تأثیر کاهش داده‌ها با استفاده از تحلیل عاملی بر دقت مدل‌های پیش‌بینی ورشکستگی

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

هدف از این پژوهش تعیین الگوهایی با استفاده از نسبت‌های مالی برای بالا بردن توان تصمیم‌گیری استفاده‌کنندگان از صورت‌های مالی در پیش‌بینی ورشکستگی شرکت‌ها است. در این پژوهش از 55 نسبت مالی پرکاربرد استفاده‌شده و با استفاده از تحلیل عاملی اکتشافی به 12 عامل تبدیل شده است. سپس با استفاده از مدل لوجیت و شبکه‌های عصبی صحت پیش‌بینی ورشکستگی با استفاده از 12 عامل به‌دست‌آمده، موردبررسی قرارگرفته است. جامعه‌ی آماری شامل دو گروه، 40 شرکت ورشکسته و 82 شرکت غیر ورشکسته، است. اطلاعات استفاده‌شده مربوط به دوره‌ی زمانی 1393-1387 است و نتیجه‌های پژوهش حاکی از آن است که 12 عامل به‌دست‌آمده با بهره‌گیری از هر دو مدل، دارای توان بالایی در پیش‌بینی ورشکستگی شرکت‌ها است و نیز الگوی مبتنی بر شبکه‌ی عصبی دارای بالاترین دقت است.

کلیدواژه‌ها


ابوئی مهریزی، محمد. (1388). پیش‌بینی ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار با استفاده از مدل گیلبرت، منون و شوارتز. رساله‌ی کارشناسی ارشد، دانشکده‌ی حسابداری مدیریت، دانشگاه آزاد اسلامی، واحد یزد.

اعتمادی، حسین و  فرج‌زاده دهکردی، حسین. (1387). مروری بر مدل‌های پیش‌بینی ورشکستگی. مجله‌ی حسابدار، 200: 39-59.

پورزمانی، زهرا؛ کی‌پور، رضا و نورالدین، مصطفی. (1389). بررسی توانمندی الگوهای پیش‌بینی‌کننده‌ی بحران مالی، مجله‌ی مهندسی مالی و مدیریت پرتفوی. 4: 28-1.

حاجیها، زهره. (1384). سقوط شرکت، علل و مراحل آن؛ مطالعه‌ی سیستم‌های قانونی ورشکستگی در ایران و جهان. مجله‌ی حسابرس،  29: 64-72 .

دستگیر، محسن؛ سجادی، حسین و مقدم، جواد. (1387). پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل لوجیت. پژوهشنامه‌ی اقتصادی، 189-170.

رستمی‌تبار، بهمن و امین ناصری، محمدرضا. (1386). پیش‌بینی تقاضای متناوب با استفاده از شبکه‌های عصبی مصنوعی. پایان‌نامه‌ی کارشناسی ارشد مهندسی صنایع، دانشکده‌ی فنی و مهندسی دانشگاه تربیت مدرس.

زارع چاهوکی، محمدعلی. (1389). روش‌های تحلیل چندمتغیره در نرم‌افزار spss. نشر دانشگاه تهران.

سهرابی عراقی، محسن. (1386). الگویی جهت پیش‌بینی بحران‌های مالی در شرکت‌های ایرانی. پایان‌نامه‌ی دکتری رشته‌ی حسابداری، دانشگاه علامه طباطبایی.

شیخی، خالد؛ یاری، رسول و داودی، حسن. (1392). بررسی قابلیت نسبت‌های مالی در پیش‌بینی توقف فعالیت شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران (1387-1377)، بر اساس مدل زاوگین. پژوهشنامه‌ی اقتصادی، 13 (3): 169-190.

طالب قصابی، مهدی و عینی پور، امین. (1389). پیش‌بینی ورشکستگی شرکت‌های موجود در بورس با استفاده از سیستم خودکار فازی تکاملی. اولین اجلاس ملی محاسبات نرم و فناوری اطلاعات دانشگاه آزاد اسلامی، واحد ماهشهر، 12 و 13 اسفندماه 1389.

عرب مازار یزدی. محمد و صفرزاده، محمدحسین. (1388). بررسی توانایی نسبت‌های مالی در پیش‌بینی بحران مالی: تحلیل لوجیت، فصلنامه‌ی بورس اوراق بهادار، 2 (8): 37-7.

قدیری مقدم، ابوالفضل؛ غلام‌پورفرد، محمدمسعود و نصیرزاده، فرزانه. (1388). بررسی توانایی مدل‌های پیش‌بینی ورشکستگی آلتمن و اهلسون در پیش‌بینی ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار.مجله‌ی دانش و توسعه، سال شانزدهم، 28، 220-193.

کردستانی، غلامرضا؛ معصومی، جواد و بقایی، وحید. (1392). پیش‌بینی سطح مدیریت سود با استفاده از شبکه‌های عصبی مصنوعی. مجله‌ی پیشرفت‌های حسابداری دانشگاه شیراز، 5(1): 169-190.

 کیا، مصطفی. (1390). شبکه‌های عصبی در MATLAB "، انتشارات کیان رایانه سبز، چاپ اول.

محمدزاده، پرویز و جلیلی­وند. علیرضا. (1391). پیش‌بینی ورشکستگی مالی با استفاده از مدل لوجیت. فصلنامه‌ی تحقیقات مدل‌سازی اقتصادی، 8: 18-1.

 مکیان، نظام­الدین. المدرسی، محمدتقی و کریمی تکلو، سلیم. (1389). مقایسه‌ی مدل شبکه‌های عصبی مصنوعی با روش‌های رگرسیون لجستیک و تحلیل ممیزی در پیش‌بینی ورشکستگی شرکت‌ها. فصلنامه‌ی پژوهش‌های اقتصادی، 10(2): 161-141.

مؤمنی، منصور و فعال قیومی، علی. (1391). تحلیل‌های آماری با استفاده از نرم‌افزار spss. ویرایش چهارم، چاپ هفتم.

محمودآبادی، حمید و برزگر، الهه. (1388). بررسی نحوه‌ی توزیع آماری نسبت‌های مالی در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله‌ی پیشرفت‌های حسابداری دانشگاه شیراز، 1(1).

مهرآذین، علی­رضا؛ زنده‌دل، احمد؛ تقی پور، محمد و فروتن، اسد. (1392). شبکه‌های عصبی شعای آموزش‌یافته بر پایه متغیرهای مدل‌های آماری و مقایسه‌ی آن‌ها در پیش‌بینی ورشکستگی. فصلنامه‌ی علمی پژوهشی دانش سرمایه‌گذاری، 2(7): 149-166.

نبوی چاشمی، علی؛ احمدی، موسی و مهدوی فرح­آبادی، صادق. (1389). پیش‌بینی ورشکستگی شرکت‌ها با استفاده از مدل لوجیت. مجله‌ی مهندسی مالی و مدیریت پرتفوی، 5: 81-55.

 نمازی، محمد. (1379). پژوهش‌های تجربی در حسابداری: دیدگاه روش‌شناختی. مترجم، چاپ اول، شیراز: انتشارات دانشگاه شیراز.

نمازی، محمد. (1387). مروری بر پژوهش‌های حسابداری انجام‌شده در بورس اوراق بهادار تهران. مجله‌ی توسعه و سرمایه، 1(2): 48-9.

نمازی، محمد و زراعت‌گری، امین. (1388). بررسی کاربرد نسبت Q توبین و مقایسه‌ی آن با سایر معیارهای ارزیابی عملکرد مدیران در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله‌ی پیشرفت‌های حسابداری دانشگاه شیراز، 1 (1).

هومن، حیدرعلی. (1385). تحلیل داده‌های چند متغیری در پژوهش رفتاری، نشر فرهنگ، تهران.

ب. انگلیسی

Alkhatib, H. & Alhorani, A. (2012). Predicting financial distress of public companies listed in Amman stock exchange. European Scientific Journal, 15 (8), 1-17.

Alifiah, M. (2014). Prediction of financial distress companies in the trading and services sector in Malaysia using macroeconomic variables. International Conference on Innovation, Management and Technology Research, Malaysia, 22-23 September, 2013. Social and Behavioral Sciences, 129, 90-98.

Altman, E. & Sabato, G. (2007). Modeling credit risk for SMEs: Evidence from the US market. Abacus, 43(3), 332-357.

 Barbazone, A. & Keenan, P. (2004). A hybrid genetic model for the predication of corporate failure. Computational Management Science Journal, 1, 293-310.

Balleisen, E. (2001). Navigating failure: Bankruptcy and commercial society in Antebellum America. Chapel Hill: University of North Carolina Press.

Brédart, X. (2014). Bankruptcy prediction model using neural networK. Accountingand FinanceResearch Journal, 3 (2), 124-128.

Brockett, P., Golden, L., Jang, J., & Yang, C. (2006). A comparison of neural network, statistical methods, and variable choice for life insurers' financial distress prediction. Journal of Risk and Insurance, 73(3),  397-419.

 Chen, C., Chen, M., & Hsieh, C. (2011). A financial distress prediction system construction based on particles swarm optimization and support vector machines. Management and Economics Journal, 3, 163-169.

Chen, W., & Du, Y. (2009). Using neural networks and data mining techniques for the financial distress prediction model. Expert Systems with Applications Journal, 36, 4075-4086.

