاران (1975) |
تکمتغیره، نسبت‌های مالی |
296 |
THE |
اسمیت‌و ویناکور (1935) |
تکمتغیره، نسبت‌های مالی |
|
|
274 |
ST |
بلوم (1974) |
تجزیهوتحلیل تمایزی چندمتغیره |
297 |
THE |
فیتز پاتریک (1932) |
تکمتغیره، نسبت‌های مالی |
|
|
275 |
THE |
بلک و شولز، 1973 |
نظریه‌های ریسک اعتباری |
298 |
THE |
رانسمر و فوستر (1931) * |
تکمتغیره، نسبت‌های مالی |
|
|
276 |
THE |
مرتون (1973) |
نظریه‌های ریسک اعتباری |
|
||||
جدول 4 آمار پژوهش‌های پیشبینی در ایران و سایر کشورها را به تفکیک نوع مدلهای گوناگون استفادهشده در پژوهش‌های ایران و سایر کشورها نشان می‌دهد.
جدول (4) آمار پژوهش‌های پیشبینی در ایران و سایر کشورها به تفکیک نوع مدل استفادهشده
Table (4) Statistics of forecasting studies in Iran and other countries by type of models used
|
سایر کشورها |
ایران |
نوع مدل |
ردیف |
||
|
دورۀ استفاده از مدل‌ها |
تعداد مدلهای استفادهشده |
دورۀ استفاده از مدل‌ها |
تعداد مدلهای استفادهشده |
||
|
۲۰۲۳-۱۹۹۶ |
117 |
1401-1380 |
43 |
مدلهای آماری |
1 |
|
2023-1981 |
125 |
1402-1381 |
40 |
مدلهای هوشمند |
2 |
|
2020-1985 |
25 |
۱۳۸۸- ۱۴۰۲ |
17 |
مدلهای ترکیبی |
3 |
|
1998-1931 |
21 |
-------- |
0 |
مدلهای نظری |
4 |
|
2011-1975 |
10 |
1394-1390 |
2 |
سایر روش‌ها و مدل‌ها |
5 |
|
|
298 |
|
102 |
جمع |
|
جدول 5 روند استفاده از مدلهای گوناگون در پژوهش‌ها را در ایران و سایر کشورها نشان می‌دهد.
جدول (5) روند استفاده از مدلهای گوناگون در پژوهش‌های پیشبینی در ایران و سایرکشورها
Table (5) The trend of using different models in forecasting research in Iran and other countries
|
مدلهای استفادهشده برای پیشبینی ورشکستگی |
1349-1310 |
1359-1349 |
1369-1359 |
1379-1369 |
1389-1379 |
1402-1389 |
|
1970-1931 |
1980-1970 |
1990-1980 |
2000-1990 |
2010-2000 |
2023-2010 |
|
|
مدلهای آماری (ایران) |
0 |
0 |
0 |
0 |
18 |
25 |
|
مدلهای آماری (سایر کشورها) |
5 |
30 |
40 |
16 |
17 |
9 |
|
مدلهای هوشمند (ایران) |
0 |
0 |
0 |
0 |
8 |
32 |
|
مدل‌های‌هوشمند (سایر کشورها) |
0 |
0 |
5 |
49 |
46 |
25 |
|
مدلهای نظری (ایران) |
0 |
0 |
0 |
0 |
0 |
0 |
|
مدلهای نظری (سایر کشورها) |
9 |
4 |
4 |
4 |
0 |
0 |
|
مدلهای ترکیبی (ایران) |
0 |
0 |
0 |
0 |
2 |
14 |
|
مدلهای ترکیبی (سایرکشورها) |
0 |
0 |
4 |
4 |
9 |
8 |
|
سایر مدل‌ها (ایران) |
0 |
0 |
0 |
0 |
0 |
0 |
|
سایر مدل‌ها (سایرکشورها) |
0 |
1 |
2 |
0 |
4 |
3 |
|
جمع‌کل (ایران) |
0 |
0 |
0 |
0 |
28 |
74 |
|
جمع‌کل (سایرکشورها) |
14 |
35 |
55 |
73 |
76 |
45 |
شکل 2 روند استفاده از انواع مدل‌ها در پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی و روند تعداد کل مقالات در ایران و سایر کشورها را نشان می‌دهد. در ایران این پژوهش‌ها از سال1380 آغاز شده و با روندی فزاینده و رو‌به‌رشد مواجه بوده است و از سه نوع مدلهای آماری، مدلهای هوشمند و مدلهای ترکیبی استفاده کرده‌اند. طبق شکل 2، این پژوهش‌ها که در سایرکشورها از سال 1931 آغاز شده، از 5 نوع مدل شامل مدلهای آماری، هوشمند، نظری، ترکیبی و سایر مدل‌ها (نظیر تحلیل پوششی داده‌ها یا قضاوتی) بهره برده‌اند. برخلافِ روند صعودی این‌گونه پژوهش‌ها در ایران، در سایرکشورها روند آن درحالِ نزول است.
