دانشگاه آزاد اسلامی واحد علوم و تحقیقات

 آمار

تعداد نشریات50
تعداد شماره‌ها2,168
تعداد مقالات20,050
تعداد مشاهده مقاله23,640,754
تعداد دریافت فایل اصل مقاله21,727,043
علی بابایی, غزاله, خان محمدی, محمد حامد. (1402). ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی. , 12(48), 67-98.
غزاله علی بابایی; محمد حامد خان محمدی. "ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی". , 12, 48, 1402, 67-98.
علی بابایی, غزاله, خان محمدی, محمد حامد. (1402). 'ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی', , 12(48), pp. 67-98.
علی بابایی, غزاله, خان محمدی, محمد حامد. ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی. , 1402; 12(48): 67-98.

ارائه مدلی به منظور پیش بینی ورشکستگی شرکت ها با استفاده از مکانیزم های حاکمیت شرکتی و نسبت های مالی

دانش سرمایه‌گذاری
دوره 12، شماره 48، دی 1402، صفحه 67-98  XML اصل مقاله (847.73 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
غزاله علی بابایی1؛ محمد حامد خان محمدی email orcid 2
1دانشجوی دکتری گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران
2استاد یار گروه حسابداری، واحد دماوند، دانشگاه آزاد اسلامی، دماوند، ایران
چکیده
بهبود بستر اقتصادی و فضای کسب و کار، مهم ترین عامل جلوگیری از ورشکستگی است. از این رو، مدل های پیش بینی ورشکستگی با استفاده از روش های هوشمند اقدام به پیش بینی ورشکستگی شرکت ها در آینده می کنند. در این پژوهش شرکت های فعال در بورس اوراق بهادار تهران در بازه زمانی 10 ساله از لحاظ ورشکستگی براساس مدل بومی شده کردستانی-تاتلی بر پایه مدل آلتمن مورد بررسی قرار گرفتند و شرکت ها به تفکیک ورشکسته، سالم شناسایی شدند. داده های پژوهش با استفاده از داده های ثانویه مستخرج از صورت های مالی و از طریق پایگاه داده های سازمان بورس و بانک مرکزی جمع آوری، دسته بندی و پالایش شدند. مدل های مورد استفاده جهت ارزیابی داده ها و پیش بینی ورشکستگی شرکت ها، مدل های هوش مصنوعی بوده است شامل شبکه عصبی پرسپترون به عنوان روش اول، ترکیب شبکه عصبی و الگوریتم ژنتیک، روش دوم و روش سوم روش نزدیک ترین همسایه استفاده شده است و از نظر دقت پیش بینی نیز با هم مقایسه شدند. خروجی مدل ها حاکی از این است که افزودن شاخص های حاکمیت شرکتی به شاخص های نسبت های مالی باعث بهبود در نتایج نشده است. لذا نسبت های مالی در تعیین ورشکستگی به تنهایی قدرت پیش بینی خوبی دارند. مدل پیشنهادی این پژوهش از لحاظ دقت، مدل ترکیب شده شبکه عصبی و الگوریتم ژنتیک می باشد که بالاترین دقت را داشته است. الگوریتم ژنتیک نتایج بهینه ی شبکه عصبی را بهبود می بخشد و جواب بهینه تری ارایه می گردد.
کلیدواژه‌ها
پیش بینی ورشکستگی؛ هوش مصنوعی؛ نسبت های مالی؛ حاکمیت شرکتی
مراجع
  • بیات، احمدیز و محمدی،1397، پیش بینی ورشکستگی شرکت با استفاده از الگوریتم کرم شب تاب، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 37، ص 234-262.
  • پیرایش ،آرانی و برزگر ،1396، ارائه مدل ریاضی پیش بینی ورشکستگی شرکت ها ی پذیرفته شده در بورس اوراق بهادار تهران، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره 31، ص 187-200.
  • شورورزی و خلیلی، بهار 1394، ارﺗﺒﺎط ﺑﯿﻦ ﺣﺎﻛﻤﯿﺖﺷﺮﻛﺘﻲ و ﻋﻤﻠﻜﺮد ﺷﺮﻛﺖ ﺑﺮﻣﺒﻨﺎی رﮔﺮﺳﯿﻮنﻓﺎزی، فصلنامه پژوهش های حسابداری مالی و حسابرسی شماره 25، ص 127-145.
  • غضنفری ورحیمی کیا، عسگری،1396، پیش بینی ورشکستگی شرکت ها مبتنی بر سیستم های هوشمند ترکیبی فصلنامه پژوهش های حسابداری مالی و حسابرسی شماره 37، ص 159-194.
  • قاسمی و رمضانپور ،1396، پیش بینی ورشکستگی شرکت های پذیرفته شده در سازمان بورس و اوراق بهادار با استفاده از شبکه عصبی مصنوعی، فصلنامه علمی پژوهشی دانش سرمایه گذاری، شماره 26، ص 277-296.
  • کردستانی و تاتلی، بهار 1393، ارزیابی توان پیش بینی مدل های ورشکستگی، فصلنامه دانش سرمایه گذاری، شماره 9، ص 83-99.
 

  • Jeong, C., Min, J. H., & Kim. M. S, 2012. A tuning method for the architecture of neural network models incorporating GAM and GA as applied to bankruptcy prediction. Expert Systems with Applications. 39(3): 3650-3658.
  • Kim, Myoung-Jong & Dae-Ki Kang, 2012, Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems with Applications, pp. 1-7
  • Liou, F. M, 2008, Fraudulent financial reporting detection and business failure prediction models: A comparison. Managerial Auditing Journal. 23(7): 650- 662.
  • Olson, David L, Dursun Delen & Yanyan Meng, 2012, Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52: pp. 464˚ 473
  • Wang,G., Ma, J., & Yang, S, 2014,“An Improved Boosting Based on Feature Selection for Corporate Bankruptcy Prediction”,Expert Systems with Applications, 41(5), PP.2353-2361
  • Wu, C.H. Tzeng. G.H., Yeong-Jia G. and Fang W.C., 2007, A Real-Valued Genetic Algorithm, To Optimize the Parameters of Support Vector Machine for Prediction Bankruptcy, Journal of Expert Systems with Application, Vol. 32, pp. 397-408.
  • Yildiz, B. and Akkoc, S, 2010, Bankruptcy Prediction Using Neuro Fuzzy: An Application in Turkish Banks, International Research Journal of Finance and Economics, 60,114-126.
آمار
تعداد مشاهده مقاله: 105
تعداد دریافت فایل اصل مقاله: 87


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب