در نتیجه متغیرهای مورد استفاده در مدلها کارایی خود را ازدست می دهند (هابر[4]،2006). همچنین سیستم های اقتصادی که بر پایه آن طرح ریزی شدند متفاوت از دیگر بخش ها و یا کشور ها است. از این رو استفاده از مدلی که منطبق بر شرایط اقتصادی کشور باشد ضروری است. هدف این تحقیق ارزیابی میزان اثربخشی الگوهای جریان وجوه نقد و مدل پیش بینی ورشکستگی با استفاده از الگوریتمی است که با شرایط و سیستم اقتصادی کشور منطبق می باشد و بر اساس متغیرهای اثرگذار در ایران پایه ریزی شده که توسط محققان قبلی بدست آمده است.
تشریح و بیان مسئله (2-1
مدیران، سهامداران، کارکنان، بستانکاران، مشتریان، سرمایه گذاران و سایر افراد ذینفع برای تصمیم گیری به اطلاعات نیازمند هستند و این نوع اطلاعات می تواند از طریق صورت های مالی که یکی از منابع تامین کننده نیازهای اطلاعاتی استفاده کنندگان است، برآورده شود. تحلیل گران مالی با استفاده از اطلاعات مندرج در صورت های مالی شرکت ها قدرت تصمیم گیری را افزایش می دهند. یکی از ابزارهای تجزیه و تحلیل صورت های مالی، استفاده و بکارگیری نسبت ها و شاخص های مالی و غیر مالی استخراج شده از صورت های مالی است.
به عنوان مثال، نسبت های نقدینگی، عملیاتی و غیره می توانند برای استفاده کنندگان موثر باشند. یکی از راه هایی که می توان با استفاده از آن از فرصت های سرمایه گذاری مناسب تر بهره گیری کرده و از هدر رفتن منابع جلوگیری نمود، پیش بینی ورشکستگی است. به این ترتیب که در وهله اول، با ارائه هشدارهای لازم، می توان شرکت ها را نسبت به وقوع ورشکستگی هوشیار کرد تا آنها با توجه به این هشدارها، دست به اقدامات مقتضی بزنند و دوم اینکه، سرمایه گذاران فرصت های مطلوب سرمایه گذاری را از فرصت های نا مطلوب تشخیص دهند و منابع شان را در فرصت ها و مکان های مناسب سرمایه گذاری کنند. به هر حال نشانه های پریشانی مالی خود را به سرعت نشان نمی دهند بلکه در میان حجم انبوهی از اطلاعات مالی و غیر مالی خود را مستتر می سازند. رمز موفقیت در این زمینه شناسایی به هنگام مشکلات مالی است. یعنی زمانی که صدمات ناشی از این مشکلات اساسی نبوده و شرکت در ورطه نابودی قرار نگرفته باشد. در اینجا است که مدل های پیش بینی ورشکستگی اهمیت خود را نشان می دهند. این مدل ها همانند زنگ خطری مشکلات نهفته در ساختار مالی را آشکار می کنند و امکان عکس العمل به موقع را برای مدیران، سرمایه گذاران و سایر افراد و مراجع ذینفع فراهم می آورند. درماندگی مالی و ورشکستگی، هزینه های زیادی به همراه دارد که صدمات جبران ناپذیری را به اقتصاد یک کشور، وارد می کند. یکی از راههایی که می تواند به جلوگیری از درماندگی مالی کمک شایان توجهی کند، پیش بینی درماندگی مالی است. در فرهنگ آکسفورد واژه Distress به معنای پریشانی، درد، اندوه، فقدان منابع مالی و تنگدستی آورده شده است. از نقطه نظر اقتصادی، درماندگی مالی را می توان به زیان ده بودن شرکت تعبیر کرد که در این حالت شرکت دچار شکست [5]شده است (فرج زاده،1386). تداوم فعالیت شرکتها، موضوعی است که در فرآیند حسابرسی مورد ارزیابی قرار می گیرد. استاندارد حسابرسی شماره 570 ایران نحوه ی رسیدگی و اظهار نظر حسابرسان را نسبت به تداوم فعالیت شرکت ها مشخص نموده است(کمیته تدوین استانداردهای حسابرسی،1390 ). علیرغم اینکه حسابرسان از این استاندارد نیز استفاده می کنند، شرکت های متعددی بعد از دریافت گزارش حسابرسی مقبول واظهار نظر نادرست حسابرسان ورشکسته شده اند. حسابداران، حسابرسان، شاغلین در این حرفه و محققان بر این باورند که خصوصا در حسابرسی به یک ابزار نیاز است تا به اظهار نظر حسابرسان نسبت به تداوم فعالیت شرکتها کمک کند. بنابراین این مطالعه بدنبال شناسایی یک ابزار مناسب است تا حسابرسان به وسیله ی آن بتوانند به طور مناسب تر و معقول تر نسبت به تداوم فعالیت واحد های تجاری اظهار نظر نمایند.
