پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,479 |
| تعداد مقالات | 70,034 |
| تعداد مشاهده مقاله | 123,015,490 |
| تعداد دریافت فایل اصل مقاله | 96,249,866 |
پیش‌بینی ورشکستگی مالی با استفاده از صورت جریان نقد: رهیافت شبکۀ عصبی مصنوعی | ||
| مجله علمی "مدیریت فرهنگ سازمانی" | ||
| مقاله 8، دوره 15، شماره 4، دی 1396، صفحه 879-901 اصل مقاله (383.64 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jomc.2018.115408.1006245 | ||
| نویسندگان | ||
| سهیلا اسمعیلی* 1؛ احمد گوگردچیان2 | ||
| 1کارشناسی ارشد، گروه مدیریت، دانشکدۀ علوم انسانی، دانشگاه آزاد اسلامی واحد نجف‌آباد، ایران | ||
| 2استادیار، گروه اقتصاد، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان، ایران | ||
| چکیده | ||
| بحران مالی شرکت‌های بزرگ در دهۀ اخیر سبب گرایش اکثریت گروه‌های ذی‌نفع به مدل‌های پیش‌بینی ورشکستگی شده است. هدف اصلی این پژوهش ارزیابی محتوای اطلاعاتی نسبت‌های صورت جریان وجه نقد در تشخیص ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکۀ عصبی مصنوعی است. جامعۀ آماری این پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران در دورۀ زمانی از سال‌های 1384 تا 1392 است. برای این منظور 84 شرکت شامل 42 شرکت ورشکسته و 42 شرکت سالم انتخاب شدند. شبکۀ عصبی این پژوهش پرسپترون سه لایه است که با روش الگوریتم پس انتشار خطا آموزش دیده است. براساس نتایج پژوهش، مدل شبکۀ عصبی با نسبت جریان نقدی عملیاتی به بدهی‌های جاری، نسبت پوشش جریان نقدی عملیاتی به بهره، نسبت بازده نقدی دارایی‌ها، نسبت کیفیت سود و نسبت آنی بیشترین قدرت پیش‌بینی را نسبت به ورشکستگی شرکت‌ها در ایران دارد. همچنین، یافته‌ها نشان می‌دهند که دقت پیش‌بینی مدل برای سال ورشکستگی 99 درصد و در مجموع مراحل ورشکستگی در یک، دو و سه سال قبل از ورشکستگی به ترتیب با دقت 91، 85 و 70 درصد است. | ||
| کلیدواژه‌ها | ||
| شبکۀ پرسپترون چند لایه؛ شبکۀ عصبی مصنوعی؛ صورت جریان وجه نقد؛ مدل‌های پیش‌بینی ورشکستگی؛ ورشکستگی | ||
| عنوان مقاله [English] | ||
| Predicting Corporation Bankruptcy Using Cash Flow Statement: Applying Artificial Neural Network | ||
| نویسندگان [English] | ||
| Soheila Esmaeili1؛ Ahmad Googerdchian2 | ||
| 1MSc. Student, Department of Management, Faculty of Humanities, Islamic Azad University Najafabad Branch, Iran | ||
| 2Assistant Professor, Department of Economics, Faculty of Administrative & Economics, University of Isfahan, Iran | ||
| چکیده [English] | ||
| Financial crisis of big companies during this decade led to introduce bankruptcy prediction models. The main objective of this study was to assess the information content of the cash flow of the companies listed in Tehran Stock Exchange for bankruptcy detection using artificial neural networks. The population of this research consists of firms listed in Tehran Stock Exchange for the period from 2005 to 2013. To this end, 84 companies including 42 bankrupt companies and 42 healthy firms were selected. This three-layer perceptron neural network is trained using back-propagation algorithm. According to the results, the neural network model with current liabilities to operating cash flow ratio, operating cash flow to interest coverage ratio, cash return on assets ratio, earnings quality ratio, and the ratio of expected instantaneous power in Iran is capable to predict bankruptcy. The findings also show that the model accurately predicted 99 percent for the year of bankruptcy, and the total insolvency procedures in one, two, and three years prior to bankruptcy are accurately predicted 91, 85, and 70 percent, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Multi-layer perceptron network, Artificial Neural Network, cash flow statement, bankruptcy prediction models, bankruptcy | ||
