پیش‌بینی و شناسایی شرکت‎های با احتمال ورشکستگی بالا در بورس تهران (تحلیل متفاوتی از مدل‎ها)

نوع مقاله: شماره ویژه:تصمیم‌گیری در مهندسی مالی و ریسک

نویسندگان

1 گروه حسابداری، واحد تنکابن، دانشگاه آزاد اسلامی، تنکابن، ایران.

2 گروه مدیریت مالی، واحد ملارد، دانشگاه آزاد اسلامی، ملارد، ایران.

10.22105/dmor.2019.179504.1111

چکیده

مقاله حاضر احتمال پیش‎بینی ورشکستگی شرکت‎ها با مدل‎های اسپرینگ، آلتمن، فولمر، زیمسکی و ژنتیک مک‌کی در بین شرکت‎های موجود در بورس تهران را به شکلی متفاوت نسبت به پژوهش‎های قبلی و با هدف معرفی شرکت‎هایی که احتمال ورشکستگی بالاتری با رویکرد مقایسه‎ای در بین مدل‎ها دارند مورد بررسی قرار داده است.برای دستیابی به این هدف 75 شرکت که مشمول ماده 141 قانون تجارت نیستند انتخاب گردید. داده‎های مورد نیاز برای دوره 10 ساله (86-95) جمع‎آوری شده است. با توجه به نتایج هر یک از مدل‎های فوق تعدادی شرکت به عنوان شرکت‎های با احتمال ورشکستگی بالا شناسایی شده و سپس شرکت‎هایی که در بیشتر این مدل‎ها به عنوان شرکت با احتمال ورشکسته معرفی شدند، تفکیک گردیدند. نتایج همچنین نشان می‎دهد که به استثنا مدل مک‎کی، در چهار مدل دیگر سه شرکت با احتمال ورشکستگی بالا قرار گرفتند و از بین این چهار مدل نیز، مدل زیمسکی ضریب تعیین بالاتری داشته، از این رو می‎توان گفت نسبت به سایر مدل‎ها جهت پیش‎بینی ورشکستگی دقت بیشتری داشته است و از بین نسبت‎های مالی، نسبت بدهی، گردش دارایی‎ها و بازده دارایی‎ها نقش مهمی در تعیین ورشکستگی شرکت‎ها دارند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction and Identification of Companies with High Bankruptcy probability in Tehran Stock Exchange (Different analysis of models)

نویسندگان [English]

  • Seyed Fakhreddin Fakhrehosseini 1
  • Omid Aghaei Meybodi 2
1 Department of Accounting, Tonekabon Branch, Islamic Azad University, Tonekabon, Iran.
2 Department of Accounting, Malard Branch, Islamic Azad University, Malard, Iran.
چکیده [English]

The present paper presents the possibility of predicting firms' bankruptcy with Sprint, Altman, Fulmer, Zmijewski and Mckee Genetic models among companies in the Tehran Stock Exchange in a different way from previous research with the goal of introducing companies Which has the potential for higher bankruptcy with a comparative approach among the models. To achieve this goal, 75 companies that are selected not covered base on 141 of the Commercial law. Required data for the 10-year period (86-95) has been compiled. According to the results in each of the above models, a number of companies were identified as high risk probability companies, and then companies that were identified as most likely to be bankrupt in most of these models. The results also show that, with the exception of Mckee model, in four other models, three companies with high bankruptcy probability were included. Among these four models, Zmijewski model has a higher coefficient of determination, hence we can say that relative to Other models have been more accurately predicted for bankruptcy and have a significant role in corporate bankruptcy among financial ratios, debt ratios, asset turnover, and asset returns.

کلیدواژه‌ها [English]

  • prediction
  • Bankruptcy
  • model

پناهی،ح ؛ اسدزاده، اح؛ جلیلی مرند، ع . (1393). پیش ‏بینی پنج‌ساله ورشکستگی مالی برای شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. تحقیقات مالی، 16(1)، 57-76.