تعدادی از مطالعات قبلی درصدد توسعه مدل های پیش بینی کننده ورشکستگی بر مبنای متغیر های مالی و سایر شاخص ها، از مشکلات مالی بر آمدند. مطالعات نشان می دهد که این مد ل ها می توانند ورشکستگی را با دقت زیاد چند سال قبل از وقوع ورشکستگی واقعی پیش بینی کنند. در این تحقیق نتایج الگوی جریان های نقدی با نتایج ناشی از مدل برنامه ریزی ژنتیک درپیش بینی ورشکستگی مقایسه می شود تا میزان اثربخشی آنها ارزیابی گردد و هر کدام که دارای دقت بالاتری باشد بعنوان ابزاری جهت پیش بینی وضعیت آتی شرکت ها معرفی شود.
حسابرسان معمولا بر اساس استانداردهای حسابرسی با توجه به نشانه هایی از جمله موارد زیر نسبت به تداوم فعالیت اظهار نظر می کنند:
1-سود (زیان)دوره جاری یا سنوات گذشته
2-خالص جریان وجوه نقد عملیاتی
3-سرمایه در گردش
4-مقایسه بدهی به حقوق صاحبان سهام
5-سایر نسبتهای مالی(ساندرا[6]،1999).
حسابرسان بر اساس اطلاعات فوق نسبت به تداوم فعالیت شرکتها اظهار نظر می کنند که در بسیاری از موارد پیش بینی حسابرسان نادرست بوده و موجب آسیب رساندن به سرمایه گذاران، سهامداران، بانکها، دولت، موسسات بیمه و سایر ذینفعان شده اند.
از آنجایی که خالص جریان های وجوه نقد عملیاتی بعنوان یک عامل برای حسابرسان در ارزیابی تداوم فعالیت شرکت ها می باشد، لذا دراین تحقیق به بررسی مدل برنامه ریزی ژنتیک(GP)[7] ارائه شده توسط فرج زاده دهکردی (1386) برای پیش بینی درماندگی مالی و میزان دقت آن در ش
رکت های دارای درماندگی مالی و شرکتهای که دارای سلامت مالی (سالم) پرداخته می شود و سپس میزان دقت الگوی جریان نقدی در مورد پیش بینی وضع آتی شرکت ها بررسی و در آخر نتایج این دو مورد با یکدیگر مقایسه تا بهترین روش را برای استفاده ی حسابرسان در اظهار نظر نسبت به تداوم فعالیت واحد های تجاری بکار گرفته شود و مدلی با بالاترین میزان دقت جهت استفاده ی حسابرسان به آنان معرفی شود. الگوی جریان نقدی، سیاست های شرکت برای تأمین منابع، تخصیص منابع و ظرفیت عملیاتی را نشان می دهد. تئوری های اقتصادی و محققان قبلی مثبت یا منفی بودن جریان های نقدی مربوط به هر یک از فعالیت های عملیاتی، سرمایه گذاری و تأمین مالی را با توجه به مراحل چرخه عمر پیش بینی کرده اند. براساس این مطالعات چرخه ی عمر به 5مرحله تقسیم شده که این مراحل عبارتند از:
1-مرحله ی ظهور 2- مرحله ی رشد 3- مرحله ی بلوغ 4-مرحله ی رکود 5-مرحله ی نزول(افول)
الگوهای جریان نقد به پیش بینی علائم جریان های نقد در هر یک از مراحل فوق می پردازد. بگونه ای که جریان نقد عملیاتی در مراحل فوق به شرح زیر می باشد: در مرحله ظهور منفی-در مرحله ی رشد مثبت-در مرحله ی بلوغ مثبت-در مرحله ی رکود و نزول منفی می شود. وضعیت جریانات نقد ناشی از فعالیتهای سرمایه گذاری بدین گونه می باشد که در مرحله ی ظهور منفی-در مرحله ی رشد منفی-در مرحله ی بلوغ منفی-در مرحله ی رکود بسته به تصمیمات مدیریت مثبت و یا منفی می باشد-و در مرحله ی نزول مثبت می باشد. ودر نهایت جریان نقدی ناشی از تامین مالی اینگونه خواهد بود که:در مرحله ی ظهور مثبت-در مرحله ی رشد مثبت-در مرحله ی بلوغ منفی-ودر مراحل رکود و نزول بر حسب تصمیمات مدیریت مثبت ویا منفی خواهد بود (دیکینسن[8]، 2011). به عنوان مثال مثبت یا منفی بودن جریان نقدی مربوط به هر یک از فعالیت ها، سیاست ها و خط مشی های مورد انتظار هر یک از مراحل چرخه عمر را نشان می دهد. بر طبق این الگوها در زمان نزول(افول)شرکت، جریان های نقدی به شرح زیر می باشد:

ی توان شرکت ها را در2 گروه طبقه بندی کرد:
1- شرکت های دارای سلامت مالی 2 –شرکت های دارای پریشانی مالی. بر این اساس شرکت ها را می توان توسط متغیر تصنعی (y) طبقه بندی کرد:
(2-1)
به هر حال پیشنهاداتی در رابطه با تعریف بیش از 2 گروه بر اساس سطح ریسک نیز ارائه شده است اما به دلیل
پذیرش عمومی 2 گروه طبقه بندی، توجهات عموما بر روش های طبقه بندی 2 گروهی تمرکز یافته است (دیمیتراس و دیگران[21]، 1996). تکنیک های پیش بینی ورشکستگی بر اساس ماهیت خود در سه دسته تکنیک های آماری (کلاسیک)، تکنیک های هوش مصنوعی و مدل های تئوریک طبقه بندی شده اند. در نهایت میزان کاربرد تکنیک های موجود در هر گروه و دقت پیش بینی مدل های مرتبط با هر تکنیک ارائه شده است.
2-6-1( تکنیک های آماری[22]: این تکنیک ها از ابتدایی ترین و رایج ترین تکنیک ها برای مدل بندی پیش بینی ورشکستگی به شمار می روند. در این تکنیک ها از روش های مدل بندی استاندارد کلاسیک استفاده شده که بر نشانه های ناتوانی تجاری تمرکز دارند. متغیر های مورد استفاده در تدوین این مدل ها عموما اطلاعات مندرج در صورت های مالی است. مدل های آماری خود به دو گروه تقسیم می شوند، مدل های آماری تک متغیری و مدل های آماری چند متغیره ، که در میان آنها مدل های چند متغیره از فراوانی بیشتری برخوردارند. تحلیل تشخیصی، احتمال خطی، لوجیت، پروبیت، مجموع تجمعی و فرایند های تعدیل ناقص در زمره تکنیک های آماری چند متغیره هستند ) فرج زاده،1386).
2-6-2) تکنیک های هوش مصنوعی [23]: تکنیک های هوش مصنوعی وظایفی مشابه با دانش، هوش و منطق انسان انجام می دهند. در حقیقت هوش مصنوعی سیستمی است که یاد می گیرد عملکرد حل مسئله خود را با توجه به تجربیات گذشته بهبود می بخشد. مدل های هوش مصنوعی نتیجه پیشرفت های تکنولوژی و توسعه اطلاعاتی بوده و به شدت بر تکنولوژی کامپیوتری متکی می باشند. استفاده از هوش مصنوعی در زمینه مالی و به خصوص پیش بینی ورشکستگی دارای سابقه زیادی نیست اما به دلیل کارایی بالا و همچنین فارغ بودن از مفروضات محدود کننده ی موجود در روش های آماری این مدل ها با استقبال زیادی از سوی پژوهش گران مواجه شده اند. در زمینه ورشکستگی این مدل ها اساسا بر نشانه های ناتوانی تجاری تمرکز دارند، عموما چند متغیره بوده و متغیرهای مورد استفاده در آن ها از اطلاعات موجود در حساب های شرکت استخراج می شوند. تکنیک های هوشمند از شبکه های عصبی، الگوریتم ژنتیک، الگوریتم های بازگشتی، مجموعه های سخت، ماشین بردار تکیه گاه، استدلال مبتنی بر موضوع و منطق فازی تشکیل شده اند (فرج زاده،1386).
2-6-3)مدل های تئوریک[24]: بر خلاف مدل های آماری و هوش مصنوعی که بر نشانه های ناتوانی تجاری تمرکز دارند، مدل های تئوریک به دنبال تعیین دلایل کیفی ناتوانی تجاری هستند. اصولا این مدلها از اطلاعاتی استخراج می شوند که بتوانند مباحث تئوریک مطروحه در زمینه ناتوانی تجاری شرکت را پاسخ دهند. مدل های تئوریک از نظر ماهیت چند متغیره بوده و عموما از تکنیکی آماری برای پشتیبانی کمی از مباحث تئوریک استفاده می کنند.
