بررسی کارایی توابع شعاع مدار در کاربرد مدل شبکه های عصبی برای پیش بینی ورشکستگی
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,107
فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AISST01_199
تاریخ نمایه سازی: 5 مرداد 1392
چکیده مقاله:
توسعه بازارهای مالی و متعاقب آن بروز بحران های اقتصادی و مالی در سطح بین الملل و ملی موجب تأثیرگذاری بذر محیط کسب و کار می شود و از آنجایی که آینده وضعیت مالی شرکت ها برای گروه های مختلف ذینفع مهم تلقی می گردد، پیش بینی ورشکستگی می تواند به عنوان ابزاری تأثیر گذار در جهت کمک به آن ها مورد استفاده قرار گیرد. روش های پیش بینی به طور مداوم در حال تکامل هستند و امروزه شبکه های عصبی مصنوعی جایگاه ویژه ای در بین این روش ها پیدا کرده است، از این رو پژوهش حاضر به دنبال یافتن روش بهتر برای ساخت و آموزش شبکه های عصبی مصنوعی است که منجر به پیش بینی دقیق تر در موضوع ورشکستگی شود. در این میان سه شبکه عصبی از نوع توابع شعاع مدار ساخته شد که به صورت جداگانه توسط متغییرهای مدل آلتمن (1983) ، اسمایوسکی (1984) و ترکیبی آموزش داده شدند. پس از سنجش توانایی سه مدل در پیش بینی ورشکستگی با استفاده از آزمون دقیق فیشر و مک نمار، دقت آن ها مورد مقایسه قرار گرفته است. نمونه مورد آزمون شامل شرکت های عضو بورس اوراق بهادار تهران در بین سال های 1383 تا 1390 می باشد. یافته ها نشان می دهند که هر سه مدل توانایی پیش بینی ورشکستگی را دارند و از بین آن ها مدل آموزش یافته با متغیرهای مدل آلتمن دقیق تر از دو مدل دیگر قادر به انجام این امر است.
کلیدواژه ها:
نویسندگان
علیرضا مهرآذین
استادیار گروه حسابداری، دانشگاه آزاد اسلامی واحد نیشابور
احمد زنده دل
استادیار گروه آمار، دانشگاه آزاد اسلامی واحد نیشابور
محمد تقی پور
کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی واحد نیشابور
امید فروتن
کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی واحد نیشابور
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :