4. 4. کارایی سرمایه فکری را از مجموع دو قسمت کارایی سرمایه ساختاری و کارایی سرمایه انسانی محاسبه کنید.

ICE = HCE + SCE

5. 5. و نهایتا ضریب ارزش افزوده فکری را از مجموع دو قسمت مربوط به کارایی سرمایه فکری و کارایی سرمایه به کار گرفته شده محاسبه کنید.

VAIC = ICE + CEE
هر چقدر که ICE و VAIC شرکتی بالاتر باشد نمایانگر این امر می تواند باشد که مدیریت به صورت بهتری از پتانسیل موجود در منابع سازمانی برای ارزش آفرینی استفاده کرده است . روش VAIC مشابه با روش CIV امکان مقایسه میان سازمان ها را امکان پذیر می سازد و می توان از اطلاعات آن برای گزارش دهی به سهامدار ان بیرون از سازمان استفاده کرد.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

این مدل به دلیل مزایایی که نسبت به سایر مدل ها دارا می باشد به عنوان مدل سنجش سرمایه فکری در این تحقیق انتخاب شده است، که مهمترین مزایای آن عبارتند از:

1. 1. در واقع روشهایی که بتوانند سرمایه فکری را به طور دقیق اندازه گیری کنند٬ محدود می باشند. این مدل یک مبنای استاندارد و سازگاری را از اندازه گیری فراهم می کند.

1. 1. این مدل مبتنی بر هر دو جنبه، ارزیابی کارآیی و خلق ارزش از داراییهای ملموس و ناملموس در یک شرکت می باشد.

1. 1. کلیه داده های استفاده شده در محاسبه VAIC مبتنی بر اطلاعات استاندارد حسابداری و مالی که به طور معمول در گزارشهای مالی شرکت درج شده است، می باشند. بنابراین محاسبات مبتنی بر هدف، قابل رسیدگی، تصدیق و تایید می باشند. اغلب روش های محاسبه سرمایه فکری، به علت اینکه در اندازه گیری ذهنی بوده و مشکلات زیادی را در جریان اندازه گیری ایجاد می کنند، مورد انتقاد قرار می گیرند.

1. 1. این مدل، درپژوهشهای معتبر خارجی بسیار مورد استفاده قرار گرفته است. روش VAIC از جمله روشهایی است که از آن به میزان زیادی در مطالعات مختلف مربوط به سرمایه های فکری استفاده شده است.