با تامل در مدل های پیش بینی ورشکستگی می توان دریافت که تمامی آن ها به نوعی میراث تکنیک های آماری هستند،برای مثال هوش مصنوعی عموما از هر دوی تکنیک های آماری یک متغیره و چند متغیره استفاده می کنند و می توان آن ها را به عنوان فرزندان مکانیزه شده تکنیک های آماری در نظر گرفت. به طور مشابه مدل های تئوریک اغلب با به کارگیری یک تکنیک آماری مناسب ایجاد شده اند و مستقیما از اصول تئوریک نشات نگرفته اند.
2-7) مدل های پیش بینی درماندگی مالی
در ادامه انواع مدل های پیش بینی به همراه خصوصیات اصلی آنها بر اساس گروه های پیش گفته ارائه می شود:
2-7-1)مدل های آماری تک متغیره[25]: روش های آماری تک متغیره از نخستین تکنیک های مورد استفاده جهت تمایز بین شرکت های دارای سلامت مالی و شرکت های دارای پریشانی مالی بوده اند. به صورت سنتی، این مدل ها بر تحلیل نسبت های مالی تمرکز دارند و منطق آن ها بر این اساس است که اگر نسبت های مالی شرکت های ورشکسته با نسبت های مالی شرکت های غیر ورشکسته دارای تفاوت های با اهمیتی باشند می توان از آن ها به عنوان متغیر های پیش بینی کننده ورشکستگی استفاده کرد. سابقه استفاده از این تکنیک برای پیش بینی ورشکستگی به سال 1932 برمی گردد (دیو سالار،1389). از تحقیقات قابل توجه در این زمینه می توان به مطالعه بیور (1966) اشاره کرد. وی تکنیکی تک متغیره برای طبقه بندی شرکت ها به 2 گروه ورشکسته و سالم با استفاده از برخی از نسبت های مالی ارائه کرد. در تحقیق بیور نسبت های (گردش وجوه نقد به کل بدهی ها)،(سود خالص به کل دارایی ها ) و (کل دارایی ها به کل بدهی ها )دارای بالاترین توانایی در طبقه بندی شرکت ها به گروه های ورشکسته و سالم می باشند. این نسبت ها بر روی نمونه ای متشکل از 98 شرکت ورشکسته و غیر ورشکسته به کار رفتند و توانستند تا حدود 90% شرکت ها را به درستی طبقه بندی کنند.
بعد ها روش تک متغیره با وجود قدرت پیش بینی آن، به دلیل همبستگی میان نسبت های مالی و مشکلات مربوط به ارسال علائم متضاد توسط متغیرهای مختلف مورد انتقاد قرار گرفت. به علاوه از آنجایی که وضعیت مالی یک شرکت دارای ابعاد مختلفی است، یک نسبت منفرد به تنهایی دربردارنده کل این اطلاعات نیست(جونز[26]،1978 ).
با وجود این که روش های تک متغیره با انتقادات
شدیدی مواجه شدند اما آن ها راه را برای تحقیقات بعدی در زمینه ناتوانی تجاری هموار کردند. محققان به این نتیجه رسیدند که ناتوانی تجاری همزمان می تواند تحت تاثیر عوامل بسیار زیادی قرار گیرد. ایده استفاده از مدل چند متغیره ریسک بسیار قدیمی است. تاماری[27] (6619) مدلی را برای پیش بینی ورشکستگی ارائه کرد که در آن 6 متغیر بر اساس نظر تحلیل گران مالی، اقتصاددانان و اعتبار دهندگان بیشترین وزن را به خود اختصاص داده بودند. مدل های آماری چند متغیره زیادی در تلاش برای بهبود نتایج پیش بینی ارائه شده است (فرج زاده،1386) .
2-7-2) تحلیل تشخیصی چندگانه[28]: تحلیل تشخیص چندگانه روشی است چند متغیره که پدیده ها را بر اساس ویژگی هایشان به گروه های مانع الجمع طبقه بندی می کند. تحلیل تشخیص چند گانه در بسیاری از مطالعات پیش بینی ورشکستگی به کار رفته است. در این روش فرض می شود که متغیرهای پیش بینی کننده (نسبت های مالی )در هر یک از دو گروه شرکت های ورشکسته و شرکت های غیر ورشکسته از توزیع نرمال چند متغیره با میانگین های متفاوت و ماتریس های پراکندگی مساوی برخوردارند. هدف این روش فراهم آوردن ترکیبی خطی از متغیرهای مستقل است که واریانس بین گروهی را با توجه به واریانس درون گروهی بیشینه کند. بر این اساس تابعی تشخیصی ایجاد می شود که متشکل از بردار ضرایب (a1,a2,a3…..) A, و مقدار ثابت a0 است. این تابع برای هر شرکت یک امتیاز Z بدست می آورد.
