بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشکستگی

تحلیل گران مالی و سایر استفاده کنندگان برای پیش بینی ورشکستگی شرکت ها نیاز به اطلاعات مربوط و قابل اتکا دارند که باید اطلاعات به صورت متقارن بین تمامی استفاده کنندگان توزیع گردد. بر همین اساس، هدف این پژوهش، بررسی مقایسه دقت پیش بینی سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه و مدل باینری-لجستیک فالمر در راستای پیش بینی ورشستگی است. برای آزمون فرضیه ها، از داده های ترکیبی 172 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385-1396 استفاده شد. یافته های حاصل از تجزیه و تحلیل داده های پژوهش نشان داد که سیستم شبکه های عصبی مصنوعی بر مبنای رویکرد پرسپترون چندلایه قادرند با دقتی معادل 98 درصد عوامل تاثیر گذار بر ورشکستگی شرکت های ایرانی را در سال قبل از ورشکستگی شناسایی نماید. یافته های حاصل از بررسی مدل باینری-لجستیک نشان داد که الگوی پیش بینی طراحی شده بر اساس روش رگرسیون فالمر قادر است با دقت 82 درصد ورشکستگی شرکتهای نمونه را مورد پیش بینی قرار دهد. لذا، استفاده از شبکه های عصبی مصنوعی می تواند با قدرت و دقت بیشتری ورشکستگی را نسبت مدل های رگرسیونی پیش بینی نماید