ارزیابی تاثیر محتوای اطلاعات حسابداری تورمی در مقایسه با اطلاعات تاریخی در طراحی مدل های پیش بینی ورشکستگی مبتنی بر رویکردهای سنتی و فراابتکاری

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 125

فایل این مقاله در 26 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_FAAR-15-59_003

تاریخ نمایه سازی: 19 شهریور 1402

چکیده مقاله:

چکیدهپیش بینی ورشکستگی بنگاه های اقتصادی یکی از شاخه های رشته مالی است که در تحقیقات اخیر بیشتر مورد توجه قرار گرفته است به گونه ای که الگوهای ورشکستگی توسعه یافته است. در عمده پژوهش های صورت گرفته در حوزه پیش بینی عملکرد مالی شرکت ها و به طور خاص، ورشکستگی، تنها به پیش بینی و یا مقایسه توان پیش بینی مدل ها با استفاده از اطلاعات تاریخی صورت های مالی پرداخته شده است. از آنجا که در ایران بیشتر از اطلاعات تاریخی حسابداری استفاده شده است هدف اصلی این پژوهش لحاظ نمودن آثار تورم بر روی متغیرهای ورودی در طراحی مدل پیش بینی ورشکستگی می باشد. لذا متغیرها در دو گروه نسبت های مالی تعدیل شده و تاریخی، در طراحی دو مدل متفاوت دسته بندی شدند، سپس با استفاده از الگوریتم لارس نسبت های گویاتر تمایز بین شرکت های ورشکسته و غیرورشکسته، انتخاب گردیدند و در نهایت با به کارگیری آزمون رگرسیون لاجیت و الگوریتم های ماشین بردار پشتیبان و نیو بیزین مدل نهایی پیش بینی کننده ورشکستگی شکل گرفت. بدین منظور داده های۵۰ شرکت پذیرفته شده در بورس تهران براساس ماده ۱۴۱ قانون تجارت برای حداقل یکسال ورشکستگی را تجربه کرده بودند، به کار گرفته شد. نتایج این پژوهش اثبات نمود که نسبت های مالی تعدیل شده بر مبنای شاخص قیمت ها پیش بینی کننده مناسب تری برای ورشکستگی شرکت ها می باشند همچنین، مدل طراحی شده توسط الگوریتم ماشین بردار پشتیبان با دقت ۴/۹۹% و برازش بالاتر نسبت به مدل های دیگر، پیش بینی کننده مناسبی برای ورشکستگی شرکت ها می باشد.

کلیدواژه ها:

واژه های کلیدی: الگوریتم LARS ، الگوریتم SVM ، شاخص عمومی قیمت ها ، نسبت مالی ، ورشکستگی

نویسندگان

نعیمه جبلی

گروه حسابداری، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران

ایمان داداشی

گروه حسابداری دانشگاه قم،قم،ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :