استفاده از نسبت های مالی برای پیش بینی ورشکستگی شرکتها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهاد های مالی بوده است. پیش بینی به موقع میتواند تصمیم گیران را در یافتن راه حل و پیشگیری از ورشکستگی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. در چنین مطالعاتی معمولا از مدل های آماری مانند تحلیل ممیز چندگانه (mda) ، تحلیل لوجیت، تحلیل پروبیت و ... استفاده شده است.مطالعات اخیر در خصوص شبکه های عصبی مصنوع (ann) نشان می دهد که این الگو به علت دارا بودن ویژگی های غیر خطی ، ناپارامتریک و یادگیری تطبیقی ، ابزار قدرتمندی برای دسته بندی وشناسایی این الگو می باشند، اولین تلاش برای استفاده از شبکه ی عصبی مصنوعی در پیش بینی ورشکستگی توسط ادم و شارادا (1990) صورت گرفت. در این پژوهش، با استفاده از مدل شبکه عصبی مصنوعی (ann)، به پیش بینی ورشکستگی شرکتهای تولیدی پذیرفته شده در بورس اوراق بهادار تهران پرداخته شده است و همچنین ارائه الگویی از مدل شبکه عصبی مصنوعی (ann)و نیز مروری جامع بر مدل های پیش بینی ورشکستگی انجام شده است. به منظور بررسی اثر تفاوت ناشی از نمونه ها در پیش بینی، از روش معتبر سازی مقطعی استفاده شده است. در این تحقیق مدل شبکه عصبی مصنوعی با مدل آماری رگرسیون لجستیک (lr) که یک مدل پر کاربرد آماری در پیش بینی ورشکستگی است مقایسه شده است. نتایج حاصله از این مدلها، بر اساس اطلاعات 80 شرکت، نشان داد که مدل شبکه عصبی مصنوعی در پیش بینی ورشکستگی، به طور معنی داری نسبت به مدل رگرسیون لجستیکاز دقت پیش بینی بیشتری برخوردار است .

استفاده از نسبت های مالی برای پیش بینی ورشکستگی شرکتها، همیشه مورد توجه دانشگاهیان و بنگاه های اقتصادی، بویژه بانک ها و سایر نهادهای مالی بوده است. پیش بینی به موقع میتواند تصمیم گیران را در یافتن راه حل و پیشگیری از ورشکستگی، یاری نماید. همچنین، این مدل ها کاربرد بسیار زیادی در رتبه بندی اعتباری و نحوه توزیع تسهیلات بانکی دارد. در چنین مطالعاتی معمولات از مدل های آماری مانند تحلیل ممیز چندگانه (mda)، تحلیل لوجیت، تحلیل پروبیت و ... استفاده شده است. مطالعات اخیر در خصوص شبکه های عصبی مصنوعی (ann) نشان می دهد که این الگو به علت دارا بودن ویژگی های غیر خطی، ناپارامتریک و یادگیری تطبیقی، ابزار قدرتمندی برای دسته بندی و شناسایی این الگو می باشند، اولین تلاش برای استفاده از شبکه ی عصبی مصنوعی در پیش بینی ورشکستگی توسط ادم و شارادا(1990) صورت گرفت. در این پژوهش، با استفاده از مدل شبکه عصبی مصنوعی (ann)، به پیش بینی ورشکستگی شرکتهای تولیدی پذیرفته شده در بورس اوراق بهادار تهران پرداخته شده است و همچنین ارایه الگویی از مدل شبکه عصبی مصنوعی (ann) و نیز مروری جامع بر مدل های پیش بینی ورشکستگی انجام شده است. به منظور بررسی اثر تفاوت ناشی از نمونه های در پیش بینی ، از روش معتبر سازی مقطعی استفاده شده است. در این تحقیق مدل شبکه عصبی مصنوعی با مدل آماری رگرسیون لجستیک (lr) که یک مدل پر کاربرد آماری در پیش بینی ورشکستگی است مقایسه شده است. نتایج حاصله از این مدلها، بر اساس اطلاعات 80 شرکت، نشان داد که مدل شبکه عصبی مصنوعی در پیش بینی ورشکستگی، به طور معنی داری نسبت به مدل رگرسیون لجستیک از دقت پیش بینی بیشتری برخوردار است.