دانش حسابداری و حسابرسی مدیریت

دانش حسابداری و حسابرسی مدیریت

مدل یابی پیش بینی ورشکستگی با تاکید بر روش های نوین اندازه گیری شبکه های عصبی و ماشین بردار پشتیبان

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
چکیده
هدف از انجام این تحقیق مدل‌یابی پیش‌بینی ورشکستگی با تاکید بر روش‌های نوین اندازه‌گیری شبکه‌های عصبی و ماشین بردار پشتیبان در شرکت‌های بورس اوراق بهادار تهران می‌باشد. 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. در این تحقیق داده‌های مورد استفاده به دو صنعت مواد غذایی و نساجی تعمیم یافته و داده‌های پژوهش محدود به داده‌های شرکت‌های بورس اوراق بهادار نمی‌باشد. مشاهده می‌شود که در دو صنعت مورد بررسی نسبت مالی "سود انباشته به کل دارایی‌ها" بالاترین تکرار را در پیش‌بینی ورشکستگی به خود اختصاص داده است. به این دلیل نسبت فوق به عنوان نسبت برتر برای پیش بینی ورشکستگی انتخاب خواهد شد. نتایج، مسأله مهم دیگری را نیز نمایان می‌سازد. مشاهده می‌شود که در هر یک از صنایع نسبت‌های مالی نسبتاً متفاوتی به عنوان نسبت‌های مالی با بالاترین تکرار انتخاب شده‌اند. این مسأله نشان می‌دهد که امکان در نظر گرفتن یک مجموعه مشخص نسبت مالی به عنوان ورودی مدل همانگونه که در اکثر مطالعات انجام شده اینگونه در نظر گرفته شده است برقرار نبوده و در هر صنعت با توجه به ویژگی‌ها و ساختار، ترکیب ورودی‌ها با صنعت دیگر متفاوت می‌باشد. در نتیجه می‌توان یافته‌های این بخش را به عنوان یک نوآوری در پژوهش حاضر و یکی از دلایل مهم برتری سیستم طراحی شده نسبت به ساختارهای مختلف ارائه شده در مطالعات داخلی و بین‌المللی عنوان کرد.
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 such as Neural Networks and Support Vector Machines

نویسندگان English

Mohammadreza Nosratnezami 1
fazel MOHAMMADI NODE 2
Sina Kheradyar 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 study is to develop a predictive modeling of bankruptcy, focusing on modern measurement methods such as Neural Networks and Support Vector Machines, specifically for listed companies in the Tehran Stock Exchange Market. The findings of this research indicate that the utilization of new structures, such as hybrid intelligent systems based on data mining models, holds significant potential in detecting company bankruptcies at the national level. It should be noted that the data used in this research was generalized to two industries, namely food and textile, and was not limited to data solely from stock-exchange-listed companies. It is observed that in the two industries under study, the financial ratio of "Accumulated Profits to Total Assets" has the highest recurrence in predicting bankruptcies. For this reason, the aforementioned ratio will be chosen as the top ratio for predicting bankruptcy. The results reveal another important issue. It is observed that in each industry, relatively different financial ratios have been selected as the financial ratios with the highest recurrence. This demonstrates that the possibility of considering a specific set of financial ratios as model inputs, as commonly done in most studies, is not valid. In each industry, the combination of inputs varies based on its characteristics and structure. Therefore, the findings of this section can be considered one of the important reasons for the superiority of the designed system in this research compared to various structures presented in domestic and international studies.

کلیدواژه‌ها English

"Bankruptcy"
"New methods of measurement؛ "
" Artificial Neural Network"
" Support Vector Machine"
  1. ابزری، مهدی، منجمی، امیرحسن و مروه بخشایش. (1390)پیش بینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادارتهران با استفاده از شبکههای عصبی باز جریانی. پایاننامه کارشناسی ارشد، دانشکده مدیریت دانشگاه اصفهان، اصفهان.
  2. ابزری، مهدی، میرشمس شهشهانی، مرتضی و مهدی رسولزاده. (1380)بررسی کاربرد مدل آلتمن برای تعیین وضعیت ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران )صنایع نساجی و ساخت فلزات اساسی(.پایاننامه کارشناسی ارشد، دانشکده مدیریت دانشگاه اصفهان، اصفهان.
  3. امینی، پیمان. (1385) بررسی امکان سنجی استفاده از مدل فولمر برای تخمین ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران. پایاننامه کارشناسی ارشد، رشته حسابداری دانشگاه تربیت مدرس، تهران.
  4. پورحیدری، امید و مهدی کوپائی حاجی. (1389)پیش­بینی بحران مالی شرکتها با استفاده از مدل مبتنی بر تابع تفکیکی خطی.مجله پژوهشهای حسابداری مالی، دوره 2 ،ش 1 ،صص 46-33.
  5. پورزمانی، زهرا، توانگر حمزه کالیی، افسانه و آوا کیارسی. (1389) بررسی کارایی الگوی لوجیت و تحلیل تمایزی چند متغیره در پیش­بینی وضعیت مالی شرکتهای بورس اوراق بهادار تهران. پژوهشنامه حسابداری مالی و حسابرسی، دوره 2 ،ش 5 :122-94.
  6. پورزمانی، زهرا، جهانشاد، آزیتا و شهرام عین قالیی. (1388) پیش­بینی وضعیت مالی و اقتصادی شرکتها با استفاده از نسبتهای مالی مبتنی بر سودآوری، جریانهای نقدی و رشد. پژوهشنامه حسابداری مالی و حسابرسی، دوره 1، ش 3 ، صص 115- 93.
  7. حاجی هاشم، مسعود. امیرحسینی، زهرا. (1398)پیش­بینی ورشکستگی و راهبری شرکت ها: دیدگاه نسبت های مالی. دانش حسابداری و حسابرسی مدیریت، 8( 30 ،)201-230
  8. 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.
  9. Elsevier (2015). Retrieved from: elsevier.com (Accessed 20 March 2018).
  10. Hillegeist, S., Keating, E., Cram, D., & Lundstedt, K. (2004). Assessing the Probability of Bankruptcy. Review of
  11. Accounting Studies, 9(1), 5-34.
  12. 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.
  13. 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.
  14. Lepetit, L., & Strobel, F. (2013). Bank insolvency risk and time-varying Z-score measures. Journal of International
  15. Financial Markets, Institutions and Money, 25, 73-87.
  16. 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.
  17. 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.
  18. Pan, W. (2012). A new Fruit Fly Optimization Algorithm: Taking the financial distress model as an example.
  19. Knowledge-Based Systems, 26, 69-74.
  20. 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.
  21. 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.
  22. 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.
  23. 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