دانش سرمایه‌گذاری

دانش سرمایه‌گذاری

مدل‌یابی پیش‌بینی ورشکستگی با تأکید بر روش‌های نوین اندازه‌گیری

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدرضا نصرت نظامی 1
فاضل محمدی نوده 2
سینا خردیار 3
1 دانشجوی دوره دکترای مهندسی مالی، گروه مهندسی مالی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
2 استادیار، گروه مدیریت، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
3 دانشیار، گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
10.30495/jik.2025.23649
چکیده
هدف از انجام این پژوهش ترکیب مرور سیستماتیک و رویکرد دلفی فازی در شناسایی عوامل و مدل های موثر بر ورشکستگی در شرکت های بورس اوراق بهادار تهران می باشد. ادبیات پیش‌بینی ورشکستگی برای شرکت‌های سهامی عام در مطالعات متعدد مورد بررسی قرار گرفته است، هیچ بررسی سیستماتیک یا هر شکل دیگری از بررسی ادبیات برای شرکت‌های تولیدی در اقتصادهای در حال انحلال انجام نشده است. این پژوهش دانش جدیدی را با پیش‌بینی ورشکستگی شرکت‌های تولیدی در اقتصادهای درحال‌توسعه اضافه می‌کند. در پژوهش حاضر برای تجزیه‌وتحلیل داده‌ها در بخش کیفی از نرم‌افزار MAX QDA استفاده شد. نتایج کدگذاری حاصل از مصاحبه‌های پژوهش مشخص شدند دراین ‌بین نزدیک به 30 کد استخراج شدند. در کدگذاری محوری، مقوله‌های جدا از هم در چهارچوبی معنادار در کنار یکدیگر قرار می‌گیرند و روابط میان آن‌ها، به‌ویژه رابطه مقوله محوری با سایر مقوله‌ها، مشخص می‌شود. نتایج این پژوهش نشان‌دهنده این موضوع است که استفاده از ساختارهای جدید مانند سیستم‌های هوشمند ترکیبی مبتنی بر مدل‌های داده کاوی توانایی بالایی در تشخیص ورشکستگی شرکت‌ها در سطح کشور دارد. این پژوهش از روش های نوین اندازه-گیری از جمله الگوریتم‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان بهره برده و داده‌های مورد استفاده به دو صنعت مواد غذایی و نساجی تعمیم یافته‌اند و داده‌های پژوهش محدود به داده‌های شرکت‌های بورس اوراق بهادار نمی‌باشد.
کلیدواژه‌ها
"ورشکستگی"
"روش های نوین اندازه گیری"
"شبکه عصبی مصنوعی"
"ماشین بردار پشتیبان"

عنوان مقاله English

Predictive modeling of bankruptcy with an emphasis on modern measurement methods

نویسندگان English

Mohammadreza Nosratnezami 1
Fazel Mohammadi Nodeh 2
sina kherdyar 3
1 PhD candidate in Financial Engineering, Financial Engineering Department, Rasht branch, Islamic Azad University, Rasht, Iran.
2 Assistant Professor, Department of Management, lahijan Branch, Islamic Azad University, Lahijan, Iran
3 Associate professor, Department of Accounting, Rasht branch, Islamic Azad University, Rasht, Iran.
چکیده English

The purpose of this research is to use a combination of a systematic review and the Fuzzy Delphi approach to Abstract:
The purpose of this research is to use a combination of a systematic review and the Fuzzy Delphi approach to identify the effective factors and models in the bankruptcy of listed companies on the Tehran Stock Exchange. Literature of the bankruptcy prediction has extensively examined for public joint-stock companies, but no systematic study or any other form of literature review has been conducted on manufacturing companies in economies undergoing dissolution. This research contributes new knowledge by predicting bankruptcy for manufacturing companies in developing economies. The MAX QDA software was used to analyze the qualitative data obtained from research interviews. The results of coding from the research interviews were identified, and nearly 30 codes were extracted in this regard. In the axial coding, discrete concepts are arranged next to each other in a meaningful framework, which identifies the relationships among them, especially relation of axial concept with other concepts. Results from this research suggest that using the new structures such as combined intelligent systems based on the datamining models has high ability in identifying bankruptcy of companies nationwide. This research utilizes modern measurement methods such as Artificial Neural Network algorithms and Support Vector Machines and applied data are generalized to two industries namely food and textile and this research data are not limited to the companies listed on Tehran Stock Exchange.

کلیدواژه‌ها English

" Bankruptcy"
"New methods of measurement"
" Artificial Neural Network"
"Support Vector Machine"
  1. Accounting Studies, 9(1), 5-34.
  2. Bruynseels, L., & Willekens, M. (2012). The effect of strategic and operating turn around initiatives on audit reporting for distressed companies. Accounting, Organizations and Society, 27(4), 223-241.
  3. Elsevier (2015). Retrieved from: www.elsevier.com (Accessed 20 March 2018).
  4. Financial Markets, Institutions and Money, 25, 73-87.
  5. Hillegeist, S., Keating, E., Cram, D., & Lundstedt, K. (2004). Assessing the Probability of Bankruptcy. Review of
  6. Jackson, R. & Wood, A. (2013). The performance of insolvency prediction and credit risk models in the UK: A comparative study. The British Accounting Review, 45(3), 183-202.
  7. Kim, S. (2011). Prediction of hotel bankruptcy using support vector machine, artificial neural network, logistic regression, and multivariate discriminant analysis. The Service Industries Journal, 31(3), 441-468.
  8. Knowledge-Based Systems, 26, 69-74.
  9. Lepetit, L., & Strobel, F. (2013). Bank insolvency risk and time-varying Z-score measures. Journal of International
  10. Li, H., & Sun, J. (2012). Forecasting business failure: The use of nearest-neighbour support vectors and correcting imbalanced samples – Evidence from the Chinese hotel industry. Tourism Management, 33(3), 622-634.
  11. Lin, F., Yeh, C., & Lee, M. (2011). The use of hybrid manifold learning and support vector machines in the prediction of business failure. Knowledge-Based Systems, 24(1), 95-101.
  12. Pan, W. (2012). A new Fruit Fly Optimization Algorithm: Taking the financial distress model as an example.
  13. Sun, J., Li, H., Huang, Q., & He, K. (2014). Predicting financial distress and corporate failure: A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches. Knowledge-Based Systems, 57, 41-56.
  14. Tserng, H., Chen, P., Huang, W., Lei, M., & Tran, Q. (2014). Prediction of default probability for construction firms using the logit model. Journal of Civil Engineering and Management, 20(2), 247-255.
  15. Wang, L., & Wu, C. (2017). Business failure prediction based on two-stage selective ensemble with manifold learning algorithm and kernel-based fuzzy self-organizing map. Knowledge-Based Systems, 121, 99-110.
  16. Xiao, Z., Yang, X., Pang, Y., & Dang, X. (2012). The prediction for listed companies’ financial distress by using multiple prediction methods with rough set and Dempster–Shafer evidence theory. Knowledge-Based Systems, 26, 196-206.