| مراجع | ||
|
الف) فارسی امینی، پیمان؛ محمدی، کامران و عباسی، شعیب (1390). «بررسی عوامل مؤثر بر صدور گزارش مشروط حسابرسی: کاربرد روش شبکۀ عصبی»، فصل‌نامۀ علمی-پژوهشی حسابداری مدیریت، دورۀ 4، شمارۀ 4 (پیاپی 11)، 39-25. بخشایشی، مروه (1391). «پیش‌بینی ورشکستگی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکۀ عصبی بازجریانی»، پایان‌نامۀ کارشناسی ارشد، مهدی ابزری و سید امیرحسن منجمی، دانشگاه اصفهان، گروه مدیریت. بهران‌فر، نقی و مهرانی، ساسان (1384). «بررسی رابطۀ بین نسبت‌های نقدینگی سنتی و نسبت‌های حاصل از صورت جریان وجوه نقد جهت تداوم فعالیت شرکت‌ها»، بررسی‌های حسابداری و حسابرسی، شمارۀ 40، 3-18. ثقفی، علی و هاشمی، سیدعباس (1383). «بررسی تحلیلی رابطۀ بین جریان‌های نقدی عملیاتی و اقلام تعهدی صورت‌های مالی ارائۀ مدل برای پیش‌بینی جریان‌های نقدی عملیاتی»، بررسی‌های حسابداری و حسابرسی، شمارۀ 38، 29-52. حقیقت، حمید و موسوی، سیداحمد (1386). «بررسی نقش عوامل رشد فروش و شاخص بحران مالی در پیش‌بینی بازده سهام»، بررسی‌های حسابداری و حسابرسی، شمارۀ 47، 63-82. خالوزاده، حمید و خاکی‌صدیق، علی (1375). «آیا قیمت سهام در بازار بورس تهران قابل پیش‌بینی است؟»، تحقیقات مالی، شمارۀ 12، 37-46. راعی، رضا و فلاح‌پور، سعید (1387). «کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از نسبت‌های مالی»، بررسی‌های حسابداری و حسابرسی، دورۀ 15، شمارۀ 53، 17-34. سعیدی، علی و آقایی، آرزو (1388). «پیش‌بینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های بیز»، بررسی‌های حسابداری و حسابرسی، شمارۀ 56، 59-78. عبدی‌پور، سجاد (1391). «ارزیابی قدرت پیش‌بینی‌کنندگی ساختارهای مختلف شبکه‌های عصبی با تأکید بر پیش‌بینی ورشکستگی در بورس تهران»، پایان‌نامۀ کارشناسی ارشد، احمد ناصری و مسعود برکاتی، دانشگاه سیستان و بلوچستان، گروه حسابداری. فریدآزاد، بابک (1388). «ارزیابی محتوای اطلاعاتی نسبت‌های صورت جریان وجوه نقد و نسبت‌های حسابداری تعهدی در تشخیص درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران»، پایان‌نامۀ کارشناسی ارشد، اصغر سلطانی و مهدی عرب‌صالحی، دانشگاه اصفهان، گروه حسابداری. قربانی، مریم (1388). «پیش‌بینی ورشکستگی شرکت‌های تولیدی پذیرفته‌شده در بورس اوراق بهادار تهران براساس متغیر‌های مدل آلتمن»، پایان‌نامۀ کارشناسی ارشد، سید محمود موسوی شیری و سید حسن صالح‌نژاد، دانشگاه پیام نور بهشهر، گروه حسابداری. کیامهر، مهدی (1388). «پیش‌بینی بازده روزانۀ سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکۀ عصبی مصنوعی»، پایان‌نامۀ کارشناسی ارشد، دانشگاه شیراز، گروه حسابداری. محمدزاده، پرویز و جلیلی‌مرند، علی‌رضا (1391). «پیش‌بینی ورشکستگی مالی با استفاده از مدل لوجیت مرکب»، تحقیقات مدل‌سازی اقتصادی، شمارۀ 8، 1-22. مکیان، سید نظام‌الدین و کریمی‌تکلو، سلیم (1388). «پیش‌بینی ورشکستگی شرکت‌های تولیدی با استفاده از شبکۀ عصبی مصنوعی (مطالعۀ موردی: شرکت‌های تولیدی استان کرمان)»، اقتصاد مقداری، دورۀ 6، شمارۀ 1، 129-144. مهدوی، غلامحسین و براتی‌مهر، سارا (1389). «کاربرد نسبت‌های صورت جریان وجوه نقد در ارزیابی عملکرد مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران»، ماهنامۀ علمی-پژوهشی دانشور رفتار، شمارۀ 44، 167-178. نصیرزاده، فرزانه و رستمی، امین (1391). «بررسی رابطۀ بین شاخص‌های نقدینگی نوین و مبتنی بر صورت جریان وجه نقد با سودآوری شرکت‌ها (معیار‌های مالی و مبتنی بر بازار)»، دو فصل‌نامۀ اقتصاد پولی-مالی، شمارۀ 3، 28-53. نمازی، محمد و کیامهر، محمدمهدی (1386). «پیش‌بینی بازده روزانۀ سهام شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی»، تحقیقات مالی، دورۀ 9، شمارۀ 24، 115-134. نیکبخت، محمدرضا و شریفی، مریم (1389). «پیش‌بینی ورشکستگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی»، مدیریت صنعتی، دورۀ 2، شمارۀ 4، 163-180. ب) انگلیسی Amendola, A; Bisogno, M; Restaino, M & Sensini, L (2011). "Forecasting corporate bankruptcy: empirical evidence on Italian data", Euro Med Journal of Business, 6(3), 294-312.
