فراتحلیل تأثیر شاخص های مالی مؤثر بر رتبه اعتباری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی،دماوند ، ایران

2 گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی،دماوند ، ایران،

10.30495/jik.2024.76015.4437

چکیده

تنوع ابزارها و روش های اندازه گیری ، موقعیت های جدیدی در مطالعات را ایجاد کرده و چه بسا این امر به نتایج متفاوتی بیانجامد و باعث سردرگمی در فهم نتایج کلی شود . فراتحلیل، مجموعه روشهای آماری است جهت یکپارچه سازی نتایج تحقیقات مختلف و شناسایی عوامل تعدیل کننده روابط شاخص های مالی و رتبه اعتباری ، در این تحقیق از روش شناسی فراتحلیل (متاآنالیز) که در زمره روشهای کمی آماری محسوب میشود بهره خواهیم برد. به منظور اجرای روش فراتحلیل، کلیه مطالعات انجام‌گرفته در زمینه موضوع پژوهش با استفاده از کلید واژه هایی همچون، شاخص های مالی، نسبت های مالی، رتبه اعتباری، مدل رتبه بندی اعتباری و عوامل موثر بر رتبه اعتباری از تارنمای مجله های داخلی و خارجی (در بازة زمانی 2005 تا 2020 ) به مثابة جامعة آماری پژوهش شناسایی و جمع آوری خواهند شد. درنهایت، از مجموع مطالعات جمع آوری شده ، با توجه به محدودیتهای اعمال شده با استفاده از روش حذف سیستماتیک 22 مطالعه مورد تجزیه و تحلیل قرار گرفت. ؛ نتایج بررسی مطالعات انجام شده ، بیانگر آن است که اکثر این مطالعات نامتجانس می باشند. در راستای شناسایی عامل این عدم تجانس، با تقسیم بندی تحقیقات بر مبنای معیارهای متفاوت اندازه گیری شاخص های مالی و رتبه اعتباری و محاسبه آماره کای دو درون گروهی دریافتیم که این معیارهای متفاوت اندازه گیری بکار رفته در تحقیقات یکی از عوامل تناقض در نتایج تحقیقات بوده اند. ضمنا در ادامه مشخص گردید، رابطه معناداری بین شاخص های مالی و رتبه اعتباری وجود دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Meta-analysis of the effect of financial indicators on credit rating

نویسندگان [English]

  • Masoud Bakhshi 1
  • mohammadhamed Khanmohammadi 2
  • zahra moradi 1
  • Mohammad Esmaeil Molaei 1
1 1. Department of Accounting, Damavand Branch, Islamic Azad University, Damavand, Iran
2 2. Department of Accounting, Damavand Branch, Islamic Azad University, Damavand, Iran
چکیده [English]

The diversity of measurement tools and methods has created new situations in studies and this may lead to different results and cause confusion in understanding the general results. Meta-analysis is a collection of statistical methods to integrate the results of various researches and identify factors that moderate the relationship between financial indicators and credit rating. In order to implement the meta-analysis method, all the studies conducted in the field of the research topic using keywords such as financial indicators, financial ratios, credit rating, credit rating model and factors affecting credit rating from the websites of domestic and foreign magazines. (in the period from 2005 to 2020) will be identified and collected as the statistical population of the research. Finally, from all the collected studies, according to the limitations applied, 22 studies were analyzed using the systematic exclusion method. ; The results of the studies conducted show that most of these studies are inconsistent. In order to identify the cause of this inconsistency, by dividing the research based on different criteria for measuring financial indicators and credit rating and calculating the chi-square statistic within the group, we found that these different measurement criteria used in the research were one of the factors of contradiction in the research results. are In addition, it was found that there is a significant relationship between financial indicators and credit rating.

کلیدواژه‌ها [English]

  • Meta Analysis
  • Financial Indicators
  • Financial Ratio
  • Credit Rating

مراجع

  1. ابراهیم زاده‌،ا‌،.و ‌سعیدی‌،پ (1397) تحلیل ‌و‌ واکاوی‌ ریسک‌ اعتباری‌ و ‌ارتباط ‌آن ‌با‌ رتبه بندی‌ اعتباری ‌شرکت‌،فصلنامه‌ علمی‌تخصصی ‌مدیریت‌ ،حسابداری ‌و ‌اقتصاد2 (3)، 70-83.
  2. آذری پناه،ش، و فلاح شمس‌،م‌.ف. (1391) ‌. بررسی‌ ارتباط ‌بین ‌احتمال ‌نکول‌ و‌ ساختار ‌سرمایه ‌با‌ استفاده از‌مدل KMV و ‌روش‌پ نل دیتا‌، فصلنامه‌ علمی ‌پژوهشی ‌دانش ‌مالی‌ تحلیل‌ اوراق ‌بهادار 6(2)،96-85.
  3. آیتی گازار، ‌ح، (1384) ،مقایسه ای بین مدل ‌لاجیت و ‌درخت های رگرسیونی و ‌طبقه بندی در‌ فرآیند امتیازدهی اعتباری برای مشتریان حقیقی یک بانک، ‌پایان نامه ‌کارشناسی ارشد، ‌دانشگاه‌ صنعتی اصفهان
  4. بت شکن، م‌ . ه ،. شمس، ش‌ . ا‌، و جعفری، ا.(1388) تحلیل صنعت رتبه بندی اعتباری ‌در دنیا و بررسی موانع و راهکارهای پیش روی این صنعت در کشورمان‌، فصلنامه مدیریت و توسعه ،10 (4)،44-64.
  5. پورولی علیار، ص،. جبارزاده، س،. و بحری ثالث، ج. (1401). رتبه بندی ‌اعتباری شرکت های‌ پذیرفته شده ‌در ‌بورس‌ اوراق ‌بهادار ‌تهران، پژوهش های راهبردی بودجه ‌و ‌مالی ، 3(2)،33-60.
  6. تهرانی،ر،. و فلاح ‌شمس‌،م. ‌ف. (1384) . طراحی و ‌تبیین مدل‌ ریسک اعتباری در ‌نظام ‌بانکی کشور، مجله ‌علوم ‌اجتماعی و ‌انسانی دانشگاه ‌شیراز،2(43)،45-60.
  7. حاجیها، ز،. ‌و ‌بخشی، ن. (1396). بررسی  رابطه  ‌اطلاعات ‌حسابداری و ‌ریسک اعتباری در‌ شرکت های‌ پذیرفته شده‌ در ‌بورس ‌اوراق ‌بهادار ‌تهران‌ ،مطالعات ‌حسابداری و ‌حسابرسی، 6(24)،53-98 .
  8. حاجیها، ز،. و ‌قربانی، ا. (1400). بررسی تأثیر ریسک عدم ‌بازپرداخت ‌بدهی ها بر ‌رتبه بندی اعتباری با‌ توجه ‌به ‌نقش‌ تعدیلی محدودیت مالی، حسابداری مدیریت، 14(15) ، 1-13 .
  9. حیدری فر، ف،. حنیفی، ف،. و زمردیان، غ. ‌ر (1401). ‌طراحی مدل‌ سنجش ‌ریسک اعتباری با‌ پیش بینی انتقال ‌رتبه‌ اعتباری بوسیله استفاده ‌از‌ فرآیند زنجیره مارکوف‌. مهندسی مالی و‌مدیریت اوراق‌ بهادار. 13(51)،40-62.
  10. خانزاده، ‌م،. ‌محقق ‌نیا، ‌م. ‌ج،. ‌و ‌ابراهیمی، ‌م. ‌ح (1398) . ‌طراحی ‌الگوی ‌رتبه بندی ‌اعتباری ‌ بانک های ‌اسلامی ‌ایران‌، دو فصلنامه ‌علمی‌ تحقیقات ‌مالی ‌اسلامی، 9(1)،327-366.
  11. دانشور‌ بنداری، ر‌،.مسیح آبادی، ا‌ .ق‌، .و ‌شورورزی، م‌.ر. (1400). نقش‌کیفیت سود ‌در ‌برآورد‌ ریسک اعتباری ‌، نشریه راهبرد مدیریت مالی 9(1)،203-224.
  12. دیانتی ‌دیلمی، ز. (1394). روش تحقیق در حسابداری، تهران‌ : نشر عدالت نوین.
  13. ذکاوت، ‌س. ‌م. (1381) . مدل های ریسک اعتباری مشتریان بانک ‌صادرات ‌ایران، ‌پایان نامه‌ کارشناسی ارشد‌،مؤسسه عالی بانکداری ایران.
  14. رادان، ‌م،. ‌محسنی، ق،. ‌و ‌احمدی، م. (1397) . ‌طراحی ‌زیست‌ بوم ‌رتبه بندی‌ اعتباری ‌در ‌ایران‌، نشریه‌ بورس. 164، 78-79.
  15. سلیمی، ‌م. ‌ج،. ‌حنفی زاده، ‌پ،. ‌و ‌جعفری، ‌ا.(1396). مدلی ‌برای ‌ارزیابی ‌توان ‌مالی ‌بانک های‌ ایرانی‌ ، فصلنامه ‌راهبرد ‌مدیریت ‌مالی 5(17)،133-101.
  16. شاهرخی‌،س‌.س‌،.و‌ مشایخ‌ ، ش. (1394). ‌.نظام ‌رتبه بندی ‌اعتباری ‌شرکت ها ‌در ‌دنیا ‌، حسابداری و‌ منافع ‌اجتماعی 5(1)،131-148
  17. شاهرخی، ‌س. ‌س،. ‌و ‌مشایخ، ‌ش (1395). ‌شناسایی ‌شاخص های ‌تعیین کننده ‌رتبه ‌اعتباری‌ شرکت ها‌، فصلنامه ‌علمی ‌پژوهشی‌ دانش ‌سرمایه گذاری ،5(16)،25-52.
  18. فلاح‌شمسی، (1384)، طراحی و‌تبیین مدل‌ریسک اعتباری در‌نظام‌ بانکی کشور‌، مجموعه‌مقالات‌ شانزدهمین همایش بانکداری اسلامی‌،مؤسسهد‌عالی بانکداری اسلامی،ص 427-445.
  19. قدیری ‌مقدم‌، ا ‌،.غلام پور ‌فرد‌ ،م ‌.م ‌،.و‌ نصیرزاده ‌،ف.(1388). بررسی‌ توانایی ‌مدل های ‌پیش بینی‌ ورشکستگی ‌آلتمن ‌و ‌اهلسون ‌در ‌پیش بینی ‌ورشکستگی ‌شرکت های ‌بورس‌ اوراق ‌بهادار ‌تهران‌، مجله ‌دانش‌ و‌ توسعه ،16(28)،193-220.
  20. کردستانی‌، غ‌ .ر (1393). ‌.ارزیابی‌ توان ‌پیش بینی ‌مدل های ‌ورشکستگی‌، دانش‌ حسابرسی . 14(55)، 31-57.