Daubie, M., & Meskens, N. (2002). Business failure prediction: A review and analysis of the literature. Working Paper, Department of Productions and Operations Management, Catholic University of Mons, Belgium.

Demuth, H., & Beale, M. (2004). Matlab Neural Network Toolbox Manual. Digital Edition. Natick, MA: Math Work inc.

Gordon, M. (1971). Towards a theory of financial distress. The Journal of Finance, 26, 347-356.

Houghton, K. (1983). Accounting data and the prediction of business failure: The setting of priors and the age of data. Journal of Accounting Research, 22(1), 361-368.

Kritsonis, A. (2005). Assessing a firm's future financial health. International Journal of Scholarly Academic Intellectual Diversity, 8 (1),1-21.   

Lee, K., Han, I., & Kwon, Y. (1996). Hybird neural network models for bankruptcy prediction. New York: Mc Grew Hill.

Lin, F., Deron, L., & Enchia, C. (2011). Financial ratio selection for business crisis prediction. Expert Systems with Applications Journal, 38, 5094-5102.

Lin, T. (2009). A cross study of corporate financial distrees prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models. Neurocomputing Journal, 72, 3507-3516.

Martin, D. (1977). Early warning of bank failure: A logit regression approach. Journal of Banking Finance, 1(3), 249-276.

Mileris, R., & Boguslauskas, V. (2010). Data reduction influence on the accuracy of credit risk estimation models. Economics of Engineering Decisions Journal, 21(1) , 126-133.

Newton, G. W. (1998). Bankruptcy Insolvency Accounting Practice and Procedure. New York: Wiley.

Ohlson, J. (1980). Financial ratios and the probabilistic of bankruptcy. Journal of Accounting Research, 18(1), 109-131.

Oreski, D., & Peharda, P. (2008). Application of factor analysis in course evaluation. Information Technology Interfaces, 551-55.

Permanchandra. (2009). DEA as a tool for bankruptcy assessment. European journal of operational Research, 193 (2): 412-424.

Purvinis, O., Sukys, P., & Virbickaite, R. (2005). Research of possibility of bankruptcy diagnostics applying neural network. Economics of Engineering Decisions, 1: 16-22.

Ruibin, G., Indranil, B., & Xi, C. (2015). Prediction of financial distress: An empirical study of listed Chinese companies using data mining. European Journal of Operational Research, 241(1), 236-247.

Russel, S., & Norving, P. (1995). Artificial intelligence, A Modern Approach. First Edition, Singapore, Prectice Hall, 110-112.

Sun, J., & Hui, L. (2011). Financial distress prediction using support vector machines: Ensemble vs. indicidual. Applied Soft Computing Journal, 12, 2254-2265.

Sun, J. (2009). Financial distress prediction based on serial combination of multiple classifiers. Expert Systems with Applications Journal, 36(4) 269-282.

Sun, J. (2011). Adaboost ensemble for financial distress prediction. Expert Systems with Applications Journal, 38(8), 329-359.

Tuvadaratragool, S. (2013). The role of financial ratios in signalling financial distress: Evidence from Thai listed companies, DBA thesis, Southern Cross University, Lismore, NSW.

Wallace, W. (2004). A risk assessment by internal auditors using past research on bankruptcy applying bankruptcy models. The Institute of Internal Auditors Research Foundation, http://theiia.org/research.

Weston, J., & Copeland, E. (1992). Managerial Finance. Fort Worth, TX: Dryden Press.

Whitaker, R. (1999). The early stage of financial distress. Journal of Economics and Finance, 23, 123-133.

 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.

Yim, J., & Mitchel, H. (2005). A comparison of corporate distress prediction models in Brazil: Hybrid neural networks, logit models and discriminant analysis. Nova Economia Belo Horizonte, 15 (1), 73-93.

 Zhang, L., & Yen, J. (2010). Corporate financial distress diagnosis model and application in credit rating for listing firms in China. Journal of Front. Comput. Sci, 2, 220-236.

Zhang, G., Hu, Y., Patuwo, E., & Indro, C. (1999). Artificial neural network in bankruptcy prediction: General framework and gross validation analysis. European Journal of Operational Research, 116(1), 16-32.

Zhou, L., Lai, K., & Yen, J. (2012). Empirical models based on features ranking techniques for corporate financial distress prediction. Computers and Mathematics with Applications, 64, 2484-2496.

Zywicki, T. J. (2008). Bankruptcy.  Concise encyclopedia of economics. 2nd Edition. Henderson, D. R. (Ed.). Indianapolis: Library of Economics and Liberty.

Zhao, W. B., & MA, L. Y. (2008). Periodic assembly of nanospecies on repetitive DNA sequences generated on gold nanoparticles by rolling circle amplification, Volume 474 of the series Methods in Molecular Biology, 79-90.