مدل سازی پیش بینی درماندگی مالی: رویکرد مبتنی بر تحلیل بقاء
مدل سازی پیش بینی درماندگی مالی: رویکرد مبتنی بر تحلیل بقاء
محورهای موضوعی : حسابداری مدیریت
حسن محمودیه
1
,
احمد محمدی
2
*
,
مهدی زینالی
3
1 - دانشجوی دکتری حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
2 - استادیار گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران(نویسنده مسئول)
3 - استادیار گروه حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
کلید واژه: درماندگی مالی, رویکرد تحلیل بقاء, پیش بینی, رگرسیون خطرات متناسب کاکس,
چکیده مقاله :
هدف پژوهش حاضر مدل سازی پیش بینی درماندگی مالی مبتنی بر رویکرد تحلیل بقاء در شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. به منظور نیل به این هدف 2067 سال-شرکت (159 شرکت برای 13 سال) مشاهده جمع آوری شده از گزارش های مالی سالیانه شرکت های پذیرفته شده در بورس اوراق بهادار تهران در طی دوره زمانی 1389 تا 1401 مورد آزمون قرار گرفته اند. در این پژوهش جهت شناسایی متغیرهای بااهمیت جهت تدوین مدل از آزمون مقایسه میانگین دو جامعه بهره گرفته شد، که نتایج آن نشان می دهد که از لحاظ آماری، به غیر از متغیرهای اندازه هیأت مدیره، مالکیت سهامدار عمده، استقلال کمیته حسابرسی، اندازه شرکت، عمر شرکت، حق الزحمه حسابرس، تأخیر در ارائه گزارش حسابرس مستقل، اندازه صنعت، تعداد شرکت در صنعت، حجم معاملات و رشد اقتصادی، مابقی متغیرهای مستقل(29 متغیر) در شرکت های درمانده و سالم تفاوت معناداری باهم دارند. در ادامه با استفاده از 29 متغیر با اهمیت، عوامل مؤثر بر درماندگی مالی با استفاده از مدل كاكس مورد تجزیه و تحلیل قرار گرفت و در نهایت مدل پیش بینی درماندگی مالی مبتنی بر رویکرد تحلیل بقا تدوین شد که نتایج حاصل از معیارهای ارزیابی مدل ROC و Brier نشان دهنده مناسب بودن قدرت تشخیص و دقت مدل تدوین شده می باشد. نتایج حاصل از ماتریس اغتشاش نیز نشان می دهد که میزان دقت مدل در تشخیص و پیش بینی درماندگی شرکت های پذیرفته شده در بورس اراق بهادار تهران 98.4% است،
The aim of the current research is to model financial distress prediction based on the survival analysis approach in companies listed on the Tehran Stock Exchange. In order to achieve this goal, 2067 company-years (159 companies for 13 years) of observation collected from the annual financial reports of companies admitted to the Tehran Stock Exchange during the period of 1389 to 1401 have been tested. In this research, in order to identify the important variables for developing the model, the average comparison test of two societies was used, the results of which show that statistically, apart from the variables of board size, major shareholder ownership, audit committee independence, company size, The age of the company, the auditor's fee, the delay in the submission of the independent auditor's report, the size of the industry, the number of companies in the industry, the volume of transactions and economic growth, the rest of the independent variables (29 variables) have a significant difference in helpless and healthy companies. In the following, using 29 important variables, factors affecting financial helplessness were analyzed using the Cox model, and finally, a financial helplessness prediction model based on the survival analysis approach was developed, and the results of the evaluation criteria of the ROC model and Brier indicates the appropriateness of the detection power and accuracy of the developed model.
اسماعیل زاده مقری، علی؛ شاکری، هاجر. (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از شبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. مهندسی مالی و اوراق بهادار، 6(22)، 28-1.
بت شکن، محمدهاشم، سلیمی، محمد جواد، فلاحتگر متحدجو، سعید. (1397). ارائه یک روش ترکیبی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 20(2)، 173-192..
حاجیها، زهره، و صابری روچی، محمدرضا. (1400). متن کاوی و پیش بینی درماندگی مالی. مطالعات حسابداری و حسابرسی، 10(38 )، 39-52.
خداکریمی، پری، پیری، پرویز. (1396). پیش بینی درماندگی مالی بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک. مطالعات تجربی حسابداری مالی، 14(55)، 145-168..
خردیار، سینا، قلیزاده، محمد حسن، لطفی، فروغ. (1397). پیش‌بینی درماندگی مالی با استفاده از روش ترکیبی PCA-ANFIS و الگوریتم فراابتکاری بهینه‌سازی ازدحام کبوتر. مهندسی مالی و مدیریت اوراق بهادار، 9(37)، 133-157.
راعی، رضا، و فلاح پور، سعید. (1387). کاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت ها با استفاده از نسبت های مالی . بررسیهای حسابداری و حسابرسی، 15(53)، 17-34.
ساده وند، محمدجواد، نیکومرام، هاشم، قالیباف اصل، حسن، فلاح شمس، میرفیض. (1401). بررسی و مقایسه عملکرد مدل‌های متعارف و ترکیبی در پیش‌بینی درماندگی مالی. تحقیقات مالی، 24(2)، 214-235.
عرب مازاریزدی، محمد، و صفرزاده، محمدحسین. (1388). بررسی توانایی نسبت های مالی در پیش بینی بحران مالی: تحلیل لاجیت. بورس اوراق بهادار، -(8)، 7-37.
فاخر، اسلام، ابراهیمی سرو علیا، محمدحسن، باباجانی، جعفر، آخوند، محمد رضا. (1400). الگوی پیش بینی درماندگی مالی به تفکیک صنعت با تعدیل اثر هم خطی. حسابداری مالی. ۱۳ (۴۹)، ۸۵-۵۷.
فلاح پور، سعید، راعی، رضا، نوروزیان، عیسی. (1397). استفاده از روش ترکیبی انتخاب ویژگی پیدرپی پیشرو شناور و ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. تحقیقات مالی، 20(3)، 289-304..
کردستانی، غلامرضا، تاتلی، رشید، و کوثری فر، حمید. (1393). ارزیابی توان پیش بینی مدل تعدیل شده آلتمن از مراحل درماندگی مالی نیوتن و ورشکستگی شرکت ها. دانش سرمایه گذاری، 3(9)، 83-99.
لطفی، بهناز، بحری ثالث، جمال، جبارزاده کنگرلویی، سعید، حیدری، مهدی. (1403). پیش بینی درماندگی مالی با مدل ترکیبی (مطالعه موردی: شرکت های پذیرفته شده در بورس اوراق بهادار تهران). دانش سرمایه‌گذاری، 13(50)، 349-370.
محبی هره‌دشت، بهنام، چاوشی، سید کاظم، جهانگیرنیا، حسین، غلامی، جمکرانی رضا. (1399). بررسی تأثیر شاخص‌های غیرمالی بر پیش‌بینی وقوع درماندگی مالی از دیدگاه مدیران شهری (مورد مطالعه: بانک شهر). فصلنامه علمی-پژوهشی اقتصاد و مدیریت شهری. ۸ (۳۰)، ۳۸-۲۳.
منصورفر، غلامرضا، غیور، فرزاد، لطفی، بهناز. (1394). توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی. پژوهش های تجربی حسابداری، 5(17)، 177-195.
مهرانی، ساسان، کامیابی، یحیی، غیور، فرزاد. (1398). بررسی توانایی شاخص های حسابداری و غیرحسابداری مؤثر بر پیش‌بینی درماندگی مالی و مقایسه روشهای پارامتریک و ناپارامتریک. پژوهش های تجربی حسابداری، 9(4)، 49-72.
هارونکلایی، کاظم، نبوی چاشمی، علی، برزگر، قدرت اله، و داداشی، ایمان. (1399). تبیین عوامل مالی موثر بر خروج از درماندگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. مدلسازی اقتصادی، 14(2 (50 پیاپی) )، 103-129.
وقفی، سید حسام، دارابی، رویا. (1398). اعتبارسنجی الگوریتم های هوش مصنوعی در پیش بینی درماندگی مالی در بخش صنعت و معدن با تأکید بر نقش متغیرهای کلان اقتصادی، مالی، مدیریتی و ریسک. پژوهشنامه بازرگانی، 24(91)، 213-243.
وقفی، سید حسام، دارابی، رویا. (1399). تحلیل شرکت های درمانده مالی از دیدگاه هموارسازی سود با استفاده از قانون بنفورد. پژوهش های تجربی حسابداری، 10(37)، 27-54.
