ارائه یک روش ترکیبی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

2 استادیار گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

3 کارشناسی ارشد مدیریت مالی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

چکیده

هدف: هدف این پژوهش ارائه رویکردی جدید برای انتخاب متغیرهای مؤثر در پیش­بینی درماندگی مالی با استفاده از نظر خبرگان و الگوریتم­های تصمیم­گیری است.
روش: بدین منظور 29 نسبت مالی برای شرکت­های تولیدی درمانده مالی بر اساس ماده 141 قانون تجارت و به همان تعداد شرکت سالم به صورت تصادفی از شرکت­های پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385 تا 1395 با استفاده از صورت­های مالی حسابرسی­ شده برای یک، دو و سه سال قبل از درماندگی جمع­آوری شده است. سپس با استفاده از آزمون آماری و الگوریتم­های تصمیم­گیری دیمتل و تودیم فازی، بهترین نسبت­های مالی به­ همراه ضریب اهمیت هر یک انتخاب و با استفاده از ماشین بردار پشتیبان، پیش­بینی درماندگی مالی انجام شد.
یافته‎ها: آزمون مقایسات زوجی نشان داد که اختلاف دقت مدل پیشنهادی در پیش­بینی درماندگی مالی برای هر سه سال t-1، t-2 و t-3 نسبت به دقت مدل­های آلتمن و رگرسیون لجستیک در سطح خطای 5 درصد معنادار بوده است.
نتیجهگیری: با توجه به نتایج آزمون‌های تحقیق می توان نتیجه گیری کرد که مدل پیشنهادی در یک، دو و سه سال پیش از وقوع درماندگی مالی، به طور معناداری از عملکرد بهتری در پیش­بینی درماندگی نسبت به روش رگرسیون لجستیک و مدل آلتمن برخوردار است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Developing a hybrid approach for financial distress prediction of listed companies in Tehran stock exchange

نویسندگان [English]

  • Mohammadhashem Botshekan 1
  • Mohammadjavad Salimi 2
  • Saeed Falahatgar Mottahedjoo 3
1 Assistant Prof., Faculty of Management and accounting, Allameh Tabataba’i University, Tehran, Iran
2 Assistant Prof., Faculty of Management and accounting, Allameh Tabataba’i University, Tehran, Iran
3 M.Sc. of Finance, Faculty of Management and accounting, Allameh Tabataba’i University, Tehran, Iran
چکیده [English]

Objective: The purpose of this study is to develop a new approach to select effective variables in predicting financial distress using experts’ judgment and decision-making algorithms.
Methods: Twenty nine financial ratios of financially distressed manufacturing companies according to Article 141 of the business Law were selected and the same number of healthy firms have been randomly selected from the companies which were listed in Tehran Stock Exchange between 1385 and 1395 using audited financial statements of one, two and three years before getting distressed. Then, using the statistical test and Dematel and Todim Fuzzy decision-making algorithms, the best financial ratios and their respective importance coefficients were selected and the prediction of financial distress was made using a support vector machine.
Results: Paired T-test results showed that accuracy difference of proposed model in predicting financial distress has been statistically significant in 5% level comparing to Altman Model and Logistic Regression Method for the years t-1, t-2, and t-3.
Conclusion: The findings of the study showed that the proposed model has a significantly better performance in predicting distress than the Logistic regression method and Altman model in one, two and three years before financial distress.

کلیدواژه‌ها [English]

  • DEMATEL
  • Feature Selection
  • Financial distress
  • Multi Criteria Decision Making
  • TOIDIM
آقایی، آرزو؛ سعیدی، علی (1388). پیش بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس تهران با استفاده از شبکه‌های بیز. بررسی­های حسابداری و حسابرسی، 16 (3)، 59-78.
بردبار، غلامرضا؛ موسوی، سید­محمد؛ مرادی، بهرنگ (۱۳۹۱). تحلیلی بر نیازهای آموزشی کارکنان با استفاده از TOPSIS فازی، دیماتل فازی (مورد مطالعه: استانداری خراسان جنوبی). دو فصلنامه مطالعات برنامه‌ریزی آموزشی، 1 (1)، 105-129.
تاج مزینانی، مائده؛ فلاح­ پور، سعید؛ باجلان، سعید (1394). کاربرد روش انتخاب ویژگی هارک در پیش­بینی درماندگی مالی شرکت­ها در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 3 (2)، 77-106.
جمالی، غلامرضا؛ هاشمی، مهدی (۱۳۹۵). استفاده از تکنیک دیمتل فازی برای رتبه‌بندی راهبردهای مدیریت دانش. پژوهشنامه پردازش و مدیریت اطلاعات، 32 (3)، 761-788.
جمالی، غلامرضا؛ هاشمی، مهدی (۱۳۹۰). سنجش روابط بین عوامل مؤثر بر ریسک پروژه‌­های فناوری اطلاعات در بانک ملت استان بوشهر با استفاده از تکنیک دیمتل فازی. مدیریت فناوری اطلاعات، ۳ (۹)،21-40.
راعی، رضا؛ فلاح پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکت­ها با استفاده از نسبت­های مالی. بررسی­های حسابداری و حسابرسی، 15(4)، 17-34.
کریمخانی، مهرداد (1395). شناسایی و رتبه‌بندی عوامل مؤثر بر نوآوری در شرکت‌های حمایت‌شده توسط شتاب‌دهنده‌ها و صندوق‌های مخاطره‌پذیر. پایان­نامه کارشناسی ارشد. دانشکده علوم مالی. دانشگاه خوارزمی. تهران.
مرادی، محسن؛ شفیعی سردشت، مرتضی؛ ابراهیم­ پور، ملیحه (1391). پیش­بینی درماندگی مالی شرکت­ها بوسیله مدل­های ماشین بردار پشتیبان و تحلیل ممیزی چندگانه. فصلنامه بورس اوراق بهادار، 5 (18)، 118-136.
 