  21. کشاورز‌ حداد، غ‌ .ر،. و آیتی گازار ‌ح .(1386). مقایسه کارکرد ‌مدل‌ لاجیت و ‌روش‌ درخت های طبقه بندی و ‌رگرسیونی در‌فرآیند اعتبارسنجی متقاضیان حقیقی برای استفاده ‌از ‌تسهیلات بانکی، پژوهش های اقتصادی. 7(4)،71-97.
  22. لطفی، ‌ع. ‌ا. (1386). مدل سازی ‌ریسک اعتباری در ‌بانک‌کشاورزی، ‌رویکرد مدل های ‌لاجیت‌، پروبیت و ‌شبکه‌های عصبی‌، پایان نامه دکترا‌، دانشگاه ‌علامه ‌طباطبائی.
  23. محمدی خانقاه‌،گ‌،.پیری، پ‌،.و‌ منصورفر، غ‌. ر (1398). .مدیریت سود ‌واقعی، کیفیت حاکمیت شرکتی و ‌رتبه ‌اعتباری‌ ، نشریه بررسی های حسابداری و‌حسابرسی . 26(4) ، 595-614.
  24. Adams, M., Burton, B., & Hardwick, P. (2003). The determinants of credit ratings in the United Kingdom insurance industry. Journal of Business Finance & Accounting, 30(3/4), 539-572.
  25. Akdemie, A., & Karsl, D. (2012). An assessment of strategic importance of credit rating agencies for companies and organizations. Social and Behavioral Sciences, 58, 1628 – 1639.
  26. Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23(4), 589 – 609.
  27. Amiri, M and Biglari Kami, M (2013). Credit Rating Companies with Multi-Criteria Decision Making Models and Artificial Neural Network Model. Journal of Basic and Applied Scientific Research, 3(5). 536-546.
  28. Bakhshi, M. , & Yaghoobnezhad, A. , & Nikoo Maram, H. (2020). Developing a Hybrid Approach to Credit Priority based on Accounting Variables. The International Journal of Nonlinear Analysis and Applications (IJNAA). Paper No. IJNAA-1724.
  29. Beaver, W. H. (1966). Financial Ratios as Predictors of Failure. Empirical Research in Accounting: Selected Studies, 4(3), 71–111.
  30. Becker, B., & Milbourn, T. (2011). How did Increased Competition Affect Credit Ratings?. Journal of Financial Economics,101, 493-514
  31. Blomkvist, M., Löflund, A., & Vyas, H. (2020). Credit ratings and firm life-cycle. Finance Research Letters, 5, 101598.
  32. Blume, M.E., Lim, F., & Mackinlay, A.C. (1998). The declining credit quality of US corporate debt: Myth or reality?. Journal of Finance, 53(4), 1389-1413.
  33. Cantor, R., & Packer, F. (1994). The Credit Rating Industry. Federal Reserve Bank of New York Quarterly Review, 19(2), 1-26.
  34. Cantor, R., & Packer, F. (1997). Differences of opinion and selection bias in the credit rating industry. Journal of Banking & Finance, 21(10), 1395-1417.
  35. Chen, Wun-Hwa and Shih, Jen-Ying (2006). A study of Taiwan’s issuer credit rating systems using support vector machines. Expert Systems with Applications, 30, 427–435
  36. Creighton, A., Gower, L., & Anthony, J. R. (2007). The impact of rating changes in Australian financial markets. Pacific-Basin Finance Journal, 15(1), 1 -17.
  37. Ederington, L. (1985). classification models and bond ratings. The Financial Review, 20(4), 237-261.
  38. Estran, R., Souchaud, A., & Abitbol, D. (2022). Using a genetic algorithm to optimize an expert credit rating model. Expert Systems with Applications, 1(203), 117506.
  39. Fitch Ratings. (2014). Definitions of Ratings and Other Forms of Opinion. Retrieved from Fitch Ratings
  40. Gray, S., Mirkovic, A., & Ragunathan, V. (2006). The Determinants of Credit Ratings: Australian Evidence. Australian Journal of Management, (31), 333-354.
  41. Guo, X., Zhu, Z., & Shi, J. (2012). A Corporate Credit Rating Model Using Support Vector Domain Combined with Fuzzy Clustering Algorithm. Mathematical Problems in Engineering, 10(1155), 1-20.
  42. Jorion, P, Liu, Z & Shi, C. (2005). Informational effects of regulation FD: evidence from rating agencies. Journal of Financial Economics, 76(2), 309-330.
  43. Kamstra, M., Kennedy, P., & Suan, T.K. (2001). Combining bond rating forecasts using logit. The Financial Review, 37, 75-96.
  44. Kaplan, R., & Urwitz, G. (1979). Statistical models of bond ratings: A methodological inquiry. Journal of Business, 52, 231 – 261
  45. Kaviani, M., Lawrence, K., Maleki, H., & Pavel, S. (2020). Policy uncertainty and corporate credit spreads. Journal of Financial Economics, 3(138), 838-865.
  46. Kim, Y.S., & Sohn, S. Y. (2004). Managing Loan Customers using Misclassification Patterns of Credit Scoring Model. Expert Systems with Applications, 26(4), 567-573.
  47. Kladakis, G., Chen, L., & Bellos, S.D. (2022). Multiple credit ratings and liquidity creation. Finance Research Letters, 46, 117506.
  48. Kumar, K., & Haynes, J.D. (2003). Forecasting credit ratings using an ANN and statistical techniques. International Journal of Business Studies, 11, 91-108. 233
  49. Kumar, K.S.Venkatesward and Rao, S. Hanumantha (2012). Credit Rating Role in Modern Financial System. International Journal of Marketing, Financial Service and Management, 1(8), 126-138.
  50. Langohr, H. and Langohr, P., (2008). The Rating Agencies and Their Credit Ratings: What They Are, How They Work, and Why They are Relevant, Wiley Finance Series.
  51. Langohr, H., & Langohr, P. (2009). The Rating Agencies and Their Credit Ratings: What They Are, How They Work, and Why They are Relevant. US: Wiley Finance Series.
  52. Mokhatab-Rafiei, F. and et al (2012), MCDM-based model for predicting corporate credit rating: Some results for the Iran corporate sector. Interdisciplinary Journal of contemporary research in business, 3(11), 589–596.
  53. MurciaI, F.C. S., Dal-Ri Murcia, F., Rover, S., & Borba, J.A. (2014). The determinants of credit rating: Brazilian evidence. Brazilian Administration Review, 11(2), 188-209.
  54. Orheian, Oana Mihaela (2014). The Role of Credit Rating Agencies in the Current Financial Market Crisis. Quality - Access to Success, 15(140), 17-21.
  55. Papaikonomou, V. L. (2010). Credit Rating Agencies and Global Financial Crisis: need for a paradigm shift in financial market regulation. Studies in Economics and Finance, 27(2), 161-174.
  56. Poon, W., & Chan, K. (2008). An Empirical Examination of the Informational Content of Credit Ratings in China. Journal of Business Research, 61(7), 790-797.
  57. Rousseau, Stéphane, (2006). Enhancing the Accountability of Credit Rating Agencies: The Case for a Disclosure-Based Approach, McGill Law Journal, 51(4), 617-621.
  58. Samreen, A., & Zaidi, F.B. (2013). Design and Development of Credit Scoring Model for the Commercial Banks in Pakistan: Forecasting Creditworthiness of Corporate Borrowers. International Journal of Business and Commerce, 2(5), 1-26
  59. Sun, Y., Chai, N., Dong, Y., & Shi, B. (2022). Assessing and predicting small industrial enterprises’ credit ratings: A fuzzy decision-making approach. International Journal of Forecasting, 38(3), 1158-1172.
  60. Xiaolu, H., Huang, H., Pan, Z., & Shi, J. (2019). Information asymmetry and credit rating: A quasi-natural experiment from China. Journal of Banking & Finance, 106(1), 132-152.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار