طور بالقوه سودمند می باشند، در صورتی که منافع ناشی از ارائه آن ها به مراتب بیش از هزینه تهیه و گزارش آن ها باشد، افشا شوند. بر این اساس صورت گردش وجوه نقد به عنوان یکی از مبانی اطلاعاتی سودمند مطرح است که هزینه تهیه و ارائه آن نیز بسیار اندک است، زیرا اطلاعات مندرج در این صورت مالی چیزی بیش از تلخیص و طبقه بندی مجدد اطلاعات حسابداری مربوط به یک دوره مالی به شکل دیگر نیست (فرقاندوست حقیقی و وفادار، 1376).
2-9- ماهیت صورت گردش وجوه نقد
صورت گردش وجوه نقد یکی از صورت های مالی اساسی است که جایگزین صورت تغییرات در وضعیت مالی گردیده است. این صورت مالی جدید اطلاعات سودمندی را در مورد دریافت ها و پرداخت های وجه نقد در قالب فعالیت های عملیاتی، سرمایه گذاری و تأمین مالی ارائه می نماید. این طبقه بندی ناشی از این استدلال هیأت تدوین استانداردهای حسابداری مالی است که انجام تجزیه و تحلیل توسط استفاده کنندگان خارج از سازمان به منظور پیش بینی مبلغ، زمان بندی و ابهام در مورد جریان های نقدی آتی مستلزم ارائه اطلاعات مالی تفکیک شده در قالب گروه های مشابه است. در نتیجه صورت گردش وجوه نقد باید به طور واضح نشان دهنده اطلاعات مالی در قالب گروه های زیر باشد:
خالص وجه نقد ناشی از فعالیت های عملیاتی
گردش وجوه نقد ناشی از فعالیت های سرمایه گذاری
گردش وجوه نقد ناشی از فعالیت های تأمین مالی
خالص افزایش یا کاهش در وجه نقد
تطبیق مانده ابتدای دوره وجه نقد با مانده آن در پایان دوره
جدول ضمیمه مربوط به گزارش فعالیت های عمده سرمایه گذاری و تأمین مالی غیرنقدی.
صورت گردش وجوه نقد را می توان به یکی از دو روش مستقیم یا غیرمستقیم تهیه نمود. در روش مستقیم، جریان های نقدی خروجی ناشی از فعالیت های عملیاتی از جریان های ورودی ناشی از فعالیت های عملیاتی کسر شده و در نتیجه خالص وجه نقد ناشی از فعالیت های عملیاتی محاسبه می شود. در روش غیرمستقیم، سود خالص از بابت تفاوت های میان جریان سود و جریان وجه نقد ناشی از فعالیت های عملیاتی تعدیل و در نتیجه خالص وجه نقد ناشی از فعالیت های عمیاتی تعیین می گردد. بیانیه شماره 95 هیأت تدوین استانداردهای حسابداری مالی لازم دانسته است که جدول تطبیق سود خالص و خالص وجه نقد ناشی از فعالیت های عملیاتی باید صرف نظر از به کارگیری روش مستقیم یا غیرمستقیم در گزارشگری خالص وجه نقد ناشی از فعالیت های عملیاتی، تهیه و به همراه صورت گردش وجوه نقد ارائه گردد (فرقاندوست حقیقی و وفادار، 1376).
2-10- شناسایی ورشکستگی شرکت ها بر اساس ماده 141 قانون تجارت
در ایران مبنای ورشکستگی ماده 141 قانون تجارت مصوب سال 1347 می‌باشد. طبق این ماده اگر بر اثر زیان‌های وارده حداقل نصف سرمایه شرکت از بین برود، هیأت مدیره مکلف است بلافاصله مجمع عمومی فوق‌العاده صاحبان سهام را دعوت نماید تا موضوع انحلال یا بقای شرکت مورد شور و رأی واقع شود. از طرف دیگر سازمان بورس اوراق بهادار تهران نیز برای شناسایی شرکت‌های ورشکسته از همان ماده 141 قانون تجارت بهره می‌گیرد. با این تفاوت که بر اساس آیین نامه های اجرایی و انضباطی بورس اوراق بهادار تهران پاره ای محدودیت‌های ویژه برای شرکت‌هایی که مشمول ماده 141 می‌شوند، وضع می‌گردد که آن‌ها را به رفع مشکل مربوط ملزم کند. موارد ذکر شده بدین شرح است:
در صورتی که شرکت، مشمول ماده 141 و ورشکسته شناخته شود از این تاریخ به مدت شش ماه به شرکت فرصت داده می شود تا مشکل زیان انباشته را مرتفع و مطابق قانون رفتار نماید. پس از گذشت این مدت در صورتی که همچنان شرکت ورشکسته تشخیص داده شود و زیان مربوط را کاهش نداده باشد، نماد شرکت متوقف می گردد و برای ورود مجدد نماد به بورس، شرکت باید تمامی موارد قانونی را دوباره طی کند. در صورتی که پس از مدت معین باز هم شرکت اقدامی در این خصوص نکرده باشد، این بار شرکت به حالت تعلیق در می آید و در نهایت از تابلو حذف می شود. بنابراین برای پذیرش و ورود مجدد به بورس اوراق بهادار تهران، شرکت باید تمام مراحل را از ابتدا طی کند (سعیدی و آقایی، 1388). لذا در این پژوهش شرکت هایی که مشمول ماده 141 شده اند به عنوان شرکت های درمانده مالی انتخاب گردیده اند.
2-11- تکنیک‌های پیش بینی ورشکستگی
تکنیک‌ها و استراتژی‌های مورد استفاده در ساخت مدل‌های پیش بینی ورشکستگی به طور کلی در سه گروه طبقه بندی می‌گردند: تکنیک‌های آماری، تکنیک‌های هوش مصنوعی، و مدل‌های نظری.
2-11-1- تکنیک‌های آماری10
تکنیک‌های آماری از ابتدایی‌ترین و رایج‌ترین روش‌ها و جهت مدل سازی برای پیش بینی ورشکستگی به شمار می‌روند. در این مدل‌ها از روش‌های مدل سازی استاندارد کلاسیک استفاده شده است و بر نشانه های ناتوانی تجاری شرکت‌ها تمرکز دارند. متغیرهای مورد استفاده در ساخت این مدل‌ها عموماً اطلاعات مندرج در صورت‌های مالی منتشره‌ی شرکت‌ها می‌باشند. مدل‌های آماری خود به دو گروه مدل‌های آماری تک متغیره و چند متغیره تقسیم می‌شوند. از جمله مهم‌ترین تکنیک‌های آماری چند متغیره می‌توان به تحلیل تشخیصی، احتمال خطی11 ، لاجیت12 ، پروبیت13 و فرآیندهای تعدیل ناقص14 اشاره کرد (قدرتی، 1389).
2-11-1-1- تحلیل تشخیصی چندگانه15
روشی است چند متغیره که پدیده‌ها را بر اساس ویژگی‌هایشان به گروه های مانع الجمع طبقه بندی می‌کند. هدف از این روش فراهم آوردن ترکیبی خطی
از متغیر های مستقل یعنی نسبت‌های مالی است که بتواند شرکت‌های ورشکسته و غیر ورشکسته را به بهترین نحو تفکیک کند. از تحقیقات قابل توجه انجام شده با تکنیک تحلیل تشخیصی چندگانه می‌توان به پژوهش آلتمن در سال 1977 و فالمر16 در سال 1989 اشاره کرد (قدرتی، 1389).
2-11-1-2- مدل‌های لاجیت و پروبیت (مدل‌های احتمال شرطی)17
این مدل‌ها که به نام مدل‌های احتمال شرطی نیز شناخته می‌شوند بر مبنای یک تابع احتمال تجمعی و با استفاده از نسبت‌های مالی یک شرکت، احتمال تعلق شرکت به یکی از گروه های از پیش تعیین شده را اندازه گیری می‌کنند. تحلیل لاجیت نخستین بار توسط مارتین18 در سال 1977 برای پیش بینی ورشکستگی بانک‌ها پیشنهاد شد و توسط اوهلسون19 در سال 1980 برای پیش بینی ناتوانی تجاری به کار رفت (اعتمادی، 1387). پس از سال 1981 و به دلیل محدودیت‌های موجود در روش‌های تحلیل تشخیصی چندگانه، مطالعات ناتوانی تجاری اغلب بر استفاده از لاجیت تمرکز یافتند. مدل‌های پروبیت نیز، مشابه با مدل‌های لاجیت می‌باشد. تفاوت اصلی آن‌ها در تابع احتمال ورشکستگی می‌باشد. به هر حال مدل‌های لاجیت نسبت به مدل‌های پروبیت از محبوبیت بیشتری برخوردار است، چرا که تحلیل پروبیت در مقایسه با تحلیل لاجیت به دلیل استفاده از برآوردهای غیر خطی، به محاسبات بیشتری نیاز دارد (قدرتی، 1389). تکنیک تحلیل تشخیصی چندگانه توانایی تولید نتایج احتمالی را دارد اما قابلیت اتکای آن کمتر از مدل‌های احتمال شرطی است.
اوهلسون با استفاده از روش‌های احتمال شرطی شکنندگی نتایج را بررسی کرد. او این روش را برای نمونه ای با احتمال قبلی شکست که به واقعیت نزدیک بود، انجام داد. معادله برآورد شده 88/3% از نمونه‌ها را به صورت نادرست طبقه بندی کرد ولی مدل ساده فرض می‌کرد که عدم ورشکستگی در مورد 95/4% از نمونه‌ها غلط باشد. علاوه بر این نتایج حاصل از مدل احتمال شرطی در مقایسه با مدل تحلیل تشخیصی چندگانه، برتری قدرت تشخیص آن را به خوبی نمایانگر می‌سازد.
2-11-2- تکنیک‌های هوش مصنوعی20
تکنیک‌های هوش مصنوعی، مشابه با هوش و منطق انسان، سیستمی است که یاد می‌گیرد و عملکرد حل مسأله خود را با توجه به تجربیات گذشته بهبود می‌بخشد. این تکنیک‌های هوشمند به دلیل کارایی بالا و فارغ بودن از مفروضات محدود کننده موجود در روش‌های آماری با استقبال زیادی مواجه شده‌اند. تکنیک‌های هوش مصنوعی از الگوریتم‌های بازگشتی یا همان درخت‌های تصمیم21 ، استدلال مبتنی بر موضوع22 ، شبکه های عصبی مصنوعی23، الگوریتم ژنتیک و مجموعه های سخت24 تشکیل شده‌اند (قدرتی، 1389). تمرکز تکنیک‌های هوش مصنوعی بر عوارض ناشی از ورشکستگی است که از صورت‌های مالی استخراج می‌شوند و به کمک روش‌های نوین و پیشرفته با استفاده از تکنولوژی سعی در پیش بینی ورشکستگی دارند.
2-11-2-1- شبکه های عصبی25
به‌کارگیری روش شبکه‌های عصبی را می‌توان تا اوایل دهه 1860 پی‌گیری کرد. هدف مدل شبکه‌های عصبی، شناسایی مجموعه ای از اجزاء محاسباتی (نرون‌ها) است که با هم در ارتباط هستند. ساختار اصلی محاسباتی شامل سه لایه از نرون‌ها است: لایه های ورودی، مخفی و خروجی. افزون بر نرون‌ها، شبکه عصبی در برگیرنده نحوه ارتباط این لایه‌ها با هم نیز می‌باشد. ارتباط داخلی نرون‌ها، می‌تواند در برگیرنده همه نرون‌ها و یا فقط بخشی از آن‌ها باشد. تعداد ارتباطات و چگونگی آن، توان شبکه عصبی در اجرای عملیات مورد نظر را نشان می‌دهد (پورعلی، 1390).