2-2))معادله
امتیاز برای شرکتi است و متغیر مستقل شرکت i هستند. بر اساس امتیاز کسب شده یک شرکت در یکی از گروه های ورشکسته یا غیر ورشکسته طبقه بندی می شود.
 
نخستین بار آلتمن در سال 1968 مدل تشخیصی چندگانه را برای پیش بینی درماندگی مالی پیشنهاد کرد. این مطالعه به دلیل اینکه برای نخستین بار پیش بینی ورشکستگی را با بیش از یک متغیر مدل بندی کرده بود، مورد توجه بسیار زیادی قرار گرفت. وی 33 شرکت تولیدی ورشکست شده طی دوره 1965 – 1946 را که از نظر اندازه دارایی ها و صنعت با 33 شرکت غیر ورشکسته تطبیق داده شده بودند را انتخاب کرد. با به کارگیری مدل تحلیل تشخیصی چندگانه او مدلی 5 متغیره برای طبقه بندی شرکت های ورشکسته / غیر ورشکسته به دو گروه ایجاد کرد که به مدل Zشهرت یافت. نسبت های بکار رفته در این مدل بر اساس رواج در مطالعات پیشین و همچنین رابطه بالقوه آن ها با ورشکستگی انتخاب شدند. تابع تشخیصی پیشنهادی آلتمن (1968) به صورت زیر است:
معادله (2-3)
این متغیرها به ترتیب عبارتند از: سرمایه در گردش به کل دارایی ها، سود انباشته به کل دارایی ها، سود قبل از بهره و مالیات به کل دارایی ها، ارزش بازار سهام به ارزش دفتری بدهی ها و فروش به کل دارایی ها، همچنین امتیاز انقطاع برابر675،2 تعیین شد. شرکت های با امتیاز کمتر از امتیاز انقطاع به عنوان شرکت های ورشکسته طبقه بندی می شدند. دقت پیش بینی مدل بر روی نمونه آموزشی در یک سال قبل از ورشکستگی95 درصد بود.
کاربرد گسترده مدل تحلیل تشخیصی چندگانه باعث شد تا به زودی مشکلات مربوط به این روش آشکار گردد. تحلیل تشخیصی چند گانه مورد انتقاد بسیاری قرار گرفت. بنابراین محققان وادار به ارائه روش های جدید و مقایسه آن ها با مدل تحلیل تشخیصی چندگانه شدند و به همین دلیل این روش در تحقیقات انجام شده در زمینه ناتوانی تجاری مورد استفاده زیادی قرار گرفت. برخی از مشکلات کاربرد مدل تحلیل تشخیصی چندگانه عبارتند از ( هامر[29]، 1983):
تخطی از فرض توزیع نرمال چند متغیره؛
استفاده از توابع تشخیصی خطی به جای توابع تشخیصی درجه 2 در زمانیکه توزیع پراکندگی ها نامساوی است؛
انتخاب نامناسب احتمال های اولیه / هزینه های طبقه بندی ناصحیح
از تحقیقات قابل توجه انجام شده با تکنیک مدل تحلیل تشخیصی چندگانه می توان به دیکن [30]( 1972) آلتمن و همکاران (1977) و فولمر[31] (1989) اشاره کرد.
2-7-3) مدل احتمال خطی[32]: همچنان که احتمال ورشکستگی شیوه ای جذاب برای پرداختن به ناتوانی تجاری بود محققان مدل های را ابداع کردند که قادر به تخمین احتمال ناتوانی بود. مدل احتمال خطی به عنوان جایگزینی برای تحلیل تشخیصی چندگانه پیشنهاد شد. این مدل حالتی خاص از رگرسیون حداقل مربعات عادی[33] با متغیر وابسته دو ارزشی صفر و یک است. در مدل احتمال خطی فرض می شود که متغیر تصنعی y ترکیبی خطی از n ویژگی (نسبت مالی ) شرکت است. احتمال ( P )اینکه یک شرکت ورشکسته شود توسط معادله زیر تعیین می شود: