غلامرضا سلیمانی امیری ‌در سال‌ ۱۳۸۱ ریسک ورشکستگی شرکت ها را با بهره گرفتن از مدل یاد شده مورد بررسی قرار داده است. سیدمرتضی ذکاوت در سال ۱۳۸۲ مدل های ریسک اعتباری مشتریان حقوقی بانک توسعه صادرات ایران را با بهره گرفتن از شاخص ها و نسبت های مالی و با الهام گرفتن از مدل آلتمن از روش تحلیل ممیزی و رگرسیون لجستیک استخراج نمود. علی منصوری نیز در سال ۱۳۸۲ به طراحی و تبیین مدل ریاضی تخصیص تسهیلات بانکی با رویکرد مدل های کلاسیک و شبکه عصبی پرداخت.

از دیگر مطالعات جهت پیش‌بینی ریسک ورشکستگی یا درماندگی مالی شرکت ها، می توان به پژوهشی که در سال ۱۳۸۳ توسط سعید فلاح پور صورت گرفته، اشاره نمود. روش مورد استفاده در این پژوهش، روش تحلیل همبستگی بوده است. در این پژوهش مدل تحلیل ممیزی چندگانه و شبکه های عصبی برای پیش‌بینی درماندگی مالی شرکت های بورس، مورد بررسی قرار گرفت. پژوهش های مشابهی در زمینه رتبه بندی شرکت ها و پیش‌بینی ریسک ورشکستگی آلتمن و Z10 و AHP شرکت ها ‌بر اساس مدل های شبکه های عصبی انجام شده است.

از آن جمله می توان به مطالعه انجام گرفته توسط محمدحسن قلی زاده در سال ۱۳۸۳ در زمینه رتبه بندی شرکت ها با بهره گرفتن از رویکرد AHPاشاره کرد. یکی دیگر از مطالعات انجام شده در این زمینه توسط حسن سبزواری صورت گرفت. وی به برآورد و مقایسه مدل امتیازدهی اعتباری پارامتریک لجیت با روش امتیازدهی پرداخت.

منصوری و آذر ( ۱۳۸۱ )در تحقیقی با عنوان” طراحی و تبیین مدل کارآمد تخصیص تسهیلات بانکی رویکرد شبکه های عصبی، رگرسیون لجستیک وخطی” با بهره گرفتن از ۱۱ متغیر مستقل و بهره گیری از شبکه های عصبی پرسپترون چند لایه، ریسک اعتباری و ظرفیت اعتباری سازمان های درخواست کننده اعتبار را به طور هم زمان مورد تحلیل قرار داده‌اند.

‌پایان نامه، قوام زاده، محمد، «پیش‌بینی در بازارهای سازمان یافته معاملات» دانشکده فنی دانشگاه تهران پاییز ۱۳۷۶، استاد راهنما: دکتر کرولوکس، در این پایان نامه جهت پیش‌بینی انواع مختلفی از شبکه عصبی برای پیش‌بینی قیمت هفتگی سهام شرکت پارس پامچال و شرکت کف به کار گرفته شده است. برای قیمت سهام شرکت کف چهار نوع شبکه WARD سه لایه با مقدار SLAP متفاوت در لایه دوم استفاده شده است که برای مقایسه و تجزیه و تحلیل از روش‌های آماری R2، MSE و MAPE استفاده شده است.

۲-۳-۲- پیشینه خارجی

وینچنزو پاسیلی ^۱ در تحقیق خود تحت عنوان “روش شبکه های عصبی مصنوعی برای مدیریت ریسک اعتباری” در سال ۲۰۱۱ به بررسی ریسک اعتباری در بانک های ایتالیا پرداخته است. متغیرهای این پژوهش شامل ( حقوق صاحبان سهام، گردش مالی و… ) بوده و نتایج حاصل از این تحقیق نشان می‌دهد که شبکه عصبی پرسپترون چند لایه ( MLP) از سایر روش های مورد بررسی برای مدیریت ریسک بانک های ایتالیا از کارایی بهینه و بیشتری برخوردار بوده است.

یلدیز و آکوک ^۲ (۲۰۱۰) در تحقیقی با عنوان” پیش‌بینی ورشکستگی بانک های ترکیه با بهره گرفتن از شبکه های نروفازی” به مطالعه بانک های ترکیه پرداختند. متغیرهای مستقل مورد استفاده ۶ نسبت مالی شامل: نسبت های سرمایه، دارایی های کیفی، نسبت های نقدینگی، نسبت های سودآوری، ساختار درآمد، هزینه و نسبت های فعالیت می‌باشد. نتایج تحقیق نشان داد دقت مدل ۹۱ درصد است.

