تعداد نشریات | 25 |
تعداد شمارهها | 934 |
تعداد مقالات | 7,671 |
تعداد مشاهده مقاله | 12,525,231 |
تعداد دریافت فایل اصل مقاله | 8,902,664 |
بررسی توانایی شاخص های حسابداری و غیرحسابداری مؤثر بر پیشبینی درماندگی مالی و مقایسه روشهای پارامتریک و ناپارامتریک | ||
پژوهش های تجربی حسابداری | ||
مقاله 3، دوره 9، شماره 4 - شماره پیاپی 34، بهمن 1398، صفحه 49-72 اصل مقاله (3.95 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22051/jera.2017.13643.1577 | ||
نویسندگان | ||
ساسان مهرانی1؛ یحیی کامیابی2؛ فرزاد غیور* 3 | ||
1دانشیار گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران | ||
2دانشیار گروه حسابداری، دانشکده علوم اقتصادی و اداری، دانشگاه مازندران، بابلسر، ایران | ||
3دانشجوی دکتری حسابداری، دانشکده علوم اداری و اقتصادی، دانشگاه مازندران، بابلسر، ایران | ||
چکیده | ||
هدف این تحقیق، بررسی توانایی شاخصهای حسابداری و غیرحسابداری مؤثر بر پیشبینی درماندگی مالی و مقایسه روشهای پارامتریک و ناپارامتریک است. بدین منظور اطلاعات 211 سال-شرکت درمانده منتخب بر اساس معیارهای خاص درماندگی و 211 سال-شرکت سالم پذیرفتهشده در بورس اوراق بهادار تهران در فاصله بین سالهای 1384 الی 1393 مورد استفاده قرار گرفتهاست. در این مطالعه از 32 شاخص حسابداری و 20 شاخص غیرحسابداری به همراه دو روش پارامتریک شامل روشهای رگرسیون لوجستیک و تحلیل ممیزی چندگانه و هفت روش ناپارامتریک شامل ماشین بردار پشتیبان، شبکه عصبی مصنوعی، درخت تصمیم (با 4 الگوریتم) و شبکه بیزین جهت پیشبینی درماندگی مالی استفاده گردیده است. نتایج تحقیق نشان میدهد مدلهای مستخرج از شاخصهای حسابداری به طور معنیداری نسبت به مدلهای مبتنی بر شاخصهای غیرحسابداری از دقت پیشبینی بالاتری برخوردارند و اضافه نمودن شاخصهای غیرحسابداری به مدلهای مبتی بر شاخصهای حسابداری، قدرت پیشبینی آنها را به طور معنیداری افزایش نمیدهد. همچنین، علیرغم بالاتر بودن میانگین توانایی پیشبینی روشهای ناپارمتریک نسبت به روشهای پارامتریک، این تفاوت از نظر آماری معنیدار نیست. | ||
کلیدواژهها | ||
درماندگی مالی؛ شاخص های حسابداری؛ شاخصهای غیرحسابداری؛ روش های پارامتریک؛ روش های ناپارامتریک | ||
عنوان مقاله [English] | ||
Effects of Accounting and Non-Accounting Indices on Financial Distress Prediction: Comparing Parametric and Non-parametric Methods | ||
نویسندگان [English] | ||
Sasan Mehrani1؛ yahya kamyabi2؛ farzad ghayour3 | ||
1Associate Professor of Accounting, Tehran university, Tehran, Iran | ||
2Associate Professor of Accounting, Mazandaran university, Babolsar, Iran | ||
3Phd. student of Accounting, Mazandaran university, Babolsar, Iran | ||
چکیده [English] | ||
This study aims to investigate the effects of accounting and non-accounting indices on financial distress prediction and also to compare parametric and non-parametric methods. Therefore, the sample consists of 211 distressed firms selected by special distress criteria and 211 healthy firms listed in Tehran Stock Exchange during 2006-2015. This study applies 32 accounting and 20 non-accounting indices and uses 2 parametric methods including Logistic Regression and Multivariate Discriminate Analysis and 7 non-parametric methods including Support Vector Machine, Artificial Neural Network, Decision Tree (with 4 algorithms) and Bayesian Network to predict financial distress. The results show that the models extracted from accounting indices have significantly more predicting accuracy than those from non-accounting indices, and adding non-accounting indices to the models based on accounting indices does not significantly increases their predicting ability. Also, since the average predicting ability of non-parametric methods is more than parametric ones, this difference is not statistically significant. | ||
کلیدواژهها [English] | ||
Financial Distress, Accounting Indices, Non-accounting Indices, Parametric Methods, Non-Parametric Methods | ||
مراجع | ||