وقفی، سید حسام، مام صالحی، پرویز، فیاض، علی، خواجه زاده، سامیران. (1398). رویکرد مدیریتی در تحلیل درماندگی مالی بخش صنعت و معدن بازار سرمایه ایران با بکار گیری روش های یادگیری ماشین(NSGA-II,ABC). بررسی های بازرگانی، 24(96)، 38-55.
ب-منابع انگلیسی:
Adisa, J.A. etal. (2023). The Effect of Imbalanced Data and Parameter Selection via Genetic Algorithm Long Short-Term Memory (LSTM) for Financial Distress Prediction. IAENG International Journal of Applied Mathematics, 53:3, IJAM_53_3_04.
Al Ali, Amal, Ahmed M. Khedr, Magdi El Bannany, and Sakeena Kanakkayil. (2023). GALSTM-FDP: A Time-Series Modeling Approach Using Hybrid GA and LSTM for Financial Distress Prediction. International Journal of Financial Studies 11: 38. https:// doi.org/10.3390/ijfs11010038.
Altman, E.I. (2006). Corporate Financial Distress and Bankruptcy: John Wiley & Sons, Inc. Third Edition.
Blau, B.M., Brough, T.J., Griffith, T.G. (2017). Bank opacity and the efficiency of stock prices, Journal of Banking and Finance 76, 32–47.
Bonfim, D., 2009. Credit risk drivers: Evaluating the contribution of firm level information and of macroeconomic dynamics. Journal of Banking & Finance, 33(2), 281-299.
Bredart, X. (2014). Financial Distress and Corporate Governance around Lehman Brothers Bankruptcy. International Business Research, 7 (5): 1-8.
Callen, J. L.,Khan, M., Lu, H. 2013. “Accounting Quality, Stock Price Delay, and Future Stock Returns.” Contemporary Accounting Research 30: 269–295.
Campbell, J.Y., Hilscher, J., Szilagyi, J.A.N., 2008. In Search of Distress Risk. Journal of Finance, 63(6), 2899-2939.
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.
Ciampi, F., 2015. Corporate governance characteristics and default prediction modeling for small enterprises. An empirical analysis of Italian firms. Journal of Business Research, 68(5), 1012-1025.
Daily, C.M., Dalton, D.R., 1994. Corporate governance and the bankrupt firm: an empirical assessment. Strategic Management Journal, 15(8), 643-654.
Darrat, A.F., Gray, S., Park, J.C., Wu, Y., 2016. Corporate Governance and Bankruptcy Risk. Journal of Accounting, Auditing & Finance, 31(2), 163-202.
Engin, U. ve Durer, S. (2023). Financial distress prediction from time series data using xgboost: BIST100 of Borsa Istanbul. Doğuş Üniversitesi Dergisi, 24(2), 589-604. DOI: 10.31671/doujournal.1238432.
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 .
Kim, J. B., Yu, Z., & Zhang, H. (2016). Can media exposure improve stock price efficiency in China and why?. China Journal of Accounting Research, 9(2), 83-114.
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 .
Li, Z., Crook, J., Andreeva, G. et al. (2020). Predicting the risk of financial distress using corporate governance measures, Pacific-Basin Finance Journal, https://doi.org/10.1016/j.pacfin.2020.101334.
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.
Milne, A., 2014. Distance to default and the financial crisis. Journal of Financial Stability, 1226-36.
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.
Qian, M., Sun, P.W., Yu, B. (2017). High turnover with high price delay? Dissecting the puzzling phenomenon for China’s A-shares, Finance Research Letters 22 105–113.
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.
Santen, B., Soppe, A., 2009. NED characteristics, board structure and management turnover in the netherlands in times of financial distress: a theoretical and empirical survey. Corporate Ownership and Control, 7(1), 17.
Shan, Y. G., Troshani, I., and Loftus, J. (2021), “Managerial ownership, audit committees and non-audit services”. Australian Journal of Management, Vol. 46 No. 3, 409–436.
Shumway, T., 2001. Forecasting bankruptcy more accurately: A simple hazard model. Journal of Business, 74(1), 101-124.
Wilson, N., Wright, M., Altanlar, A., 2014. The survival of newly-incorporated companies and founding director characteristics. International Small Business Journal, 32(7), 733-758.
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.