|
|
|
||
|
|
|
|
|
شکل (2) روند استفاده از انواع مدل‌ها در پژوهش‌های پیشبینی درماندگی مالی و ورشکستگی و تعداد کل مقالات در ایران و سایر کشورها
Figur (2) The trend of using different financial distress and bankruptcy prediction models and the trend of the total number of articles in Iran and other countries
نتیجه‌گیری
باتوجهبه اهمیت پیشبینی ورشکستگی شرکتها، هدف این پژوهش مرور، بررسی و تحلیل 102 پژوهش در ایران طی سال‌های ۱۳۸۰-۱۴۰۲ و 298 پژوهش در سایرکشورها طی سال‌های ۱۹۳۱-۲۰۲۳ دربارۀ مدلهای پیشبینی درماندگی مالی و ورشکستگی شرکتها است.
یافته‌های حاصل از مبانی نظری و پیشینۀ پژوهش تأکید بر آن دارد که درماندگی مالی (ناتوانی شرکت در ایفای تعهدات آن) با ورشکستگی متفاوت است و درماندگی مالی الزاماً به ورشکستگی قانونی منجر نمی‌شود (Rostami et al., 2011). نتایج بررسی‌ها وجود فاصلۀ زمانی بین 3 الی 5 سال بین مرحلۀ درماندگی مالی و ورشکستگی کامل را نشان می‌دهد (Hernandez Tinoco & Wilson, 2013)؛ بنابراین، تلاش برای شناسایی به‌هنگام آن در مراحل اولیه و بهبود شرکت‌های درماندۀ مالی بسیار مهم است.
نتایج بررسی‌ها نشان داد که این پژوهش‌ها در ایران از سال 1380 آغاز و تاکنون (1402) با روندی صعودی ادامه دارد و طی این دوره ایرانیان از هر سه نوع مدل آماری، هوشمند مصنوعی و ترکیبی استفاده کرده‌اند. برخلافِ گستردگی گذشته و استفادۀ فراوان از تکنیکهای آماری نظیر تحلیل تمایزی چندگانه، رگرسیون لجستیک و پروبیت در پیش‌بینی‌ها، استفاده از تکنیکهای هوشمند مبتنی بر محاسبات تکاملی و الگوریتم‌های فراابتکاری نظیر شبکۀ عصبی مصنوعی و الگوریتم ژنتیک، به‌ویژه الگوریتم‌های الهام‌گرفته از هوش‌جمعی حیوانات نظیر الگوریتم مورچگان، الگوریتم‌کرم شب‌تاب، الگوریتم پرندگان و نظایر آن، افزایشی چشمگیر داشته است. این مدل‌ها و الگوریتم‌ها توانستند دقت پیشبینی درماندگی مالی و ورشکستگی شرکتها را گاهی تا 100% دقت افزایش دهند. همچنین، آیندۀ نویدبخشی را روبه‌روی پژوهشگران، سیاست گذاران، شرکتها و جامعه قرار می‌دهند.
نتیجۀ دیگر بالاتر‌بودن نسبت مدلهای پیشبینی جدید و نوآورانه در سایر کشورها نسبت‌به ایران بوده است. بررسی‌ها نشان داد که از بین 102 پژوهش بررسی‌شده در ایران، 63 عدد از آنها (76/61%) مدل را بومی‌سازی کرده یا طراحی جدید داشته و به کارگرفته‌اند. این در حالی است که از بین 298 پژوهش بررسی‌شده در سایر کشورها، 5/87% آنها بومی‌سازی یا طراحی جدید کرده و به کارگرفته‌اند.