Bennett, S; John, R & Nasir, M (2000). "Predicting corporate bankruptcy using artificial neural networks", Journal of applied accounting, 5(3), 29-51.
Bhandari, B & Lyer, R (2013). Predicting business failure using cash flow statement based measures, Journal of managerial finance, 39(7), 667-676.
Dennis, C (1994). "Understanding cash flow statements", Journal of business credit, 40-42.
Dikmen, I; Birgonul, T; Ozorhon, B & Sapci, N (2010). "Using analytic network process to assess business failure risks of construction firms", Journal of engineering, construction and architectural management, 17(4), 369-386.
Felix, j & Ivan, p (2015). "Bankruptcy visualization and prediction using nearal networks: A study of U.S commericial banks", Expert systems with applications, 42(6), 2857-2869.
Foster, B & Zurada, J (2013). "Loan defaults and hazard models for bankruptcy prediction", Managerial Auditing Journal, 28(6), 516-541.
Fraser, L, M & Ormiston, A (2001). Understanding financial statements, 6th ed, prentice–hull, upper saddle river, NJ, 148-153.
Habib, A; Bhuiyan, B U & Islam, A (2013). "Financial distress, earnings management and market pricing of accruals during the global financial crisis", Journal of managerial finance, 39(2), 155-180.
Jesus, M; Quintana, M & Gallego, A (2012). "On the non-financial information's significance in the business failure models (A Spanish case study)", international journal of organizational analysis, 20(4), 423-434.
Liou, F (2008). "Fraudulent financial reporting detection and business failure prediction models: a comparison", managerial Auditing Journal, 23(7), 650-662.
Mills, R & Yamamura, H (1998). "The power of cash flow ratios", Journal of Accountancy, 186(4), 53-61.
Niccolo, G (2014). "A genetic algorithm approach for SMEs bankruptcy prediction: Empirical evidence from Italy", expert systems with applications, 41(14), 6433-6445.
Ong, SH; Yap, V & Khong, R (2011). "Corporate failure prediction: A study of public listed companies in Malaysia", Journal of managerial finance, 37(6), 553-564.
Ryu, k & Jang, S (2004). "Performance measurement through cash flow ratios and traditional ratios: a comparison of commercial and casino hotel companies", Journal of hospitality financial management, 12(1), 11-17.
Scarlat, E & Delcea, C (2011). "Complete analysis of bankruptcy syndrome using grey systems theory", Grey systems: theory and application, 1(1), 19-32.
Scott Rodgers, c (2011). Predicting corporate bankruptcy using multivariant discriminate analysis (MDA), Logistic regression and Operating cash flow (OCF) ratio analysis: A cash flow-based approach, golden Gate University, 1-97.
Smith, M & Liou, D (2007). "Industrial sector and financial distress", Managerial Auditing Journal, 22(4), 376-391.
Talal, A; Kassar, A & Jared, S (2014). "Financial performance evaluation and bankruptcy prediction (Failure)", Arab economic & business journal, 9(2), 147-155.
Wang, Z & Li, H (2007). "Financial distress prediction of Chinese listed companies: a rough set methodology", Journal of Chinese management studies, 1(2), 93-110.
Whitaker, R (1999). "The early stage of financial distress", Journal of economics and finance, 23(2), 123-133.
Zong, T & Lin, H (2009). "A cross model study of corporate financial distress prediction in Taiwan", Neurocomputing, 72(16), 3507-3516. | ||
|
آمار تعداد مشاهده مقاله: 1,523 تعداد دریافت فایل اصل مقاله: 1,305 |
||