نوع مقاله : مقاله پژوهشی فارسی
نویسندگان
1 دانشجوی دکتری، دانشکده مهندسی برق- دانشگاه صنعتی امیرکبیر- تهران- ایران
2 استادیار، دانشکده مهندسی برق- دانشگاه صنعتی خواجه نصیرالدین طوسی- تهران- ایران
3 - استاد، دانشکده مهندسی برق و کامپیوتر- دانشگاه تهران- تهران- ایران
چکیده
کلیدواژهها
عنوان مقاله [English]
نویسندگان [English]
Electricity exchange is known as the trajectory of power industry restructuring which facilitates achieving a direct fair market and accomplishing the privatization. However, little knowledge about market participants and their decisions may increase the investment risk and affect the economic boom cycle. As the Iranian electricity stock has started working in 2011 and the subscription has been made, it will start its services in near future so, it would be very helpful to inform the investors about what may happen, and how to direct their portfolio into the satisfactory corridor. One way to arrive capital investment security is to predict insolvency of a business unit. Predicting the possibility of a companyâs insolvency not only can prevent losing the principle and capital interest of investing, but also facilitates the most important decision makings. This paper proposes a new model for insolvency prediction of the Iranian electrical firms within future electricity exchange via an artificial bee colony algorithm. To do so, 118 firms among the electrical and energy industrial firms listed in Tehran Stock Exchange (TSE) are assumed they are used as training data to find a suitable linear classifier. The introduced algorithm is conducted on 40 test firms and obtained results are discussed in several scenarios.
کلیدواژهها [English]
مدلهای چند متغیره مورد توجه قرار گرفتند. در واقع، محققان دریافته بودند که عوامل گوناگونی وجود دارند که به طور همزمان بر درماندگی مالی شرکتها اثر میگذارند. ادوارد آلتمن، برای نخستین بار اثر ترکیبات مختلف نسبتهای مالی را برای پیشبینی درماندگی مالی شرکتها بررسی نمود. پس از او، ]4[ با ارائة متغیرهای مستقل و ]5[ با استفاده از تجزیه و تحلیل لوجستیک به نتایج مناسبی دست یافتند.
در سالهای اخیر، با گسترش الگوریتمهای ریاضی و بهینهسازی تکاملی، مسألة پیشبینی درماندگی مالی در قالب یک مسألة بهینهسازی بررسی شده است. استفاده از روش تجزیه و تحلیل چندگانه (MDA)[1] ]8-6[، الگوریتم ژنتیک ]11-9[، شبکههای عصبی ]14-12[، استدلال موردگرا ]16-15[ و برنامهریزی خطی ]17[ نمونههایی از فعالیتهای انجام شده در این زمینه هستند.
مطابق مادة 95 برنامة سوم توسعه و با توجه به رویکرد خصوصیسازی در صنعت برق، بورس برق و انرژی نقش مهمی در چرخه اقتصادی کشور ایفا خواهد کرد. بازار بورس مهمترین اهرم، شاخصه و مکانیزم بازار آزاد و نیز مهمترین راهکار موجود برای پیشبرد پروژة خصوصیسازی در اقتصاد برق است. اقتصاد برق از دو عنصر اساسی: صنعت برق و کالای برق، تشکیل گردیده و بازار بورس نیز مشتمل بر دو بازار بورس سهام و بورس کالاست. بورس سهام محل واگذاری مالکیت دولتی بر صنعت برق از طریق عرضه و فروش سهام صنعت برق به بخش خصوصی است ]18[.
با توجه به اهمیت این موضوع، راهاندازی بورس برق در ایران یکی از مهمترین مأموریتها و موضوعهای فعالیت شرکت مدیریت شبکه برق ایران را تشکیل داده است. در این راستا بورس انرژی با محوریت برق در سال 1390 آغاز به کار نموده و پذیرهنویسی آن نیز انجام گرفته است. لذا، در آیندة نزدیک سهام شرکتها در قالب بورس سهام و کالای برق در قالب بورس کالا در تالار بورس برق عرضه شده و موسسات مالی و اشخاص حقیقی به سرمایهگذاری دعوت میشوند. با توجه به این موارد، ارائة فعالیتهای مشاورهای برای تشویق سرمایهگذاران در این طرح و جلوگیری از دست رفتن اصل و فرع سرمایه با استفاده از مطالعات ورشکستگی، از جمله مواردی است که سبب رونق در بورس برق و انرژی میگردد.
