مقاله علمی و پژوهشی " کاربرد سامانه خبره تلفیقی در پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران " مقاله ای است در 25 صفحه و با 26 فهرست منبع که در مجلات معتبر علمی و پژوهشی با رویکرد اقتصاد و الگو سازی منتشر شده است

در این مقاله علمی و پژوهشی به مباحث  ورشکستگی؛ سامانة خبره تلفیقی؛ سامانه مبتنی بر پایگاه قواعد؛ شبکه عصبی GMDH پرداخته شده است

چکیده مقاله

در این مقاله، به پیش‌بینی ورشکستگی شرکت‌ها با استفاده از سامانة خبره تلفیقی پرداخته شده است. عوامل مؤثر بر ورشکستگی و میزان تأثیر آنها تحت عنوان قواعدی در سامانه مبتنی بر پایگاه قواعد ذخیره شده و به همراه نسبت‌های مالی شرکت‌ها به عنوان ورودی شبکة عصبی در نظر گرفته می‌شوند. تأثیر هر یک از این عوامل بر نسبت سرمایه/ سود (یا زیان انباشته) بررسی گردید تا تأثیر شوک¬های برونزا بر ورشکستگی مشخص شود. به این ترتیب نرخ تغییر این متغیر به همراه چهار نسبت مالی ذکر شده، به عنوان ورودی¬های شبکة عصبی لحاظ گردید. مقایسة نتایج استخراجی حاصل از سامانة خبره نشان داد که این روش به صورت معناداری دقت شبکة عصبی را در پیش‌بینی بهبود می¬بخشد. به خصوص در سال¬های 84 و 85 که به دلیل اجرای سیاست¬های شفاف‌سازی، آمار شرکت‌های ورشکسته بالا بود، این تفاوت معنادارتر می‌باشد. به این ترتیب تمامی فرضیه‌های پژوهش، مبنی بر بالاتر بودن دقت سامانة خبره تلفیقی نسبت به شبکة عصبی در پیش‌بینی ورشکستگی شرکت¬ها تأیید شد.

عنوان مقاله [English]

Using Hybrid Expert System Approach for Forecasting Bankruptcy of Tehran Stock Exchange Corporation Companies

چکیده [English]

In this research, bankruptcy of companies is predicted using the Hybrid Expert System (HES) approach. Factors affecting bankruptcy and the extent of their impact are saved as rules in a Rule-Based Expert System, and together with financial ratios they are considered as inputs in the GMDH neural networks. The impact of each of these factors on the accumulated profit or loss to capital ratio is evaluated in order to isolate the impact of external shocks on bankruptcy. Variables and the following four financial ratios: Current Ratio, Gross Profit Margin Ratio, Net Profit to Current Debt Ratio and Return of Assets are used as inputs in the GMDH neural networks. The results are compared with those of artificial neural networks for the year of bankruptcy, the preceding year, two years earlier and the average of these three years. In all of these cases, the HES approach produces better outcome than those produced by neural networks. The differences were more marked for 1384 and 1385 when there were large numbers of corporate bankruptcies. Hence the hypothesis of higher accuracy of Expert System compared to neural networks in predicting bankruptcies is confirmed.

کلیدواژه‌ها [English]

Bankruptcy Prediction, Financial Ratios, GMDH Neural Networks, Hybrid Expert System, Genetic algorithm

دانشجویان دوره دکترا و کارشناسی ارشد می تواند از محتوای این مقاله برای رساله دکترا و پایان نامه کارشناسی ارشد بهره ببرند .