References
 
Aghaie, A. & Saeidi, A. (2010). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of the accounting and auditing review, 16 (3): 59-78. (in Persian)
Akyuz, E. & Celik, E. (2015). A fuzzy DEMATEL method to evaluate critical operational hazards during gas freeing process in crude oil tankers. Journal of Loss Prevention in the Process Industries, 38 (3): 243–253.
Altman, E. I. (1968). Financial ratios, discriminant analysis and the Prediction of corporate bankruptcy. The Journal of Finance, 23 (4): 589-609.
Bordbar, GH. & Mosavi. S.M. & Moradi Karbolandi. B. (2012). An analysis of employee training needs using fuzzy TOPSIS and DEMATEL techniques: A case study in southern Khorasan governer-general office. Journal of educational planning studies, 1(1): 105-129. (in Persian)
Dash, M. & Liu, H. (1997). Feature selection for classification. Journal of Intelligent data analysis, 1 (1): 131-156.
Gomes L. F. A. M. & Machado, M. A. S. & da Costa, F. F. & Rangel, L. A. D. (2013). Criteria interactions in multiple criteria decision aiding: A choquet formulation for the TODIM method. Journal of Procedia Computer Science, 17: 324-331.
Gomes, L. F. A. M. & Rangel, L. A. D. (2009). An application of the TODIM method to the multicriteria rental evaluation of residential properties. European Journal of Operational Research, 193 (1): 204–211.
Gomes, L. F. A. M. & Rangel, L. A. D. & and Maranhao, F. J. C. (2009). Multi criteria analysis of natural gas destination in Brazil: An application of the TODIM method. Journal of Mathematical and ComputerModelling, 50 (2): 92-100.
Jamali, GH. & Hashemi, M. (2012). Measuring Relationship between Factors Affecting Risk of Mellat Bank IT Projects in Bushehr Province Using Fuzzy DEMATEL. Journal of information technology management. 3 (9): 21-40. (in Persian)
Kahneman, D. & Tversky, A. (1979). Prospect theory: an analysis of decision under risk. Journal of Econometrica. 47 (2): 263-292.
Karimkhani, M. (2016). Identifying And Prioritizing The Effective Factors On Innovation Of Protected Firms By Venture Capital Funds And Accelerators. M. S. Thesis. Faculty of Finance. Kharazmi University. Tehran. (in Persian)
Liang, D. & Tsai, C. f. & Wu, H. T. (2015). The effect of feature selection on financial distress prediction. Journal of Knowledge-Based Systems, 73 (1): 289-297.
Liu, P. & Teng, F. (2014). An extended TODIM method for multiple attribute group decision-making based on 2-dimension uncertain linguistic variable. Journal of Complexity, 21 (5): 20-30.
Mentes, A. & Akyildiz, H. & Yetkin, M. & Turkoglu, N. (2015). A FSA based fuzzy DEMATEL approach for risk assessment of cargo ships at coasts and open seas of Turkey. Safety Science, 79 (9): 1–10.
Moradi, M. & Shafiee Sardasht, M. & Ebrahimpour, M. (2013). Bankruptcy Prediction by Support Vector Machines and Multiple Discriminate Analysis Models. Journal of securities exchange, 5 (18): 113-136. (in Persian)
Raei, R. & Fallahpour, S. (2009). Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios. Journal of the accounting and auditing review, 15 (4): 17-34. (in Persian)
Shin, K. S. & Lee, T. S. & Kim, H. J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28 (1): 127-135.
Taj mazinani, M. & Fallahpour, S. & Bajelan, S. (2015). The Use of Feature Selection Method (HARC) in Predicting Financial Distress in Tehran Stock Exchange. Journal of financial management strategy, 3 (2): 77-106. (in Persian)
Tsai, C. F. (2008). Feature selection in bankruptcy prediction. Knowledge-Based Systems, 22 (2): 120-127.
Wei, C., Zhiliang, R. & Rodríguez, R.M. (2015). A hesitant fuzzy linguistic TODIM method based on a score function. International Journal ofComputational Intelligence Systems, 8 (4): 701-712.
Yadegari, M. & Tarokh, M. (2017). Journal of information processing and management, 32 (3): 761-788. (in Persian)