ژو و همکاران ( ۲۰۱۰ )^۳ به منظور ارزیابی ریسک اعتباری متقاضیان تسهیلات اعتباری، از روش

مقایسه SVM استفاده کرده و نتایج آن را با روش های شبکه عصبی، تحلیل ممیزی و LS-SVM

نسبت به دیگر روش های، نتایج بهتری را نشان LSSVM نمودند. بر اساس یافته های آن ها، روش

جهت پیش‌بینی ورشکستگی بهره LS-SVM می‌دهد.

در پژوهشی که در سال ۲۰۱۰ توسط یوسف تانسل و همکارش^۴ ارائه شد به رتبه بندی شرکت ها و

صنایع در ترکیه پرداخته شد. روشی که آن ها در این مقاله استفاده نمودند تاپسیس فازی می‌باشد.ابتدا با بهره گرفتن از متغیر های کلان صنعت و اقتصاد به رتبه بندی صنایع مختلف پرداخته است .سپس با توجه به نسبت های مالی شرکت ها اقدام به رتبه بندی شرکت ها با روش تاپسیس فازی نمود.

۱- Vincenzo Pacelli

۲- Yildiz and Akkoc

۳- Zhu et al

۴-Tansel, Y

سپس رتبه صنایع و شرکت های موجود در آن صنایع ادغام گشته و رتبه جامعی به هریک از شرکت ها داده شده است .در نهایت نظر خبرگان نیز پرسیده شده است و با رتبه بندی توسط تاپسیس فازی مقایسه شده است که اختلاف ناچیزی با روش مورد استفاده داشته است.

مارسین توماس ( ۲۰۰۹ ) ^۱ در مقاله های تحت عنوان “کاربردی از تحلیل پوششی داده ها در رتبه بندی اعتباری” به رتبه بندی اعتباری با بهره گرفتن از روش تحلیل پوششی داده ها در پنج مرحله پرداخت:

1. 1. تعیین نسبت های مالی: با توجه به ماهیت آمار و اطلاعات برای محاسبه رتبه های تحلیل پوششی بدهی های جاری به فروش خالص ،(DB/EQ) داده ها از هفت نسبت بدهی به حقوق صاحبان سهام نسبت، (ROE) به عنوان نهاده و بازده سرمایه (FC/NS) هزینه های مالی به فروش خالص، (CL/NS) به عنوان ستانده استفاده شد. (QR) و نسبت آنی (CAR) نسبت کفایت سرمایه، (CR) نسبت جاری.

1. انتخاب مجموعه داده ها: در ابتدای تحلیل، ۲۶۴۱۰۳ شرکت برای بررسی انتخاب شدند. با کنارگذاردن شرکت های فاقد اطلاعات مناسب، در نهایت تنها ۱۴۰۸ شرکت برای تحلیل نهایی باقی ماند. درنهایت، بدهی کل/ حقوق صاحبان سهام، بدهی جاری/فروش خالص و هزینه های مالی/فروش خالص به عنوان نهاده و درآمد خالص/حقوق صاحبان سهام، نسبت کفایت سرمایه و حقوق صاحبان سهام/دارایی کل به عنوان ستانده در مدل لحاظ شدند.

۱- Marcin Tomasz

۴٫ محاسبه اعتبار رتبه های حاصل در تحلیل پوششی داده ها: در این مطالعه از مدل ۴ تا ۱۰۰ در نوسان است و تنها رهیافت نهاده محور استفاده شد. رتبه های به دست آمده در محدوده ۶۶ -۲۷ شرکت کاملاً کارا بودند.

۵٫ اعتباربخشی رتبه های حاصل از تحلیل پوششی داده ها. به منظور اعتباربخشی مدل از روش تحلیل رگرسیونی و تحلیل ممیزی استفاده شد.

الف) تحلیل رگرسیونی: نتایج حاصل از تحلیل رگرسیونی (رتبه های کارایی به عنوان متغیر وابسته و نسبت های مالی به عنوان متغیر مستقل) نشان داد که تمام نسبت های مورد استفاده در مسیرهای مورد انتظار قرار داشته اند.