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

نوع مقاله: مقاله پژوهشی

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 to introduce companies which have 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 years (86-95) has been compiled. According to the results in each of the above models, some 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

Panahi, H. Assadzadeh, A., & Jalili Marand, A. (1393). Predicting five years of bankruptcy for firms listed in Tehran Stock Exchange (TSE). Financial research journal, 16 (1), 57-76. (In persian)

Hosseini, S, M., & Rashidi, Z. (1392). Prediction of bankruptcy of firms listed in Tehran Stock Exchange (TSE) Using decision tree and logistic regression. Financial accounting research, 5 (3), 128-128. (In persian)

Rahnamay Roodposhti, F. Alikhani, R., & Maranjori, M. (1388). Evaluation of the application of Altman and Fulmer bankruptcy prediction models of listed firms in Tehran Stock Exchange (TSE). Accounting and Auditing Review, 16 (55), 19-34. (In persian)

Ghazanfari, M. Rahimi Kia, A. Askari, A. (1397). Predicting bankruptcy of firms based on hybrid smart systems. The financial accounting and auditing research, 10 (37), 159-194. (In persian)

Moghaddam, A., & Taqi Molla, M. (1392). Investigation of the financial models of Fulmer and  Zemiski in predicting bankruptcy of firms. Journal management system, 1 (1), 25-25. (In persian)

Nabavi Chashmi, S. A., Ahmadi, M., & Mahdavi Farahabadi, p. (1389). Predicting Bankruptcy of firms using the logit model. Financial engineering and portfolio management , 1 (5), 55-81. (In persian)

Vazife Dust, h., & Zangane, T. (1394). Presentation of pridicting bankruptcy model of firms of Tehran Stock Exchange (TSE) based on combined neural network model of data manipulation and Genetic algorithm. Strategic management research , 21 (57), 83-100. (In persian)

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 thesis, Honors College, Pace University).

Pozorska, J., & Scherer, M. (2018). Company bankruptcy prediction with neural networks. International conference on artificial intelligence and soft computing (pp. 183-189). Cham: Springer.  

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.