نتایج بررسی‌ها نشان داد که به‌دلیلِ شواهد متعدد و متضاد دربارۀ توانایی مدل‌ها و تکنیکهای پیشبینی درماندگی مالی و ورشکستگی شرکتها، نمی‌توان قاطعانه دربارۀ برتری همیشگی یک مدل یا تکنیک خاص پیشبینی نظر داد؛ زیرا نمی‌توان یک تکنیک یا مدل را یافت که برای همۀ شرکتها و برای همۀ تعداد دورههای پیشبینی به‌طور مطلق برتر باشد. اما بهطورکلی می‌توان گقت که ازلحاظِ دقتِ پیشبینی مدل‌ها به‌ترتیب مدلهای هوشمند مبتنی بر محاسبات تکاملی در درجۀ اول دقت، سپس مدلهای ترکیبی، مدلهای آماری و مدلهای نظری قرار دارند. در بین تکنیکهای آماری توانمند و جدید می‌توان به تکنیکهای رگرسیون لجستیک غیرخطی (Lohmann et al., 2022; Lohmann & Möllenhoff, 2023 ) اشاره کرد. در بین مدلهای هوش مصنوعی می‌توان روش‌های جدید، پرکاربرد و دقیقی مانند مدلهای تقویت گرادیان (Jones, 2017) روش‌های یادگیری ماشین (Chen et al., 2023) و مدلهای مبتنی بر هوش جمعی نظیر الگوریتم کرم شب‌تاب (Bayat et al, 2018) و نظایر آن را توصیه کرد که همچنان درحالِ تکامل و کشف هستند.
باتوجهبه نتایج بررسی‌ها، به پژوهشگران توصیه می‌شود به متنوع‌سازی بیشتر تکنیکهای پیشبینی اقدام کنند و به‌دلیلِ دقت بالای تکنیکهای نوین مبتنی الگوریتم‌های محاسباتی فراابتکاری تکاملی و ترکیبی، درزمینۀ گسترش یادگیری و ترویج و به‌کارگیری آنها برای پیشبینی درماندگی مالی و ورشکستگی شرکتها همت گمارند. به پژوهشگران پیشنهاد می‌شود که همچون لومن و مولنوف (2023) به تحلیل روند و کنترل و نظارت پویای ساختاری سه‌گانۀ ذکرشده توسط آنها بپردازند تا به بینشی پویا دربارۀ وضعیت مالی پویای شرکتها دست یابند.
به‌دلیلِ تفاوت میان درماندگی و ورشکستگی و ضرورت پیشبینی درماندگی مالی و پیش‌گیری به‌موقع، به بورس اوراق بهادار تهران پیشنهاد می‌شود که دربارۀ تعریف شاخص مجزایی برای تشخیص درماندگی مالی و ورشکستگی اقدام شود. درحال‌حاضر، از مادۀ 141 قانون تجارت برای معیار شناسایی شرکت‌های درمانده مالی و ورشکسته و سالم استفاده می‌شود؛ زیرا برای شرکت‌های درمانده هنوز فرصت تجدید ساختار و تداوم فعالیت و احیای این واحدها وجود دارد.
به پژوهشگران، استفاده‌کنندگان از نتایج پیشبینی درماندگی مالی و مدیران، به‌ویژه به سرمایه‌گذاران، توصیه می‌شود که پس از هر بحرانی به‌پیش‌بینی دوبارۀ ریسک درماندگی مالی و ورشکستگی، به‌ویژه برای شرکت‌های کوچک و متوسط که وضعیت مالی ضعیف‌تری داشته و آسیب‌پذیرترند، اقدام کرد؛ زیرا ممکن است پیش‌بینی‌های قبل از بحران دیگر صادق نباشند. توصیه می‌شود که به طراحی مدلهای ویژه و تخصصی پیشبینی برای شرکت‌های کوچک و متوسط توجه کافی شود.
ازآن‌جاکه ویژگی‌های صنعت و ویژگی‌های شرکت بر دقت پیشبینی مدلهای آنها مؤثرند و مدلهای متمرکزتر و تخصصی‌تر توانمندی بالاتری دارند، توصیه می‌شود که همانند ناظمی اردکانی و همکاران (2018) مدلهای تخصصی را برای پیشبینی برحسبِ صنعت، اندازۀ شرکتها، بین‌المللی یا ملی‌بودن قلمرو فعالیت آنها و… تدوین کرد.
توصیۀ نهایی توجه به پیشبینی و بررسی و تحلیل پویای ریسک وشکستگی در سطح بازار، صنعت و شرکت و توجه به سه ساختاری است که لومن و مولنوف ذکر کرده‌اند.
)