ارائه یک روش ترکیبی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران
Publish place: Financial Research Journal، Vol: 20، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 261
This Paper With 21 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JFR-20-2_003
تاریخ نمایه سازی: 20 بهمن 1400
Abstract:
هدف: هدف این پژوهش ارائه رویکردی جدید برای انتخاب متغیرهای موثر در پیشبینی درماندگی مالی با استفاده از نظر خبرگان و الگوریتمهای تصمیمگیری است. روش: بدین منظور ۲۹ نسبت مالی برای شرکتهای تولیدی درمانده مالی بر اساس ماده ۱۴۱ قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی ۱۳۸۵ تا ۱۳۹۵ با استفاده از صورتهای مالی حسابرسی شده برای یک، دو و سه سال قبل از درماندگی جمعآوری شده است. سپس با استفاده از آزمون آماری و الگوریتمهای تصمیمگیری دیمتل و تودیم فازی، بهترین نسبتهای مالی به همراه ضریب اهمیت هر یک انتخاب و با استفاده از ماشین بردار پشتیبان، پیشبینی درماندگی مالی انجام شد. یافتهها: آزمون مقایسات زوجی نشان داد که اختلاف دقت مدل پیشنهادی در پیشبینی درماندگی مالی برای هر سه سال t-۱، t-۲ و t-۳ نسبت به دقت مدلهای آلتمن و رگرسیون لجستیک در سطح خطای ۵ درصد معنادار بوده است. نتیجهگیری: با توجه به نتایج آزمون های تحقیق می توان نتیجه گیری کرد که مدل پیشنهادی در یک، دو و سه سال پیش از وقوع درماندگی مالی، به طور معناداری از عملکرد بهتری در پیشبینی درماندگی نسبت به روش رگرسیون لجستیک و مدل آلتمن برخوردار است.
Keywords:
Authors
محمدهاشم بت شکن
استادیار گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
محمد جواد سلیمی
استادیار گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
سعید فلاحتگر متحدجو
کارشناسی ارشد مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :