پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک DEA-DA و شبکه ی عصبی مصنوعی
Publish place: KARAFAN، Vol: 19، Issue: 2
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 94
This Paper With 29 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_KARFN-19-2_027
تاریخ نمایه سازی: 2 خرداد 1402
Abstract:
هدف این پژوهش شناسایی شاخص های مالی جهت ارزیابی و تجزیه و تحلیل درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و سپس پیشبینی پویای درماندگی مالی شرکت ها است. بدین منظور پس از مطالعه ی جامع ادبیات تحﻘیق و بررسی نسبت های مالی مهم مورداستفاده در پژوهش های قبلی، تعداد هشت نسبت مالی که بیش از همه در تحﻘیﻘات قبلی مورداستفاده قرارگرفته بود، انتخاب شدند و داده های موردنیاز تحقیق از منابع اطلاعاتی سازمان بورس و اوراق بهادار و سامانه های دادگان موجود مانند نرم افزار سازمان بورس اوراق بهادار تهران، کدال و ره آورد نوین برای ۱۰۶ شرکت گردآوری گردید. سپس فرآیند خوشه بندی برای ۱۰۵ شرکت با کمک روش شبکه ی عصبی مصنوعی SOM انجام شده که در این پژوهش تعداد خوشه های موجود برابر با دو خوشه (شرکتهای درمانده و غیر درمانده) در نظر گرفته شده است. پس از خوشه بندی شرکت ها، مدل ارائه شده DEA-DA اجرا و درنهایت عضویت شرکت جدید در گروه مناسب درمانده یا غیر درمانده پیش بینی گردید. نتایج حاصل از این پژوهش نشان می دهد که عضویت شرکت جدید در خوشه ی درمانده ی مالی، به درستی پیش بینی شده و روش ارائه شده در این پژوهش با در نظر گرفتن انواع معیارهای اقتصادی و مالی، امکان پویاسازی پیش بینی درماندگی مالی را برای تصمیم گیرندگان ازجمله مدیران شرکت ها و سرمایه گذاران فراهم می سازد.
Keywords:
درماندگی مالی تحلیل پوششی داده ها , ابر صفحه متمایزکننده شبکه های عصبی مصنوعی نگاشت خودسازمان ده
Authors
حمید رحیمی
گروه مدیریت صنعتی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
مهرزاد مینویی
گروه مدیریت صنعتی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
محمد رضا فتحی
دانشیاربخش تخصصی مدیریت صنعتی و فناوری، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران
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 :