ارائه الگوی دومرحله ای برای پیش بینی ورشکستگی شرکت ها با استفاده از تحلیل پوششی داده ها

صالحی، نازنین و مجید عظیمی یانچشمه. ) 1395 (. بررسی
تطبیقی مدل خطر و مدل های سنتی برای پیش بینی
ورشکستگی، فصلنامه حسابداری مالی؛ ش 30 ، ص 94 -
121
 واعظ قاسمی، محسن و سعید رمضان پور. ) 1397 (. پیش
بینی ورشکستگی شرکت های پذیرفته شده در سازمان
بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی،
فصلنامه دانش سرمایه گذاری، ش 26 ، ص 277 - 296
 وظیفه دوست، حسین و طیبه زنگنه. ) 1394 (. ارائه مدل
پیش بینی ورشکستگی شرکت های تولیدی در بورس اوراق
بهادار تهران مبتنی بر مدل ترکیبی شبکه عصبی، فصلنامه
پژوهش های مدیریت راهبردی، ش 57 ، ص 83 - 100
 فیروزیان، محمود، جاوید، داریوش و نرگس نجم الدینی.
( 1390 کاربرد الگوریتم ژنتیک در پیش بینی « .)
ورشکستگی و مقایسه آن با مدل Z آلتمن در شرکت های
فصلنامه بررسی ،» پذیرفته شده در بورس اوراق بهادار تهران
های حسابداری و حسابرسی، ش 65 ، ص 99 .
 قانون تجارت ایران.
 Analysis for Pareto-Koopmans Efficient Empirical Production Functions", Journal of Econometrics, 30(1-2), 91-107. https://doi.org/10.1016/0304-4076(85)90133-2
 Andersen, P.; Petersen, N.C. (1993). "A procedure for ranking efficient units in data envelopment analysis", Management Science, 39, 1261-1264.
 Banker, R.; Morey, R. (1986). “Efficiency Analysis for Exogenously Fixed Inputs and Outputs”, Operations Research; 34; 513-521.
 Charnes, A.; Cooper, W.W.; Golany, B.; Seiford, L.; Stuz, J. (1985) "Foundations of Data Envelopment  Cielen, A., Peeters, L., & Vanhoof, K. (2004). “Bankruptcy prediction using a data envelopment analysis”. European Journal of Operational Research, Vol. 154, No. 2, pp. 526-532.
 Chen, S., and Xu, S. (2017). “Comparative study of bankruptcy prediction model”, Master Thesis in Finance, Lund University.  Cheng, G., Zervopoulos, P., & Qian, Z. (2013). “A variant of radial measure capable of dealing with negative inputs and outputs in data envelopment analysis”. European Journal of Operational Research, Vol. 225, No. 1, pp. 100-105.
 Cooper, W. W., Seiford, L. M., & Tone, K. (2006). “Introduction to data envelopment analysis and its uses: with DEA-solver software and references”. Springer Science & Business Media.  Feruś, A. (2010). “The application of DEA method in evaluating credit risk of companies”. Contemporary Economics, Vol. 4, No. 4, pp. 107-114.  Horváthová, J., & Mokrišová, M. (2018). “Risk of bankruptcy, its determinants and models”. Risks, Vol. 6, No. 4, pp. 1-22.  Jardin, P. (2009). “Bankruptcy prediction models: How to choose the most relevant variables?” Markets & Investors, Vol. 98, pp. 39-46.
 Liang, D., Lu, C.-C., Tsai, C.-F., Shih, G.-A., (2016). “Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study”. European Journal of Operational Research, Vol. 252, No. 2, pp. 561–572.  Mousavi, M. M., Ouenniche, J., & Xu, B. (2015). “Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework”. International Review of Financial Analysis, Vol. 42, pp. 64-75.  Mousavi, M. M., & Ouenniche, J. (2017). “Dynamic Evaluation of Corporate Distress Prediction Models”. Available on: https://www.efmaefm.org/0EFMAMEETINGS/EFMA%20ANNUAL%20MEETINGS/2017-Athens/papers/EFMA2017_0411_fullpaper.pdf.  Mousavi, M. M., & Ouenniche, J. (2018). “Multi-criteria ranking of corporate distress prediction models: empirical evaluation and methodological contributions”. Annals of Operations Research, Vol. 271, No. 2, pp. 853-886.  Mousavi, M. M., Ouenniche, J., & Tone, K. (2019). “A comparative analysis of two-stage distress prediction models”. Expert Systems with Applications, Vol. 119, pp. 322-341.  Ogachi, D., Ndege, R., Gaturu, P., & Zoltan, Z. (2020). Corporate Bankruptcy Prediction Model, a Special Focus on Listed Companies in Kenya. Journal of Risk and Financial Management, Vol. 13, No. 47, pp. 1-14.
 Piesse, J., Lee, C.-F., Kuo, H.-C., Lin, L., 2006. Corporate failure: Definitions, methods, and failure prediction models, in: Encyclopedia of Finance. Springer, pp. 477– 490.  Waqas, H., & Md-Rus, R. (2018). “Predicting financial distress: Importance of accounting and firm-specific market variables for Pakistan’s listed firms”. Cogent Economics & Finance, Vol. 6, No. 1, pp. 1545739.  Xu, X., & Wang, Y. (2009). “Financial failure prediction using efficiency as a predictor”. Expert Systems with Applications, Vol. 36, No. 1, pp. 366-373.  Yang, X., & Dimitrov, S. (2017). “Data envelopment analysis may obfuscate corporate financial data: using support vector machine and data envelopment analysis to predict corporate failure for nonmanufacturing firms” INFOR: Information
فصلنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت – انجمن حسابداری مدیریت ایران
228 دوره 12 / شماره پیاپی 45 / بهار 1402
Systems and Operational Research, Vol. 55, No. 4, pp. 295-311.  Zhu, J. (1996). “Data Envelopment Analysis with Preference Structure”, The Journal of the Operational Research Society, 47(1), 136. DOI: 10.2307/2584258  Cooper W.W., Seiford L.M., Zhu J. (2011) Data Envelopment Analysis: History, Models, and Interpretations. In: Cooper W., Seiford L., Zhu J. (eds) Handbook on Data Envelopment Analysis. International Series in Operations Research & Management Science, vol 164. Springer, Boston, MA. https://doi.org/10.1007/978-1-4419-6151-8_1  Portela, M.; Thanassoulis, E.; Simpson, G. (2004). "Negative data in DEA: a directional distance approach applied to bank branches", Journal of the Operational Research Society, 55: 1111-1121.