بورس برق همچون سایر بسترهای مبادلاتی، به علت ماهیتی که دارد، متاثر از عوامل قابل پیشبینی و یا تصادفی متفاوتی است. متغیرهایی از جمله نرخ تورم مورد انتظار، نرخ سود تسهیلات بانکی، نرخ بازدهی مورد انتظار بازارهای موازی، بازارهای جهانی و قیمت کالاهای صادراتی در حوزة برق و انرژی، نرخ ارز، میزان خصوصیسازی در قالب بورس سهام برق و سایر متغیرهای سیاسی و تحولات بین المللی است ]2[ و ]18[.
در این مقاله با هدف ارائة یک تخمین اولیه از وضعیت درماندگی مالی شرکتها، مسألة پیشبینی درماندگی مالی شرکتهای قابل پذیرش در بورس برق و انرژی بررسی میشود. برای این منظور، مسأله در قالبی نوین فرمولبندی شده، پیشبینیها از طریق یک الگوریتم مبتنی بر کلونی مصنوعی زنبور انجام میشود. با توجه به نوپا بودن بورس برق و نبود اطلاعات مالی شرکتهای قابل پذیرش در آن، شرکتهای متعددی از میان شرکتهای مرتبط با حوزة برق و پذیرفتهشده در بورس اوراق بهادار تهران بر مبنای اساسنامة آنها انتخابشده و فضای آموزشِ نسبتاً جامعی را تشکیل دادهاند؛ شرکتهای ورشکسته بر مبنای مادة 141 قانون تجارت انتخاب شدهاند. مدلسازیهای متنوعی برای مسأله اجرا شده و کارایی راهکار پیشنهادی در قالب چندین سناریو، بررسی و نشان داده شده است.
هدف از حل مسألة پیشبینی درماندگی مالی، ارائة مدلی برای ترکیب نسبتهای مالی به گونهای است که مدل حاصل شده قادر باشد با بیشترین میزانِ صحت، ورشکستگی و یا عدمورشکستگی یک بنگاه اقتصادی را تخمین بزند. برای این منظور، دستهای از شرکتها به عنوان دادههای آموزش انتخاب و سعی میشود تا با استفاده از آنها ضرایب یک مدل پیشبینی کننده آموزش داده شود. تاکنون روشهای مختلفی برای ترکیب نسبتهای مالی ارائهشده که بیشترین فراوانی به ترکیب خطی آنها مربوط میشود. مطابق این ترکیب، مسألة پیشبینی ورشکستگی در قالب یک مسألة بهینهسازی با هدف بیشینهسازی میزان تخمینهایِ صحیح در مجموعة دادههای آموزش مطابق روابط زیر بررسی میگردد:
|
(1) |
||
|
(2) |
||
|
(3) |
||
|
(4) |
||
در این روابط، (1) تابع هدف مسألة پیشبینی درماندگی مالی بوده و با هدف بیشینهسازی میزان تخمینهایِ صحیح، بهینه میگردد. رابطة (2) معرف متغیر تصمیمگیری نشاندهندة صحت یا عدمصحت پیشبینی انجامشده است. چنانچه تخمین ارائهشده با واقعیت شرکت مطابقت داشته باشد، مقدار آن برابر یک شده و در غیر این صورت مساوی صفر است. با توجه به اینکه رابطة ارائهشده غیرخطی است، چنانچه تمایل به استفاده از الگوریتمهای برنامهریزی خطی موجود باشد، میتوان آنرا مطابق روابط زیر خطیسازی نمود:
|
(5) |
|
|
(6) |
|
|
(7) |
|
|
(8) |
|
|
(9) |
رابطة (5) سادهشدة رابطة (2) است که با جایگزینی یک متغیر دودویی کمکی، همچون در آن، رابطة (6) حاصل میشود. به منظور خطیسازی این رابطه کافی است به جای رابطة (7) نامساویهای ارائهشده در روابط (8) تا (9) استفاده شود.
رابطة (3) نمایانگر تابع درماندگی مالی شرکتها بوده، ورشکستگی یا عدمورشکستگی یک شرکت مطابق رابطة (4)، تعیین میگردد.
توجه به این نکته حایز اهمیت است که اگر چه تابع هدف رابطة (1) در قالب توابع خطی فرمولبندی شده و قابل حل با استفاده از الگوریتمهای برنامهریزی خطی است، ولی با توجه به اینکه در مسائل پیشبینی نزدیکی به دادههای آموزش الزاماً مطلوبیت مدل آموزشدیده را نتیجه نمیدهد، لذا استفاده از الگوریتم بهینهسازی تکاملی در پروسههای پیشبینی کاملاً مرسوم است ]17-8[.
همان طور که در بحث تجدیدساختار مطرح میشود، یکی از گامهای تجدیدساختار خصوصیسازی و عرضة شرکتها در بورس است. چنانچه شرکتی در ابعاد شرکتهای تولید، انتقال و توزیع خصوصیسازی گردد، قطعاً در قالب سهام به تعداد زیادی از سرمایهگذاران واگذار میشود. در چنین شرایطی شرکتها از قالب تصمیمگیریهای محیط سنتی خارج و تابع قوانین بورس میشوند. کلیة فعالیتهای آنها روشن شده، در معرض عموم قرار میگیرند و اثرات آن به صورت روزانه در ارزش سهام شرکت در قالب تالار بورس مشاهده میشود. در این شرایط، امنیت سرمایهگذاری یکی از مهمترین لوازم بوده، از، دسترفتن اصل و فرع سرمایه جلوگیری میکند. بدین ترتیب، تصمیمگیریِ مالی نسبت به گذشته راهبردیتر شده و همواره با ریسک و عدماطمینان همراه است.
از طرف دیگر، تصمیمات شرکتها بر نقدینگی بازار سرمایه و توسعة آنها مؤثر است. چنانچه تصمیمهای آنها در مسیر درماندگی مالی تلقی شود، بانکها اعتباردهی به آنها را کاهش داده، در ازای وامی که به شرکتها میدهند، بهرة بالاتری را برای جبران ریسک اضافی درخواست میکنند. این درحالی است که کلیة فعالیتهای مرتبط با توسعة شرکتها از طریق اعتبارهای بانکی انجام میگیرد. به صورت مشابه، موسسات سرمایهگذاری همچون صندوقهای بازنشستگی و شرکتهای بیمه و یا اشخاص حقیقی، خرید سهام آنها را کاهش داده، به خرید اوراق قرضة بانکها و یا بازارهای مشابه اقدام میکنند. تمامی این موارد به کاهش نقدینگی در بازارهای سرمایه، افزایش هزینة سرمایة شرکتها و کاهش رشد اقتصادی شرکت خصوصیشده منجر میشود.
نتیجة عملی چنین رخدادی را میتوان در ورشکستهشدن اولین شرکتهای خصوصی انتقال (TransCo) جهان مشاهده نمود؛ این در حالی است که نتایج حاصل از برنامهریزیها، پیش از رسیدن به مرحلة اجرا، کاملاً سوددهی شرکت را نشان میدادند. به عنوان یک نمونة دیگر، بررسیهای اقتصاددانان فلیپین باعث شد تا دولت علیرغم خصوصی نمودن تمامی بخشهای صنعت برق از واگذاری شبکة انتقال به بخش خصوصی خودداری کند ]19[.
نمیتوان ادعا نمود که چالشهای شرکتهای تولید و توزیع انرژی الکتریکی مشابه شرکتهای انتقال است، ولی با یک قیاس ساده میتوان پذیرفت که چنین شکل از مشکلاتی در سطح پایینتر برای شرکتها توزیع خصوصیسازی شده نیز وجود دارد. در حقیقت، در یک محیط تجدید ساختارشده و برای یک شرکت خصوصیسازیشده از طریق بورس، کمینهسازی هزینهها و یا بیشینهسازی سود (مطابق تعریف مرسوم) قادر به مدلسازی مناسب مسأله برنامهریزی توسعه نیست. در چنین شرایطی انجام مطالعات جدید برای یافتن تابع هدف مناسب بسیار سودمند است.
تابع پیشبینی درماندگی مالی میتواند به عنوان معیار جدیدی برای توسعة سیستم قدرت (علیالخصوص سیستم انتقال) در محیط تجدیدساختارشده به کار رود. در حقیقت، بهجای کمینهسازی هزینهها یا بیشینه نمون اختلاف درآمدها از هزینهها، دوری از مرز ورشکستگی به عنوان هدف مسألة توسعة سیستم پیشنهاد میگردد. طبعاً هدفِ هر شرکتی افزایش سرمایه، سودآوری و دوری هر چه بیشتر از ورشکستـگی اسـت؛ بـا توجـه به اینـکه مدلسـازی دقیـق
شکل (1): نمونه کدگذاری در الگوریتم کلونی مصنوعی زنبور عسل
سودآوری در محیط بورس نیازمند مدلسازی مناسب ریسک است، استفاده از تابع پیشبینی درماندگی مالی به علت ترکیب مناسب نسبتهای مالی گزینة مناسبی مینماید. نسبتهای مالی این امکان را فراهم میکنند تا کلیة جزئیات اقتصادی مسألة مورد مطالعه که پیش از این در قالب تابع هدف محیط سنتی استفاده میشوند، در قالب نسبتهای مالی مدل شوند (پیوست دو).
مطابق این توضیحات، اگر چه هدف اولیة این پژوهش ارائة مدل درماندگی مالی برای شرکتهای قابل پذیرش در بورس برق به منظور کمک به سرمایهگذاران است، ولی مدل حاصلشده میتواند با اعمال ملاحظاتی برای برنامهریزی توسعة سیستمهای قدرت در محیط تجدیدساختارشده نیز استفاده شده، یکی از اهدف آتی نویسندگان است.
به منظور حل مسألة پیشبینی درماندگی مالی برای مجموعهای از دادههای آموزش، از کلونی مصنوعی زنبور عسل استفاده شده است؛ در حالی که توضیحات متناظر با این الگوریتم در مراجع ]21-20[ ارائهشده، خلاصة مختصری از آنها در پیوست مقاله گنجانیده شده است.
برای مدلسازی مناسب ساختار مسأله، تعداد مجموع زنبورهای کارگر و ناظر برابر تعداد کل نسبتهای مالی فرض میگردد. بر این اساس، هر یک از این زنبورها باید با جستجو در فضای نسبت مالی خود، بهترین میزان برای ضریب نسبت مالی متناظر را پیدا نماید. به منظور کدگذاری مسأله در شبیهسازی کامپیوتری مطابق شکل (1) عمل شده است.
مطابق این کدگذاری، هر یک از زنبورها موظفند ضریب یکی از نسبتهای مالی را دریافت کنند. وقتی که هر یک از این زنبورها پاسخ خود را پیشنـهاد دادند، یک جمعیت اولیه تولید شده است. سپس تابع درماندگی مالی کلیة شرکتها محاسبه و با توجه به وضعیت واقعی شرکت و مطابق رابطة (1) برازندگی پاسخ پیشنهادی محاسبه میگردد.
سپس، جمعیت منابع غذایی (راهحلها) به فاز اصلی الگوریتم که جستجو توسط زنبوران کارگر، ناظر و دیدهبان است، فرستاده میشود. پس از آن، هر یک از زنبورهای کارگر به سوی موقعیت غذایی (راهحل) مربوط به خود فرستاده شده، روند تکراری الگوریتم تا برقراری شرط توقف برنامه ادامه مییابد.
به منظور استفاده از روش پیشنهادی، برنامههای مربوطه در محیط نرمافزار Matlab نوشته شده است. کاربر با ارائة مجموعة دادههای آموزش، دادههای تست و سایر اطلاعات فنی و اقتصادی نتایج شبیهسازیها را به صورت گرافیکی مشاهده مینماید.
به منظور جمعآوری اطلاعات شرکتها از صورتهای مالی شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران استفاده شده که این صورتها از طریق سایت بورس اوراق بهادار و کتابخانه بورس و سایت مدیریت پژوهش، توسعه و مطالعات اسلامی بورس اوراق بهادار قابل دسترسی است ]23-22[.
|
|
در مطالعة حاضر از اطلاعات مربوط به شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی دوره ١٣82-1٣87 استفاده شده است. مطابق با اساسنامة شرکتها 118 سال- شرکت قابل پذیرش در بورس برق و انرژی انتخاب شده و مجموعة نسبتهای مالی شامل: نسبت جاری، نسبت آنی، درصد بدهی به مجموع دارایی، گردش مجموع داراییها، گردش داراییهای ثابت، درصد سود به درآمد، درصد سود عملیاتی به درآمد، نسبت فروش به داراییهای جاری و نیز نسبت بدهی جاری به بدهی کل برای آنها محاسبه شده است.
علاوه بر این، 40 سال- شرکت به عنوان دادههای تست، برای بررسی نهایی کیفیت پاسخهای پیشنهادی، انتخاب شدهاند. مجموعة کامل اطلاعات متناظر با دادههای تست در شکل (2) گزارش شده است. همان طور که مشاهده میشود، تعداد شرکتهای ورشکسته و غیرورشکسته یکسان بوده، دادهها از پراکندگی مناسبی برخوردارند. لـذا مجموعـة حاضـر قادر اسـت تـا کیفیت مـدل ورشکستـگی را به صورت مناسب بررسی نماید. معیار ورشکسته بودن شرکتها اصل 141 قانون تجارت است. در کنار این موارد، سعی شده تا با توجه به ماهیت پژوهش و به علت وجـود برخی نـاهماهنگیها میـان شرکـتهای پذیرفتـهشده در بورس اوراق بهادار تهران، شرایط ذیل با هدف دستیابی به جامعة آماری مناسب مد نظر بوده است:
الف) به منظور همگـنشدن نمونه آمـاری در سالهای مـورد بررسی، قبل از سال 1382 در بورس اوراق بهادار تهران پذیرفتهشده باشند؛
ب) به لحاظ افزایش قابلیت مقایسه، دوره مالی آنها منتهی به پایان اسفندماه باشد؛
پ) طـی سـالهای مالی مذکـور تغییر فعالیت یا تغییر سال مالی نداده باشند؛
ت) سهام شرکت در طول اسفندماه هر سال حداقل یک بار معامله شده باشد. این شرط محاسبة ارزش بازار حقوق صاحبان سهام را امکانپذیر مینماید؛
ث) جزو شرکتهای سرمایهگذاری، واسطهگری مالی، هلدینگ، بانک و لیزینگ نباشد.
مسأله در قالب چندین سناریو بررسی شده و کامپیوتر استفاده شده در شبیهسازیها دارای اطلاعات فنی شامل، سیپییو Centrino 1.8GB و 1GB رم است.
در این سناریو، مسألة پیشبینی درماندگی مالی بنگاههای اقتصادی با توجه به نسبتهای مالی ذکرشده بررسی شده است. الگوریتم کلونی مصنوعی زنبور عسل میکوشد با استفاده از مجموعه دادههای آموزش، بهترین مـدل خـطی را پیشنـهاد نمـاید. نتـایج حاصـل از اجــرای
شکل (3): نحوة همگرایی الگوریتم به پاسخ بهینه در سناریوی اول
جدول (1): نتایج سناریوی اول بر روی دادههای آموزش
|
وضعیت |
ورشکسته |
غیرورشکسته |
||
|
تعداد |
درصد |
تعداد |
درصد |
|
|
ورشکسته |
57 |
61/96 |
2 |
39/3 |
|
غیرورشکسته |
7 |
86/11 |
52 |
14/88 |
الگوریتم که حدوداً پس از چهار دقیقه محاسبات کامپیوتری نتیجهشده در شکل (3) و جدولها (1) و (2) گزارش شدهاند. شکل (3) نحوة همگرایی الگوریتم به پاسخ بهینه را برای دادههای آموزش نشان میدهد. همان طور که مشاهده میشود، الگوریتم کلونی مصنوعی زنبور عسل به واسطة اجرای جستجوهای محلی پیرامون هر منبع غذایی، روند همگرایی آرام ولی پیوستهای داشته و در تعداد تکرارهای قابل قبولی به پاسخ بهینه همگرا شده است.
علاوه بر این، به منظور بررسی کیفیت پاسخهای ارائهشده، مسأله با استفاده از حلکنندة برنامهریزی خطی CPLEX حل شده است. نتایج حاصـل از اجرای این آزمون که در کمتر از 10 ثانیـه حاصل شـدند، از نظرگاه میزان صحت دقیقاً با پاسخهای کلونی مصنوعی زنبور عسل مشابه هستند. توجه به این نکته حـائز اهمیت اسـت که طبـقهبندیکننـدهها الزاماً پاسخ بهینهای نداشته، به ازای مقادیر متفاوت از ضرایب ممکن است تابع هدف مسأله چندین بار بیشینه گردد. طبقهبندیکنندة پیشنهادشده توسط الگوریتم کلونی مصنوع زنبور عسل در این سناریو مطابق رابطة زیر است:
|
(10) |
|
شکل (4): نحوة همگرایی الگوریتم بهینهسازی با فرض در اختیار نبودن برخی از نسبتهای مالی در سناریوی دوم
جدول (2): نتایج سناریوی اول بر روی دادههای تست
|
وضعیت |
ورشکسته |
غیرورشکسته |
||
|
تعداد |
درصد |
تعداد |
درصد |
|
|
ورشکسته |
17 |
85 |
3 |
15 |
|
غیرورشکسته |
4 |
20 |
16 |
80 |
جدول (3): نتایج اجرای مدلهای مختلف برای سناریوی اول
|
مدل استفادهشده |
دقت بر روی دادههای آموزش (%) |
دقت بر روی دادههای تست (%) |
|
آلتمن ]1[ |
66/64 |
00/70 |
|
Logit ]5[ |
00/66 |
00/68 |
|
MDA ]6[ |
66/74 |
00/76 |
|
رابطة (10) |
37/92 |
50/82 |
جدولهای (1) و (2) نتایج جذابی را در مورد کیفیت مدل فوق بر روی دادههای آموزش و تست ارائه میدهند. این جدولها بیان میکنند که چه تعداد از شرکتهای ورشکسته اعلامشده واقعاً ورشکسته بوده و چه تعداد از آنها واقعاً غیرورشکسته بودهاند. به صورت مشابه ، جدول (2) نتایج گویایی را در مورد وضعیت شرکتهای غیرورشکسته به دست میدهد. چنین جدولی را جدول آلتمن مینامند. مطابق نتـایج ارائهشده، مدل درماندگی مالی رابطة (10) قادر است تا با دقتی نزدیک بـه 97% درمانـدگی مالی یک شرکت واقعاً ورشکسته و نیز با دقتی نزدیک به 89% عدمدرماندگی مالی یک شرکت واقعاً غیرورشکسته را تخمین بزند. مطابق نتایج جدول (2)، پاسخهای الگوریتم پیشنهادی حدوداً در 82% شرکتها با پاسخهای واقعی مطابقت دارد.
جدول (4): نتایج سناریوی دوم بر روی دادههای آموزش
|
وضعیت |
نسبتهای مالی حذفشده |
ورشکسته |
غیرورشکسته |
||
|
تعداد |
درصد |
تعداد |
درصد |
||
|
ورشکسته |
|
51 |
44/86 |
8 |
56/13 |
|
|
51 |
44/86 |
8 |
56/13 |
|
|
46 |
96/77 |
13 |
03/22 |
||
|
غیرورشکسته |
7 |
86/11 |
52 |
14/88 |
|
|
11 |
64/18 |
48 |
36/81 |
||
|
15 |
42/25 |
44 |
57/74 |
||
به منظور بررسی کیفیت مدلهای پیشنهادشده نسبت به سایر الگوریتمها، مسأله با استفاده از مدلهای آلتمن ]1[، MDA ]6[ و Logit ]5[ نیز حلشده و خلاصة نتایج در جدول (3) گزارش شده است. شایان ذکر است که نتایـج حاصـل از دو روش اخیر از طریـق نرمافزار SPSS 16 محاسبه شدهاند. همان طور که در این جدول مشاهده میشود، نتایج راهکار پیشنهادی از کیفیت قابل قبولی برخوردار بوده، نسبت به مدلهای ارائهشده در ]6-5[ تعمیمپذیری بیشتری از خود نشان میدهد.
سناریوی دوم
هدف از پیشبینی ورشکستگی ترکیب مناسب نسبتهای مـالی به منظور دستیابی به یک مدل تعمیمپذیر است. با وجود این، برخی از نسبتهای مالی ممکن است توانایی بیشتری در شناسایی درماندگی مالی داشته باشند. طبعاً ضریب تاثیر این نسبتهای مالی نیز در مدل ورشکستگی بیشتر است. برای مثال، در رابطة (10) بیشترین ضرایب به نسبتهای مرتبط با توانایی پرداخت بدهیها مربوط میشود. به صورت مشابه، در نمودارهای شکل (2) نیز میتوان مشاهده نمود که میـزان شبـاهت ریاضی (correlation) میان نسبتهای مرتبط با توانایی پرداخت بدهیها و وضعیت درماندگی مالی شرکتها قابل توجه است.
با توجه به اینکه نسبتهای مالی با استفاده از دادههای خام ارائه شده به بورس محاسبه میشود، لذا ممکن است برخی از این دادهها به دلایل متعدد، از جمله: خطای انسانی، انجام نشـدن حسـابرسی فصـلی و سـالانه و یـا بـه دلایـل
جدول (5): نتایج سناریوی دوم بر روی دادههای تست
|
وضعیت |
نسبتهای مالی حذفشده |
ورشکسته |
غیرورشکسته |
||
|
تعداد |
درصد |
تعداد |
درصد |
||
|
ورشکسته |
15 |
75 |
5 |
25 |
|
|
14 |
70 |
6 |
30 |
||
|
13 |
65 |
7 |
35 |
||
|
غیرورشکسته |
4 |
20 |
16 |
80 |
|
|
5 |
25 |
15 |
75 |
||
|
6 |
30 |
14 |
70 |
||
مغرضانه به درستی ارائه نشوند؛ قطعاً این موضوع بر نسبتهای مالی و تابع درماندگی مالی اثرات زیانباری میگذارد. این سناریو میکوشد با حذف برخی از نسبتهای مالی، تاثیرات آنها را بر کیفیت مدل درماندگی بررسی و بهینهترین تابع درماندگی مالی متناظر با هر وضعیت را ارائه نماید. سرمایهگذاران میتوانند با استفاده از این مدلها، ضمن کاهش ریسک تصمیمهای آینده، کیفیت اطلاعات شرکتهای پذیرفتهشده در بورس برق را رصد نمایند.
نسبتهای مالی مورد استفاده در رابطة (10) به چهار دستة کلی نسبتهای سودآوری ، نسبتهای نقدینگی ، نسبتهای مرتبط با توانایی پرداخت بدهیها و نسبتهای دارایی تقسیم میشوند. لذا چنانچه دادههای خـام ارائه شده توسـط شرکتها به تالار بورس نقص داشته باشند، ممکن است نسبتهای مالی متناظر با یکی از دستههای فوق تحت تاثیر قرار گرفته، مدل ورشکستگی پاسخهای نامناسبی را ارائه نماید. توجه به این نکته حائز اهمیت است که احتمال وجود نقص در بخش عمدهای از دادههای خام به دلیل بازرسیهای بورس اندک بوده، لذا معمولاً فقط یک دسته از نسبتهای مالی با مشکل مواجه میشوند. علاوه بر این، نسبتهای دارایی به علت عرضه در بورس معمولاً شفاف هستند.
