CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

پیش بینی ورشکستگی مالی با استفاده از مدل ترکیبی تحلیل پوششی داده ها و تحلیل رابطه خاکستری (مطالعه موردی: شرکت های مشمول ماده ۱۴۱ قانون تجارت در بورس اوراق بهادار تهران)

عنوان مقاله: پیش بینی ورشکستگی مالی با استفاده از مدل ترکیبی تحلیل پوششی داده ها و تحلیل رابطه خاکستری (مطالعه موردی: شرکت های مشمول ماده ۱۴۱ قانون تجارت در بورس اوراق بهادار تهران)
شناسه ملی مقاله: SPCONF06_0558
منتشر شده در ششمین کنفرانس ملی علوم انسانی و مطالعات مدیریت در سال 1399
مشخصات نویسندگان مقاله:

مجتبی صدیقی - گروه مهندسی مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.باشگاه پژوهشگران جوان و نخبگان، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
محسن رستمی مال خلیفه - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

خلاصه مقاله:
پیش بینی ورشکستگی مالی یکی از مسائل استراتژیک در حوزه مدیریت و تصمیم گیری شرکت ها می باشد و برای مدیران، سرمایه گذاران و سهامداران شرکت از اهمیت بالایی برخودار است. لذا این مقاله به ارزیابی یک مدل ترکیبی جهت پیش بینی ورشکستگی مالی بر اساس روش های تحلیل پوششی داده ها (DEA) و تحلیل رابطه خاکستری (GRA) می پردازد. تحلیل پوششی داده ها به عنوان یک روش ناپارامتریک و ابزاری کارآمد برای کارایی و ارزیابی عملکرد شرکت ها استفاده می شود. تحلیل رابطه خاکستری یک تکنیک تصمیم گیری چندمعیاره است که دارای الگوریتمی با گام های مشخص می باشد. نمونه پژوهش شامل ۳۴ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی یک دوره ۵ ساله از سال ۱۳۹۴ تا ۱۳۹۸ می باشد. نتایج این تحقیق نشان داد که مدل ارائه شده توانایی بالایی در پیشبینی ورشکستگی مالی دارد و می تواند به عنوان ابزاری کارآمد در این زمینه مورد استفاده مدیران و سرمایه گذاران قرار گیرد. با توجه به یافته های پژوهش حاضر، مدل پیشنهادی می تواند علاوه بر شرکت های پذیرفته در بورس اوراق بهادار، در بانک ها، موسسات مالی اعتباری و شرکت های بیمه جهت پیش بینی ورشکستگی مالی مورد استفاده قرار گیرد.

کلمات کلیدی:
پیشبینی ورشکستگی مالی، تحلیل پوششی داده ها، تحلیل رابطه خاکستری، نسبت های مالی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1233636/