Data reduction influence on the accuracy of prediction failure company models

Document Type : Research Paper

Authors

Abstract

Dr. Ramin Abghari***
 
Introduction
            The main goal of providing financial information is to improve the ability of decision makers to make financial and economic decisions.  Therefore, the accuracy of the information provided increases the possibility of the accuracy of decisions. Understand and predict the likelihood of bankruptcy and attempt to improve these models has been the most important financial concern of decision-makers over the past decade being the subject of extensive researches conducted by financial and accounting researchers. In our country this subject has always attracted the attention of researchers.  Previous studies used different models and techniques to predict bankruptcy, but the constant technological changes and economic developments on one hand, and the complexity of the business environment in the country due to economic sanctions on the other hand have faced durability of existing companies with a serious threat and thus the necessity to provide appropriate models and use new techniques for accurate prediction of corporate bankruptcies have doubled in Iran.  Accordingly, it is necessary to carry out more intense scientific research in the field. Thus, the current paper aims to explore new bankruptcy models that fit Iran economic environment using factor analysis techniques, neural network and logit.
 
Research Hypothesis
       To predict the bankruptcy of companies accepted in Tehran Stock Exchange Market, we use analysis factor as a data reduction method. In this study we examined the accuracy of prediction failure models with these factors. The Following hypothesis can be made in this regard:
       1) Exploratory factor utilizes the logit model's ability to predict bankruptcy.
       2) Exploratory factor utilizes neural networks, have the ability to predict bankruptcy.
       3) Neural networks have higher ability than logit model in recognition of bankruptcy companies.
      
Methods
       This is an applied EX- post factor correlational study.  This research consisted of firms listed in Tehran Stock Exchange during the period from 2008 to 2015.
       Accordingly, a list of companies has been prepared to study including 40 bankrupt ones that were subject to Article 141 of the commercial code and article 41 of stock exchange directions. It also should be noted that using the information related to six years before bankruptcy for each company required them to be studied during the periods from 2008 to 2015. Then we used Q.Tobin to select 82 companies that are not bankrupt. We used 55 financial ratio and analysis factor to reduction data (12 factor).

Dependent variable: the probability of bankruptcy of a firm; zero for bankrupt companies and one for others.
Independent variables:12 Factors Extraction of 55 financial ratios.

 
Results
       In this study, 55 financial ratios were reduced to 12 factors by factor analysis, so that each factor contained factor loads of variables. Then, it was reviewed by using logit and neural network. In addition, Q.tobin’s criteria was used to unbankrupt companies & article 141 of commercial code and article 41 of stock exchange directions to select bankrupt companies. To analyze data, SPSS 23 & MATLAB softwares were used as results were determined by comparing. Exploratory factors have a high capability in predicting bankrupt companies. In this respect, both models enjoyed high accuracy. As a whole, neural network method has high accuracy in classified companies. Thus, in both models, the highest accuracy is dedicated to data about a year before the base year.
 
Discussion and Conclusion
The findings show that the use of factor analysis to convert various financial ratios to several homogeneous factors and the use of neural network techniques and logit for data analysis improve the ability of models to predict corporate bankruptcy.
Therefore, to determine and estimate companies bankruptcy, it is suggested the investors, including potential investors and financial analyzers use this techniques, variables and used models in this study. Using the neural network model is more emphasized by researchers, of course. To review the ongoing concern of companies' activity auditors can also use above-mentioned models.  With the help of results and presented model in current article, banks and other financial and credit institutions as well as creditors in general can examine the decision on granting the loan to the companies, especially companies with consecutive & accumulated losses. Moreover, they can make decisions that are more reasonable as well as prevent wasting their capitals.
 
 


 



*** Assistant Professor, Department of Textile, Islamic Azad University, Yazd Branch Yazd, Iran.

Keywords


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.