شکل (4) نحوة همگرایی الگوریتم به پاسخ بهینه در صورت نبودن برخی از نسبتهای مالی را نمایش میدهد. همان طور که در این شکل مشاهده میشود، عدمحضور نسبتهای مرتبط با توانایی پرداخت بدهیها تاثیر چشمگیری در همگرایی الگوریتم دارند؛
شکل (5): نتایج حاصل از مدل درماندگی مالی در سناریوی سوم
اگر چه مقدار تابع هدف در تکرارهای اول کاملاً مناسب است، ولی به علت ضعف سایر نسبتهای مالی در شناسایی درماندگی مالی، مقدار تابع هدف در آخرین تکرار فاصلة بسیار زیادی با پاسخ بهینه دارد.
جدولهای (4) و (5) جزئیات دقیق حاصل از اجراهای مختلف الگوریتم پیشنهادی را گزارش مینمایند. همان طور که در این جداول مشاهده میشود، در صورت حذف نسبتهای نقدینگی، مدل آموزشیافته قادر است تا دادههای آموزش و تست را به ترتیب با دقت 29/87% و 50/72% پیشبینی نماید که این مقادیر نسبت به نتایج رابطة (10) به ترتیب به اندازة 08/5% و 5% کاهش یـافتـهاند. مـدل بهینة درماندگی مالی بافرض در اختیار نداشتن نسبتهای نقدینگی به صورت زیر است:
|
(11) |
مطابق نتایج به دست آمده، در صورت حذف نسبتهای سودآوری، مدل پیشنهادی مطابق رابطة (12) بوده، دقت آن بر روی دادههای آموزش و تست به ترتیب برابر 9/83% و 5/72% است.
|
(12) |
سطر آخر جدولهای (4) و (5) نتایج متناظر با حذف نسبتهـای مرتبـط بـا توانـایی پـرداخت بدهیهـا را نشـان
شکل (6): نتایج حاصل از مدل درماندگی مالی در سناریوی چهارم
میدهند. همان طور که مشاهده میشود، دقت الگوریتم پیشنهادی در این شرایط بر روی دادههای آموزش و تست به ترتیب برابر 81/78% و 70% است. تحت این شرایط، مدل بهینة منطبق بر دادههای آموزش مطابق رابطة (13) خواهد بود:
|
(13) |
سناریوی سوم
با توجه به اینکه مدل پیشبینی درماندگی مالی با مطالعـه بـر روی مجموعـهای از دادههـای آمـوزش تهیه میگردد، لذا بررسی اثر تغییر کمیت دادههای آموزش بر کیفیت نهایی پاسخها در این سناریو ارزیابی شده است.
برای این منظور، تعدادی از سال-شرکتها از میان دادههای اولیه حذف و مساله مجدداً بررسی میشود. در بیست تکرار مجزا، ابتدا تعدادی از سال-شرکتها به تصادف، حذف شده و الگوریتم پیشبینی درماندگی مالی اجرا میگردد. با این عمل، میانگین پاسخهای به دست آمده از نظر آماری اعتبار مناسبتری پیدا مینمایند. نتایج حاصل از این آزمون به صورت گرافیکی در شکل (5) نمایش داده شده است. همان طور که در این شکل مشاهده میشود، در آزمون دوم، 100 شرکت در مجموعة دادههای آموزش قرار دارند؛ بدین معنا که 18 شرکت از مجموعة اولیه حذف شدهاند. شایان ذکر است که به منظور ایجـاد تـوازن در عملـکرد طبـقهبنـدی کننـدة آمـوزشیـافتـه، تعـداد شرکتهای ورشکسته و غیرورشکسته یکسان انتخاب شدهاند.
مطابق نتایج به دست آمده، بر اثر کاهش تعداد سال-شرکتهای اولیه از 118 به 60، میانگین دقت کلی پاسخها بر دادههای آموزش به ترتیب از حدود 92% به 98% افزایش میباید. در حقیقت، به علت کوچکشدن دادههای آموزش، تنوع پاسخها کمتر شده و طبقهکننده سادهتر میتواند خود را با دادهها وفق دهد. با این حال، میانگین دقت کلی پاسخها بر دادههای تست، از میزان 5/82% به حدود 5/72% کاهش میباید که به خوبی کافی نبودن دادههای آموزش در آزمون آخر را روشن مینماید. مطابق این نتایج، بیشتر بودن تعداد دادههای آموزش سبب پراکندگی بهتر ضرایب و دستیابی به مدلی با قابلیت توسعة بالاتر میگردد. لذا، ارائة مدلهای جامع برای شرکتهای قابلپذیرش در بورس برق منوط به در اختیار داشتن دادههای حاصل از چندین سال فعالیت مستمر بورس است. مطلب اخیر این پیامِ روشن را به مدیران آتی بورس میرساند که بهرهمندی از مطالعات اقتصادی مرتبط با بورس برق، همچون مسألة حاضر، مستلزم کنار گذاشتن محافظهکاریهای احتمالی در دریافت اطلاعات از شرکتهای قابل پذیرش در بورس برق است. اهمیت محافظهکاری با نگاهی به ترکیب اعضای هیأت مدیرة شرکتهای بزرگ دولتی که از طریق بورس به سهامداران واگذار شدهاند، بهتر روشن میشود. با توجه به اینکه معمولاً اعضای اصلی هیأت مدیره از اعضای پرنفوذ شاغل در سیستم دولتی انتخاب میشوند، آنها ممکن است بنا بر مصالحی از ارائة بخش از اطلاعات مالی شرکت خود، خودداری کرده و با توجه به نفوذی که دارند، بر این امر پافشاری نمایند. لذا، مدیر بورس موظف است به منظور شفافسازی در اطلاعات و ایجاد فضای رقابتی عادلانه که از اهداف اصلی تاسیس بورس هستند، به دور از هر فرصتسنجی، از تخطی از قانون جلوگیری کند.
سناریوی چهارم
با توجه به اینکه اطلاعات نسبتهای مالی سال-شرکتهای اولیه به عنوان اطلاعات پایه برای پیشبینی درماندگی مالی بهکار میروند، لذا تغییر تعداد این دادهها در جهتگیری استدلالها مؤثر خواهد بود. در این سناریو مسألة پیشبینی درماندگی مالی با تغییر تعداد نسبتهای مالی سال-شرکتهای اولیه، اجرا و بررسی شده است.
برای این منظور، در هر تکرار تعدادی از نسبتهای مالی حذف و الگوریتم به طور مجزا برای بیست مرتبه تکرار شده است. نتایج حاصل از این سناریو در شکل (6) قرار گرفته است. چنانکه مشاهده میشود، تغییر تعداد نسبتهای مالی در کیفیت پاسخ نهایی موثر است به گونهای که بر اثر کاهش 37 درصدی تعداد نسبتهای مالی، میانگین دقت مدل بهینه برای دادههای آموزش و تست به ترتیب به اندازة 18% و 12% کاهش یافته است. با در نظر داشتن نتایج دو سناریوی اخیر میتوان گفت که تعیین یک مدل درماندگی مالی جامع مستلزم در اختیار داشتن تعداد درخور توجهی سال-شرکت به همراه نسبتهای مالی متعدد است.
در این مقاله پیشبینی درماندگی مالی بنگاههای اقتصادی مرتبط با حوزه برق و انرژی، با استفاده از کلونی مصنوعی زنبور عسل بررسی شد. برای این منظور از اطلاعات 118-سال شرکت، از میان شرکتهای پذیرفته شده در بورس اوراق بهادار تهران، طی سالهای 1387-1382 استفاده شده است. شرکتهای مرتبط با حوزه برق و انرژی با توجه به اساسنامه شرکتها انتخاب شده و نسبتهای مالی آنها در سالهای مورد مطالعه، مطابق اطلاعات بورس اوراق بهادار تهران در نظر گرفته شدهاند. مسألة پیشبینی درماندگی مالی شرکتهای مورد نظر، با استفاده از روش پشنهادی بررسی و نتایج حاصله، در قالب چند سناریو ارائه شد. با توجه به آغاز شدن فعالیت رسمی بورس برق و انرژی در آیندة نزدیک، راهکار پیشنهادی مطابق نتایج ارائهشده، نیازهای فنی و اقتصادی مسأله را ارضا نموده و میتواند در پیشبینی دورنمای کلی شرکتهای مرتبط با حوزه برق و انرژی مورد استفادة سرمایهگذاران قرار گیرد.
سپاسگزاری
نویسندگان مقاله مراتب تشکر و قدردانی خود را از دفتر مدیریت پژوهش، توسعه و منابع انسانی حوزة ریاست و نیز دفتر مدیریت فناوری اطلاعات معاونت اجرایی سازمان بورس و اوراق بهادار به سبب در اختیار قرار دادن مجموعة اطلاعات موردنیاز این پژوهش و سایر کمکهای مادی و معنوی، اعلام میدارند
)