حسینی، س، م؛ رشیدی، ز . (1392). پیش‌بینی ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از درخت تصمیم و رگرسیون لجستیک. مجله پژوهش‌های حسابداری مالی، 5(3)، 105-.128

رﻫﻨﻤﺎی رودﭘﺸﺘﻲ، ف؛ ﻋﻠﻲﺧﺎﻧﻲ، ر؛  ﻣﺮانﺟﻮری، م. (1388). ﺑﺮرﺳﻲ ﻛﺎرﺑﺮد ﻣﺪلﻫﺎی ﭘﻴﺶﺑﻴﻨﻲ ورﺷﻜﺴﺘﮕﻲ آﻟﺘﻤﻦ و ﻓﺎﻟﻤﺮ ‫در ﺷﺮﻛﺖﻫﺎی ﭘﺬﻳﺮﻓﺘﻪ ﺷﺪه در ﺑﻮرس اوراق ﺑﻬﺎدار ﺗﻬﺮان. ﺑﺮرسی‌های ﺣﺴﺎﺑﺪاری و ﺣﺴﺎﺑﺮﺳﻲ، 16(55)، 34-19.

غضنفری، م؛ رحیمی کیا، ا؛ عسکری، ع. (1397). پیش‌بینی ورشکستگی شرکت‌ها مبتنی بر سیستم‌های هوشمند ترکیبی. فصلنامه پژوهشهای حسابداری مالی و حسابرسی، 10(37)، 159-194.

مقدم، ع؛ تقی ملایی، م. (1392). بررسی مدل‌های مالی فالمر و زیمسکی در پیش‌بینی ورشکستگی شرکت‌ها. فصلنامه پژوهشهای نوین درحسابداری، 1(1)،11-25.

نبوی چاشمی، س، ع؛ احمدی، م؛ مهدوی فرح آبادی، ص. (1389). پیش بینی ورشکستگی شرکتها با استفاده از مدل لاجیت. مهندسی مالی و مدیریت اوراق بهادار (مدیریت پرتفوی)، 1(5)، 55-81 .

وظیفه دوست، ح؛ زنگنه، ط. (1394). ارائه مدل پیش‌بینی ورشکستگی شرکت‎های بورس اوراق بهادار تهران مبتنی بر مدل ترکیبی شبکه عصبی گروهی دستکاری داده‎ها و الگوریتم ژنتیک. فصلنامه پژوهشهای مدیریت راهبردی، 21(57)، 83-100.

Altman Edward, I., Haldeman Robert, G., & Narayanan, P. (1977). Zeta analysis: A new model to identify bankruptcy risk of corporations. Journal of banking and financial7, 29-54.

Fulmer, J. G., Moon, J. E., Gavin, T. A., & Erwin, M. (1984). A bankruptcy classification model for small firms. Journal of commercial bank lending66(11), 25-37.

Inam, F., Inam, A., Mian, M. A., Sheikh, A. A., & Awan, H. M. (2018). Forecasting Bankruptcy for organizational sustainability in Pakistan: Using artificial neural networks, logit regression, and discriminant analysis. Journal of economic and administrative sciences.

Lu, A. J. (2017). EVA: An Indicator of Corporate Bankruptcy? (Doctoral theses, Honors College, Pace University).

Pozorska, J., & Scherer, M. (2018, June). Company Bankruptcy Prediction with Neural Networks. In International conference on artificial intelligence and soft computing (pp. 183-189). Springer, Cham.

Ptak-Chmielewska, A., & Matuszyk, A. (2018). The importance of financial and non-financial ratios in SMEs bankruptcy prediction. Bank i kredyt49, 45-62.

Sudarsanam, S. K. (2016). A Fuzzy Neural Network Model for Bankruptcy Prediction. Journal of engineering computers & applied sciences (JECAS), 5(6).

Tian, Y., Yang, W., Lai, G., & Zhao, M. (2019). Predicting non-life insurer's insolvency using non-kernel fuzzy quadratic surface support vector machines. Journal of industrial & management optimization15(2), 985-999.