Study of corporate bankruptcy and financial crisis using the VOSviewer software

Document Type : Original Article

Authors
Fariba Korani 1
Mahmoud Hematfar 2
Seyed Javad Iranban 3
1 PhD student, Department of Industrial Management, Finance, Science and Research Unit, Islamic Azad University, Tehran, Iran
2 Department of Accounting, Borujard Branch, Islamic Azad University, Borujard, Iran
3 Department of Management, Shiraz Branch, Islamic Azad University, Shiraz, Iran
10.30495/jik.2023.71733.4205
Abstract
This article reviews the progress of bankruptcy and financial fragility studies of companies. The research method of the article is bibliometric analysis and the analysis of the studies that have been done to study the characteristics of published articles such as authors, countries, topics and frequent keywords. The research sample is 980 articles in the field of bankruptcy indexed in the Scopus database from 2013 to 2023. The findings showed that the countries of the United States, England, Spain, China, Poland, and Australia have conducted research with each other in the field of bankruptcy prediction models, and on the other hand, the Czech Republic had a joint article with the United Kingdom. Between 2013 and 2023, it was found that during the 10-year period, the key words of financial crisis, financial ratios, machine learning and bankruptcy forecasting models were more attention of researchers. The most cited article was Predicting Financial Helplessness in the International Context: A Review and Empirical Analysis of Altman's Z-Score Model in 2017. Reviewing the historical progress of bankruptcy research, which is affected by the economic environment of companies, can help to understand, analyze the evolution of conditions and predict the bankruptcy of companies.
Keywords
Financial crisis
Corporate bankruptcy
Bibliometric analysis
حکمتی فرید، صمد.، رضازاده، علی و مالک، علی. (1397). برآورد ریسک سیستمی در بخش‌های مالی اقتصاد ایران (رهیافت ارزش در معرض ریسک شرطی تفاضلی). ‌مدل‌سازی اقتصادی، 12(3) ، ‌122-99.
حیدری, مهدی, زیاری, شکراله, شایان نیا, سید احمد, رشیدی کمیجان, علیرضا. (1400). پیش بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار با استفاده از شبکه عصبی مصنوعی و الگوریتم کرم شب‌تاب. مهندسی مالی و مدیریت اوراق بهادار, 12(46), 691-716.
حسینی، سید علی، گرامی راد، فاطمه، زارع زردینی، طیبه. (1398). تحلیل جریان علمی پژوهش‎های حسابرسی در پایگاه اطلاعاتی وب آو ساینس. دانش حسابداری مالی 6(4) ، 25-46.
دستگیر، محسن، سجادی، سید حسین, & مقدم، جواد. (1387). پیش‌بینی ورشکستگی شرکتها با استفاده از مدل لوجیت. پژوهشنامه اقتصادی, 8(31), 171-189.
راعی، رضا و سعید فلاح‌پور، (1383)، "پیش‌بینی درماندگیشرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی"، تحقیقات مالی، 6(1)، صص 33-46.
زراعتی نوقابی ا. & نخعی ح. (1400). رابطه ورشکستگی با بیش‌ ارزشیابی سهام و مدیریت سود و بیش‌اعتمادی مدیران. فصلنامه علمی تخصصی رویکردهای پژوهشی نوین در مدیریت و حسابداری, 5(83), 1261-1280. https://majournal.ir/index.php/ma/article/view/1164
سعیدیان، مجید. (1398). بررسی پدیده ضربه قوچ و نقش آن در شکست کسب و کارها. مدیریت کسب و کار, 11(43), 158-174.
قالیباف، حسن، افشار، منیژه. (1393). بررسی کاربرد استفاده از مدل KMV در پیش‌بینی ریسک ورشکستگی. مهندسی مالی و مدیریت اوراق بهادار, 5(21), 75-88.
کیانی راد، بهمن، جمشیدی نوید، بابک، قنبری، مهرداد & جمشیدپور، روح اله. (1401). طراحی مدل ارزیابی شکنندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار ایران. راهبرد مدیریت مالی, 10(4), -. doi: 10.22051/jfm.2020.28688.2234
وکیلی‌فرد، حمیدرضا، نازنین پیله وری و سیده سمانه زیدی، (1393)، "ارائه مدلی جهت پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از سیستم استنتاج فازی عصبی انطباق‌پذیر"، مجله مهندسی مالی و مدیریت اوراق بهادار، 5(18)، صص 17-30.
          همایون فر، مهدی، طلوعی اشلقی، عباس، فدایی اشکیکی، مهدی. (1392). ارائه مدل سرمایه‌گذاری مناسب جهت تعامل صنعت و دانشگاه با رویکرد پویایی شناسی سیستم ها. دانش سرمایه‌گذاری
Altman, E. I., Iwanicz‐Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial distress prediction in an international context: A review and empirical analysis of Altman's Z‐score model. Journal of International Financial Management & Accounting, 28(2), 131-171.
Babajani, J., Bolo, G. & Ghazali, A. (2018). A framework for measuring and predicting systemic risk with the marginal expected shortfall approach (MES) in Iran capital market. Journal of Financial Management Strategy, 6(22), 1-29. (In Prsian )
Bernal, O., Gnabo, J. Y. & Guilmin, G. (2014). Assessing the contribution of banks, insurance and other financial services to systemic risk. Journal of Banking & Finance, 47(C), 270-287.
Hosaka, T. (2019). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Expert systems with applications, 117, 287-299.
Kliestik, T., Misankova, M., Valaskova, K., & Svabova, L. (2018). Bankruptcy prevention: new effort to reflect on legal and social changes. Science and Engineering Ethics, 24(2), 791-803.
Papik, M., & Papíková, L. (2023). Impacts of crisis on SME bankruptcy prediction models’ performance. Expert Systems with Applications, 214, 119072.
Sun, J., Li, H., Huang, Q. H., & He, K. Y. (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.
Wieprow, J. M., & Barlik, J. (2017). Application of discriminant models in predicting a company's risk of bankruptcy. The Central European Review of Economics and Management (CEREM), 1(1), 121-134.