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

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.

هوش مصنوعی، شبکه عصبی مصنوعی، تابع شعاع مدار، ورشکستگی، خطای آلفا، خطای بتا