.

۲ نسبت بدهی

این نسبت از تقسیم کل بدهی بر ارزش ویژه بدست می آید.این نسبت نشان دهنده اطمینانی است که به طور کلی بستانکاران برای وصول مطالبات خود می توانند داشته باشند و یا به عبارت دیگر وضع طلبکاران را در مقابل صاحبان سهام نشان میدهد که هر یک تا چه اندازه در واحد تجاری سرمایه گذاری کرده اند و اینکه از لحاظ مالکیت چه رابطه ای بین طلبکاران و سهامدران وجود دارد (اکبری، ۱۳۸۵، ۱۰۷)[۱].هر چه این نسبت بزرگتر شود طلبکاران تامین کمتری خواهند داشت و زمانی که از ۱۰۰ تجاوز کند وضع غیر عادی تلقی می گردد یعنی اینکه بعد از ورشکستگی و تصفیه ، طلبکاران به تمام مطالباتشان نمی رسند.

۳-۱۶-۲ نسبت بدهی جاری به ارزش ویژه

هدف از کاربرد نسبت فوق تعیین وضع مطالبات طلبکاران کوتاه مدت است که در صورت بروز خطر چه پوششی برای تامین مطالباتشان از لحاظ حقوق صاحبان سهام پیدا می کنند.

وقتی این نسبت بالا باشد نامطلوب تشخیص داده می شود و افزایش مستمر آن ایجاب می کند که در نحوه ترکیب سرمایه گذاری تجدید نظر گردد(همان منبع، ۱۰۸)[۲].

۴-۱۶-۲ نسبت پوشش بهره

برای بدست آوردن این نسبت سود عملیاتی یا سود قبل از کسر بهره و مالیات را بر هزینه بهره تقسیم می کنند.مفهوم این نسبت این است که چون از محل سودی که واحد تجاری کسب می کند می باید هزینه بهره وامها را پرداخت نماید ، پس تغییرات نامطلوب را که در نسبت بین این دو قلم به وجود می آید ، می توان حاکی از مشکلات ناشی از ناتوانی واحد تجاری در بازپرداخت بهره وامها دانست.

به طور کلی می توان گفت تغییرات نامطلوب در این نسبت حکایت از مشکلات در بازپرداخت وام دارد. گاهی کاهش این نسبت به معنای افزایش ریسک مالی است . اگر مقدار این نسبت از حد معینی بگذرد ، سازمان های وام دهنده از درخواست کننده وام بهره بیشتری طلب کرده و شرایط سخت تری تعیین می کنند (همان منبع، ۱۰۸)[۳].

۱۷-۲ شبکه‌های عصبی

شبکه های عصبی که برای اولین بار توسط روزنبلات[۴] (۱۹۵۹) و ویدرو و هاف[۵] (۱۹۶۰) مورد بررسی قرار گرفت، ساختار های محاسباتی هستند که دارای  قابلیت های تعمیم پذیری و یادگیری می باشند.

از نظر مفهوم، این تکنولوژی ها یک تکنیک توزیعی را به کار می گیرند تا دانش اکتسابی توسط یادگیری با نمونه های شناخته شده را ذخیره و برای طبقه بندی الگو، پیش بینی و تجزیه و تحلیل، کنترل و بهینه سازی مورد استفاده قرار دهد. از لحاظ عملیاتی، این تکنولوژی ها برنامه های نرم افزاری هستند که ساختار زیست شناختی مغز انسان و ساختار پیچیده عصبی آنرا الگو قرار می دهند(شاپیرو، ۲۰۰۳، ۳۱۰)[۶].

از زمان کارهای ابتدای که توسط رامل هارت[۷] ، مک کللند[۸] و گروه تحقیقی (PDP) (1986)، بر روی شبکه های عصبی مصنوعی[۹] را آغاز کردند، کاربردهای موفقیت آمیز این متد در تشخیص الگوها (نیشیکاوا وهمکاران، ۱۹۹۷)[۱۰] ، پردازش تصویر ( دورانتون، ۱۹۹۶)[۱۱]، تجزیه و تحلیل اسناد ( سودا و همکاران، ۲۰۰۵)[۱۲]، وظایف مهندسی ( ابو مصطفی، ۲۰۰۱)[۱۳] ، تولید  (کانگ و نهاوندی، ۲۰۰۲)[۱۴] ، بهداشت زیستی (ناظران و بهبهانی، ۲۰۰۰)[۱۵]، بهینه سازی ( چو و همکاران، ۲۰۰۵)[۱۶]

[۴].Rosenblatt,1959

[۵].Widrow & Hoff,1960

[۶].Shapiro 2003

[۷]. Rumelhart

[۸].McClelland

[۹].ANNs

[۱۰]. Nishikawa et al,1997

[۱۱].Duranton, 1996

[۱۲]. Soda et al, 2005

[۱۳].Abu-Mostafa, 2001

[۱۴].Kong & Nahavandi, 2002

[۱۵].Nazeran & Behbehani, 2000

[۱۶].Cho et al, 2005

سوالات یا اهداف پایان نامه :

سوالات تحقیق

1. 1. آیا شبکه های عصبی توانایی پیش بینی ارزش افزوده اقتصادی شرکتهای مورد مطالعه را دارد؟

1. آیا می توان با بهره گرفتن از شبکه عصبی و نسبتهای مالی به پیش بینی ارزش افزوده اقتصادی و دارایی های مالی در آینده بپردازیم؟
2. ایا پیش ­بینی ارزش افزوده اقتصادی شرکتها از طریق شبکه عصبی نسبت به رگرسیون خطی برتری دارد؟

۶-۱ اهداف تحقیق

هدف ابتدایی این پژوهش پیش بینی ارزش افزوده اقتصادی اوراق بهادار است که می توان از آن برای سرمایه گذاری استفاده نمود.

پیش بینی بازده دارایی های در طول زمان برای کسب منفعت و سود بیشتر همیشه مورد توجه بوده است اما در این پژوهش ارزش افزوده اقتصادی به عنوان گامی بلند تر برای رسیدن به سرمایه گذاری بهتر دست یابیم و در حسابداری مالی این امر برای سهام داران را می توان ارائه کرد . در پزوهش هایی که تا به حال انجام شده است روش های بسیاری برای پیش بینی ارزش افزوده اقتصادی ارائه شده است اما تا کنون به یک روش یگانه که بهترین روش برای پیش بینی ارزش افزوده اقتصادی یافت نشده است به همین دلیل در این پژوهش به دنبال یافت روشی برای پیش بینی بهتر ارزش افزوده اقتصادی شرکت ها ها هستیم.

از اهداف دیگر این پژوهش می توان به بهبود پیش بینی های ارزش افزوده اقتصادی و جستجو برای یافتن روش های بهتر با کارایی بیشتر و سرعت عمل بیشتر اشاره کرد.