۲-۲-۷- تنگدستی مالی
استفاده عملی از نسبت های مالی در سال ۱۸۷۰ آغاز گردید. در این سال بود که بانک ها به منظور اعطای وام، از شرکت ها صورت های مالی طلب می کردند . استفاده از نسبت های مالی در دهه ۱۸۹۰ شدت گرفت . در این دوره نسبت های گوناگونی توسعه یافت. طبق گفته هوریگان، یکی از قدیمی ترین نسبت های مالی که مهمترین تأثیر را در تجزیه و تحلیل صورت های مالی داشته است، نسبت جاری است، که بیانگر توان پرداخت بدهی های کوتاه مدت می باشد . بیور^[۳۴] بیان می کند که تجزیه و تحلیل نسبت ها در اوایل دهه ۱۹۰۰ همراه با توسعه نسبت جاری آغاز گردید(نمازی و همکاران،۱۳۸۸).
در دهه ۱۹۲۰ ، نسبت های مالی گوناگونی توسط موسسات تجاری توسعه یافت . در دهه ۱۹۳۰ با تشکیل کمیسیون بورس اوراق بهادار در ایالات متحده، توسعه و استفاده از نسبت های مالی شدت گرفت. مطالعات صورت گرفته در این دهه نشان داد که نسبت های مالی در شرکت های ورشکسته، به طور قابل توجهی با نسبت های مالی شرکت های غیر ورشکسته متفاوت است.
ویناکر و ریموند^[۳۵] در سال های ۱۹۳۰ و ۱۹۳۵ روند موجود در نسبت های مالی شرکت های ورشکسته را تجزیه و تحلیل کردند . آنها روند ۱۰ ساله نسبت های مالی این شرکت ها را با بکارگیری ۲۱ نسبت مالی تجزیه و تحلیل کردند و به این نتیجه رسیدند که نسبت سرمایه درگردش به کل دارایی، شاخص مطلوبی برای پیش بینی ورشکستگی می باشد . نقص این مطالعه، فقدان یک گروه کنترل متشکل از شرکتهای غیر ورشکسته بود .
در سال ۱۹۴۲ چارلز مروین، مطالعه_­ای انجام داد که در آن نسبت­های مالی را برای شرکت های ورشکسته و غیر ورشکسته در یک دوره شش ساله بررسی کرد . او اظهار کرد که سه نسبت سرمایه در گردش تقسیم بر کل دارائی ها، ارزش ویژه تقسیم بر کل بدهی و نسبت جاری پیش بینی کننده خوبی برای ورشکستگی می باشند .
مروین به این نتیجه رسید که از بین این نسبت ها، نسبت سرمایه در گردش به کل دارایی ها بهترین شاخص برای ورشکستگی است.
پژوهشات بیور در سال ۱۹۶۶ منجر به ایجاد مدلی شد که به مدل تک متغیره معروف است . بیوریک مجموعه شامل ۳۰ نسبت مالی که به نظر او بهترین نسبت ها برای ارزیابی سلامتی یک شرکت می باشند را انتخاب کرد . او سپس نسبت ها را براساس چگونگی ارزیابی سازمان ها در شش گروه طبقه بندی کرد . بیور در انتهای پژوهش خود به این نتیجه رسید که ارزش هر نسبت، در میزان اعتبار طبقه بندی شرکتها در گروه های ورشکسته و غیر ورشکسته می باشد و میزان خطای طبقه بندی کمتر، نشان دهنده ارزش بالای هر نسبت می باشد .
پس از اینکه مشخص گردید که مدل بیور به دلایلی از جمله تک متغیره بودن آن معیار مناسبی برای پیش بینی ورشکستگی نمی باشد٬ پژوهشگران از مدل های چند متغیره برای پیش بینی ورشکستگی استفاده کردند .
ادوارد آلتمن^[۳۶] در سال ۱۹۶۸ برای اولین بار اثر ترکیبات مختلف نسبت های مالی را برای پیش بینی درماندگی مالی شرکتها بررسی کرد .
آلتمن در این مطالعه از روش تحلیل ممیزی استفاده کرد . مدلی که او به دست آورد و به Z-Score معروف است هنوز به عنوان شاخصی برای سلامت مالی شرکت ها مورد استفاده قرار می گیرد.
تئوری اصلی آلتمن این بود که مدل پیش بینی ورشکستگی او که از ۵ نسبت مالی تشکیل می شود، می تواند برای تشخیص شرکت های ورشکسته از غیرورشکسته مورد استفاده قرار گیرد .پیشنهاد کرد که از مدل او در ارزیابی اعطاء وام های تجاری، فرآیندهای کنترل داخلی و بررسی گزینه های سرمایه گذاری استفاده شود.