قبل از به‌کارگیری شبکه عصبی باید با استفاده از یک مجموعه از مشاهدات (برای مثال گروهی از شرکت‌های موفق و ناموفق) نسبت به آموزش شبکه اقدام کرد. شبکه تا زمانی که بتواند ترکیبی از ورودی‌ها را با یک پیامد خاص ارتباط دهد به آموزش خود ادامه می‌دهد، بعد از آن که آموزش کامل شد، شبکه عصبی می‌تواند در پیش بینی، مورد استفاده قرار گیرد. ساختمان شبکه (نرون‌ها و ارتباط داخلی آن‌ها)، فرآیند آموزش و کل شبکه عصبی را می‌توان بر مبنای تعداد پیش بینی‌های صحیح ارزیابی کرد (پورعلی، 1390).
2-11-2-2- الگوریتم ژنتیک26
ایده اصلی الگوریتم ژنتیک، انتقال خصوصیات موروثی توسط ژن‌ها است. الگوریتم ژنتیک یک روش
جستجوی احتمالی است که از شبیه سازی تکامل زیستی و طبیعی استفاده می‌کند. الگوریتم‌های ژنتیک با به‌کارگیری اصل بقای بهترین‌ها، برای تولید تخمین‌های هرچه بهتر از یک جواب، روی جمعیتی از جواب‌های بالقوه عمل می‌نماید (فدایی نژاد، 1390).
2-11-3- مدل‌های نظری27
برخلاف مدل‌های آماری و تکنیک‌های هوش مصنوعی که بر نشانه های ناتوانی تجاری تمرکز دارند، مدل‌های نظری به دنبال تعیین دلایل کیفی این ناتوانی‌های تجاری‌اند. یعنی عمدتاً بر اطلاعاتی تمرکز دارند که بتوانند از نظر منطقی توجیه کننده ورشکستگی باشند (قدرتی، 1389). مدل نظری از نظر ماهیت، چند متغیره بوده و معمولاً از تکنیک‌های آماری برای پشتیبانی کمی مباحث نظری استفاده می‌کنند.
2-12- جریان نقدی و درماندگی مالی
هر شرکتی در ابتدای فعالیت خود ضمن ارائه طرح کسب و کار، دارایی هایی را که برای اجرای این طرح نیاز دارد، خریداری می کند. تأمین مالی برای تهیه این دارایی ها از راه های مختلفی مانند سهام عادی یا روش های مختلف استقراض انجام می شود. پس از آغاز عملیات، یا طرح کسب و کار با موفقیت انجام می شود، که در این حالت بازپرداخت اصل و فرع بدهی ها به موقع انجام شد
ه و صاحبان سهام نیز بازده مورد انتظار از این سرمایه گذاری را بدست می آورند و یا این که، طرح کسب و کار با شکست مواجه شده و جریانات نقد خروجی از جریانات نقد ورودی تجاوز می کند. اگر شرکتی دچار حالت دوم شود با درماندگی مالی رو به رو خواهد شد. در زمان درماندگی جریانات نقدی پوشش لازم برای ایفای تعهدات را تأمین نکرده و شرکت دچار ناتوانی در پرداخت بدهی ها می شود. در این حالت شرکت ها به فروش دارایی ها (جریان نقد سرمایه گذاری) و دریافت وام (جریان نقد تأمین مالی) رو می آورند که نتیجه آن کاهش ظرفیت و عملکرد تولیدی و نیز افزایش اهرم می باشد. به همین دلیل، پیش بینی درماندگی مالی شرکت ها امری ضروری بوده و امکان ارائه راه حل های ممکن را قبل از بروز هرگونه بحرانی فراهم می آورد (منصورفر و همکاران، 1392).
بخش دوم
پیشینه تحقیق
2-13- تحقیقات خارجی
2-13-1- قبل از به وجود آمدن مدل پیش بینی ورشکستگی
تعاریف مختلفی از ورشکستگی و