Alizadeh, S. & Malek Mohamadi, S. (2012). Data mining & knowledge discovery. Tehran. Khajeh nasir toosi university of technology. (in Persian) Bredart, X. (2014). Financial Distress and Corporate Governance around Lehman Brothers Bankruptcy. International Business Research, 7 (5): 1-8 Chen, M. Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, 38 (9): 11261-11272. Chi, X. , Lou, C. , & Yu, X. (2011). Financial distress prediction based on SVM and MDA methods: the case of Chinese listed companies. Quality and Quantity, 45 (3): 671-686 Esmaeilzadeh Mogheri, A. & Shakeri, H. (2015). Financial distress prediction of companies accepted in Tehran stock exchange with using of naiva bayesian network and its comparison with data envelopment analysis. Financial Engineering and Securities Management. 6 (22): 1–27. (in Persian) Etemadi, H. , Anvari Rostamy, A. A. , & Dehkordi, H. F. (2009). A genetic programming model for bankruptcy prediction: empirical evidence from Iran. Expert Systems with Applications, 36 (2) , 3199–3207. Gestel, T. V. , Baesens, B. , Suykens, J. , Poel, D. V. , Baestaens, D. E. , & Willekens, M. (2006). Bayesian Kernel Based Classification For Financial Distress Detection. European Journal Of Operational Research, 172, 979 – 1003. Hu, H. , & Sathye, M. (2015). Predicting Financial Distress in the Hong Kong Growth Enterprises Market from the Perspective of Financial Sustainability. Sustainability, 7, 1186-1200. Jantadej, P. (2006). Using the combinations of cash flow components to predict financial distress. (Unpublished doctoral dissertation). The graduate college at the university of Nebraska , USA. Khalifeh soltani, S. A. & Esmaili, F. (2014). Business Cycle and Stability of Bankruptcy Prediction Models. Journal of Empirical Research in Accounting, 4 (13): 1–22. (in Persian) Kubíčková, D. & Nulíček, V. (2016). Predictors of Financial Distress and Bankruptcy Model Construction. International Journal of Management Science and Business Administration, 2 (6): 34-42. Lee, M. (2015). Comparision of Wavelet Network and Logistics Regression in Predicting Enterprise Financial Distress. International Journal of Computer Science & Information Technology (IJCSIT) , 7 (3): 83-96. Liu, Z. J. & Wang, Y. S. (2016). Corporate failure prediction models for advanced research in china: identifying the optimal cut off point. Asian Economic and Financial Review, 6 (1): 54-65. Mansourfar, Gh. Ghayour, F. & Lotfi, B. (2015). The Ability of Support Vector Machine (SVM) in Financial Distress Prediction. Journal of Empirical Research in Accounting, 5 (1): 177-195. (in Persian) Mohseni, R. Agha babee, R. & Mohammad Ghorbani, V. (2013). Financial Distress Prediction with the Use of the Efficiency as a Predictor Variable. Quarterly Journal of Economic Research and Policies, 21 (65): 123-146. (in Persian) Mokhatab Rafiei, F. , Manzari, S. M. , & Bostanian, S. (2011). Financial health prediction models using artificial neural networks, genetic algorithm and multivariate discriminant analysis: Iranian evidence. Expert Systems with Applications, 38 (8): 10210–10217. Moradi, M. Shafiee Sardasht, M. & Ebrahimipour, M. (2012). Bankruptcy prediction by support vector machines and multiple discriminate analysis models. Quarterly Journal of Securities Exchange. 5 (18): 113-136. (in Persian) Opler, T. , & Titman, S. (1994). Financial Distress and Corporate Performance. The Journal of Finance, 49 (3): 1015-1040 Raie, R. & Fallahpour, S. (2009). Support vector machines application in financial distress prediction of companies using financial Ratios. The Iranian Accounting and Auditing Review, 15 (4): 17-34. (in Persian) Sadeghi, H. Rahimi, P. & Salmani, Y. (2014). The effect of macroeconomic and governance factors on financial distress in manufacture firms listed in Tehran stock exchange. Financial Monetary Economics. 21 (8): 107-127. (in Persian) Shleifer, A. , & Vishny, R. W. (1997). A survey of corporate governance. Journal of Finance, 52 (2): 737–783 Xu, X. , & Wang, Y. (2009). Financial Failure Prediction Using Efficiency as a Predictor. Expert Systems With Applications, 36,366-373. Zohra, K. F. , Mohamed, B. , Elhamoud, T. , Garaibeh, M. , Ilhem, A. , & Naimi, H. (2015). Using Financial Ratios to Predict Financial Distress of Jordanian Industrial Firms,''Empirical Study Using Logistic Regression''. Academic Journal of Interdisciplinary Studies, 4 (2): 137-142 | ||
آمار تعداد مشاهده مقاله: 932 تعداد دریافت فایل اصل مقاله: 754 |