آلتمن در ابتدای امر، ۲۲ متغیر (نسبت مالی ) را مورد توجه قرار داد . این نسبت ها یا در مطالعات قبلی مورد توجه قرار گرفته بودند یا نسبت­هایی بودند که خود آلتمن تصور می کرد شاخص مهمی برای درماندگی مالی باشند.
آلتمن در این مطالعه از یک نمونه ۶۶ تایی استفاده کرد که به طور برابر به دو گروه ورشکسته و غیر ورشکسته تقسیم شده بودند . گروه ورشکسته متشکل از شرکت های تولیدی بودند که در طول سالهای ۱۹۴۶ تا ۱۹۶۵ اعلام ورشکستگی کرده بودند.
میزان دارایی های شرکت های ورشکسته بین ۰.۷ میلیون دلار تا ۲۵.۹ میلیون دلار قرار داشت که متوسط آن ۶.۴ میلیون دلار بود.
شرکت های ورشکسته که در سال ۱۹۶۶ هنوز پابرجا بودند نیز از همان دوره زمانی انتخاب شدند، میزان دارایی های این گروه بین یک میلیون دلا ر تا ۲۵ میلیون دلار بود. آلتمن در مدل خود پنج نسبت را که به نظر می رسید برای پیش بینی ورشکستگی بیشترین اهمیت را داشته باشد انتخاب کرد.سالها بعد انتقاداتی به مدل Z وارد شد . تحلیل گران، اعتباردهندگان، حسابداران و حتی مدیران شرکت ها معتقد بودند که مدل Z تنها برای موسسات عمومی کاربرد دارد.
آلتمن در سال ۱۹۸۳ ، مدل اولیه خود را که مربوط به سال ۱۹۶۸ بود مورد تجدید نظر قرار داد، و موفق به اصلاح و رفع اشکالات مدل Z شد و مدل جدید را عرضه کرد ، درمدل جدید واضح ترین اصلاحیه آلتمن جانشین ساختن ارزش دفتری حقوق صاحبان سهام به جای ارزش بازار آنها و سپس تغییر ضرایب و حدود مدل بود.
در سال ۱۹۷۸ ٬ اسپرینگت مدلی بر مبنای مطالعات آلتمن ایجاد کرد . اسپرینگیت همانند آلتمن از تجزیه و تحلیل چند ممیزی برای انتخاب ۴ نسبت مالی مناسب از میان ۱۹ نسبت که بهترین نسبت ها برای تشخیص شرکت های سالم و ورشکسته بود٬ استفاده کرد .
انینگز و کروز در سال ۲۰۰۵ در پایان نامه خود از مدل تجدید نظر شده آلتمن برای پیش بینی ورشکستگی در شرکت های هواپیمایی و سازمان­های حامی سلامتی آمریکا استفاده کردند و نتیجه آن مطالعات، توانایی مدل در تفکیک شرکت های ورشکسته و غیر ورشکسته بود.
همچنین کامبل در سال ۲۰۰۵ در مقاله ای تحت عنوان پژوهشی در مورد درماندگی مالی٬ عوامل مهم و تعیین کننده ورشکستگی را در دوره ۱۹۶۳-۲۰۰۳ بررسی کرده و بیان می کند شرکت هایی با بهره­وری پایین، بازده سهام کمتر و متغیر درگذشته،وجوه نقد پایین، قیمت پایین هر سهم و ریسک بازار بالاتر، احتمال بیشتری دارند که در وضعیت ورشکستگی قرار بگیرند.
۲-۲-۸- شبکه عصبی
این حوزه یکی از پویاترین حوزه های پژوهش در دوران معاصر محسوب می شود که افراد متعددی را از رشته های گوناگون علمی به خود جلب کرده است . استفاده از شبکه های عصبی و الگوریتم های ژنتیک در حل مسایل پیچیده کاربردی این روزها بیش از بیش رواج یافته است(گجراتی، ۱۳۸۹).
اهمیت این مدل در آن است که می تواند فرایندهایی را که به پارامترهای گوناگون و با درجه اهمیت متفاوت بستگی دارند، توصیف و بررسی کند، سپس پاسخ قانع کننده ای را ارائه نماید. شیوه ی برخورد روش محاسباتی شبکه های عصبی، تسخیر اصول راهبردی زیربنایی فرایند مغز و به کارگیری آنها در سیستم های کامپیوتری است. شناسایی کارکرد مغز انسان و شبکه ی عصبی بیولوژیکی از سال ۱۹۱۱ توسط سگال که اعلام کرد مغز از عناصر اصلی ساختاری به نام نرون تشکیل یافته است آغاز شد. با شناسایی کارکرد ها و قابلیت های ویژه ی مغز انسان و شبکه ی عصبی بیولوژیکی تلاش برای شبیه سازی این کارکرد همواره مورد توجه دانشمندان در حوزه های مختلف بوده است. فعالیت های انجام شده در دهه ی ۶۰ قرن بیستم در قیاس با دهه ی ۸۰ (به علت عدم بروز ایده های جدید و نبود کامپیوتر های سریع جهت پیاده سازی) کمرنگ می نمود. ولی در خلال دهه ی ۸۰ رشد فناوری ریز پردازنده ها روند صعودی داشت و پژوهشات بر روی شبکه های عصبی فزونی یافت و ایده های بسیار جدیدی مطرح شدند. پس از آن استفاده از شبکه های عصبی در حوزه های مختلف علوم با روالی تقریبا ثابت افزایش داشته است به طوری که تا کنون هزاران مقاله در حوزه ی استفاده از شبکه_­های عصبی یا ایجاد تغییرات و بهبود در کارکرد آن نوشته شده است(آساره و همکاران، ۲۰۱۱).
شبکه های عصبی جزء سیستم های دینامیکی هوشمند مدل آزاد قلمداد می شوند که با پردازش روی داده های تجربی دانش یا قانون نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. این سیستم های مبتنی بر هوش محاسباتی سعی در مدل سازی ساختار، نرو سیناپتیکی مغز بشر دارند. مؤلفه های مهم و اساسی هوش محاسباتی یا محاسبات نرم شبکه های عصبی (محاسبات نرونی)، منطق فازی (محاسبات تقریبی) و الگوریتم ژنتیک(محاسبات ژنتیکی) است که هر یک به نوعی مغز را الگو قرار داده اند. شبکه های عصبی با الهام از محاسبات توزیع یافته ی گسترده و موازی در مغز انسان، شبکه های عصبی بیولوژیکی و یادگیری در این سیستم ها، ارتباطات سیناپسی و ساختار نرونی را مدل می کند(قدیمی، ۱۳۸۱).
یک شبکه ی عصبی از تعداد زیادی گره و پاره خط های جهت دار که گره ها را به هم ارتباط می دهند، تشکیل شده است. گره هایی که در لایه ی ورودی هستند گره های حسی و گره های لایه ی خروجی گره های پاسخ دهنده نامیده می شوند ؛ بین نرون های ورودی و خروجی نیز، نرون های پنهان قرار دارند. اطلاعات از طریق گره های ورودی به شبکه وارد شده و سپس از طریق اتصالات به لایه های پنهان متصل شده و در نهایت خروجی شبکه از گره های لایه ی خروجی به دست می آید(کاستا، ۲۰۱۲).
۲-۲-۸-۱- اجزای تحلیلی شبکه عصبی
اجزای شبکه عصبی عبارت است از(سیدلر، ۲۰۱۳)
۱- ورودی ها و خروجی ها : اعداد و ارقام در قالب یک یا چند متغیر، ورودی های یک شبکه عصبی را تشکیل می دهند. این ورودی ها پس از انجام تحلیل و پردازش های خاص به یک یا چند متغیر خروجی تبدیل می شوند. ورودی ها نقش متغیر مستقل و خروجی ها نقش متغیر وابسته را برعهده دارند.

شکل ۲-۲- نمایش یک شبکه عصبی پرسپترون
۲- نرون ها: مهمترین جزء سیستم عصبی نرون ها هستند که به سه دسته نرون های ورودی، خروجی و پنهان تقسیم می شوند و در قالب لایه ورودی٬ لایه خروجی و لایه های پنهان یا میانی قرار می گیرند. نرونها یا واحدهای ورودی وظیفه دریافت داده های ورودی را برعهده دارند. لایه های میانی و خروجی شامل واحدهای پردازش اطلاعات هستند. در این واحدها عملیاتی جبری بر اطلاعات ورودی انجام و نتیجه آنها به صورت یک ورودی جدید به واحدهای دیگر در لایه های بعدی ارسال می شود.

شکل ۲-۳- مراحل پردازش نرون ها در یک شبکه عصبی