Dynamic Prediction of Financial Distress: A Case Study
Subject Areas :
Financial Economics
Hamid Rahimi
1
(
Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
)
Mehrzad Minooei
2
(
Department of Industrial Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran (corresponding author
)
mohammad reza fathi
3
(
Associate Professor, College of Farabi, University of Tehran, Iran
)
Received: 2023-12-13
Accepted : 2024-02-03
Published : 2024-03-20
Keywords:
Artificial Neural Network,
G21,
data envelopment analysis based on worst performance,
self-organizing mapping,
E47,
Key words: Financial Distress,
stock exchange organization JEL classification: G12,
Abstract :
Abstract
Considering the current economic conditions of the country, the number of helpless companies and the importance of financial helplessness are increasing day by day. The increase in economic factors affecting financial helplessness has also increased the complexity of investment decisions for these companies. For this purpose, the approach presented in this research, taking into account various financial criteria, provides the possibility of dynamic forecasting of Financial Distress for these decision makers. makes The approach introduced in this research is first by clustering the companies in the proportional cluster of financially helpless and non-helpless with the help of artificial neural network method, self-organizing mapping (SOM) and then by using the data envelopment analysis method based on the worst performance (WPF-DEA). A dynamic forecast of the financial helplessness of the companies admitted to the Tehran Bahadur Stock Exchange was carried out. Using the mentioned method, 105 companies were evaluated and the result of the inefficiency of these companies was predicted during 5 time periods from 2015 to 2019. The dynamic data coverage analysis model based on the worst performance has the ability to evaluate the inefficiency of the examined units, including companies that are members of the Stock Exchange and Securities Organization. Data envelopment analysis has been able to successfully identify the financial helplessness of companies as inefficient decision units.
References:
فهرست منابع
ابراهیمی سرو علیا، محمدحسن؛ باباجانی، جعفر؛ آخوند، محمدرضا؛ فاخر، اسلام؛ (1397) ارائه الگویی برای پیشبینی پویای درماندگی مالی با استفاده از تحلیل بقاء، فصلنامه اقتصاد مقداری، شماره ۵۹، صص ۱۶۷ -۱۹۸
ابراهیمی کردلر، علی، جعفرزاده، عبدالحسین، علی احمدی، محمدهادی. (1397). ارائه مدلی برای ارزیابی کارایی بهکمک ترکیب مدل اندازهگیری با دامنه تعدیل‌شده و محدودیتهای وزنی(مطالعه موردی: شعبههای شرکت بیمه ایران). فصلنامه مدیریت صنعتی، 10(2)، 161- 182.
آزاد ِعلی‌اصغر .پور زمانی. زهرا (1399) ارائه الگوی سنجش کارایی شرکت‌ها با نقش معیار‌های نظارتی( رویکرد فرهنگی و لاسو).فصلنامه اقتصاد مالی،دوره 14.شماره53، صص 65-96
باد آورنهندی،یونس و محرومی، رامین. (1396) ارتباط بین نوسان پذیری بازده سهام و اقلام تعهدی سرمایه در گردش: رویکرد سرمایه‌گذاری اختیار واقعی. دانش حسابداری. شماره 31 . صص118-93
بت‌شکن، محمدهاشم؛ سلیمی، محمدجواد؛ فلاحتگر متحدجو، سعید (1397)، ارائه یک روش ترکیبی به‌منظور پیشبینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، نشریه تحقیقات مالی، شماره ۵۰ ، صص ۱۷۳ -۱۹۲
پیری، پرویز؛ خداکریمی، پری؛ (1396)، پیشبینی درماندگی مالی شرکت‌ها بر مبنای الگوی ترکیبی از اطلاعات حسابداری و بازار با رویکرد رگرسیون لجستیک، فصلنامه مطالعات تجربی حسابداری مالی، شماره ۵۵ ، ص ۱۴۵
خردیار، سینا؛ قلی زاده، محمدحسن، لطفی، فروغ (1397)، پیشبینی درماندگی مالی با استفاده از روش ترکیبی PCA-ANFIS و الگوریتم فرا ابتکاری بهینه‌سازی ازدحام کبوتر، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، شماره ۳۷، صص ۱۳۳ -۱۵۷
رضوانی، محمد. (1392). بررسی رابطه حاکمیت شرکتی و درماندگی مالی شرکت‌های پذیرفته‌شده بورس اوراق بهادار تهران. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکزی
رحیمی، حمید، مینویی، مهرزاد و فتحی، محمد رضا (1400)، تبیین متغیرهای مالی موثر در پیش بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی، نشریه صنعت لاستیک ایران، دوره 25، شماره 101، صص 65-84.
رحیمی، حمید، مینویی، مهرزاد و فتحی، محمد رضا (1400)، پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک DEA-DA و شبکه عصبی مصنوعی، دوره 19، شماره 58، صص 521-549.
رمضان زاده زیدی، عباس؛ فغانی ماکرانی، خسرو؛ جعفری، علی؛ (1398)، بسط مدلسازی درماندگی مالی با استفاده از مدیریت سود شرکت‌ها در محیط اقتصادی ایران، فصلنامه مدلسازی اقتصادی، شماره ۴۶، صص ۱۰۱ -۱۲۰
سعیدی، علی و آرزو آقایی، (1388)، پیشبینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با استفاده از شبکههای بیز"، بررسیهای حسابداری و حسابرسی، صص 78-59
سیف‌اللهی، ناصر. (1397). شناسایی مکانیزم اثرگذاری مدیریت هموارسازی سود بر هزینه بدهی مالی در شرکت‌های بورس اوراق بهادار تهران. فصلنامه اقتصاد مالی،دوره 12.شماره42، صص 181-199
صوفی، منصور؛ همایون‌فر، مهدی؛ فدایی، مهدی؛ (1399)، تعیین روش بهینه پیشبینی درماندگی مالی شرکت‌ها مطالعه موردی: شرکت‌های بورس اوراق بهادار تهران، فصلنامه دانش سرمایه گذاری، شماره ۳۵، صص ۸۵ -۱۰۰
طهماسبی، رسول؛ علی اصغر انواری رستمی ، عباس شریف؛ (1397) پیشبینی ریسک درماندگی مالی شرکت‌های بورس اوراق بهادار تهران با استفاده از مدل‌های تحلیل عاملی، درخت تصمیم و رگرسیون لجستیک، فصلنامه دانش سرمایه گذاری، شماره۲۷ ، صص۱۸۹ -۲۰۶
فروغی، داریوش، امیری، هادی، و الشریف، سید محمد(1396). تأثیر درماندگی مالی بر اثرگذاری اقلام تعهدی بر بازده آتی. مطالعات تجربی حسابداری مالی، شماره55 ، صص123-93
فلاح‌پور، سعید؛ ارم, اصغر؛ (1395)؛ پیشبینی درماندگی مالی شرکت‌ها با استفاده از الگوریتم کلونی مورچگان، نشریه تحقیقات مالی، شماره ۴۲ ص ۳۴۷ -۳۶۸
محبی هره دشت، بهنام؛ چاوشی، سید کاظم؛ جهانگیر نیا، حسین؛ غلامی جمکرانی، رضا؛ (1399)، بررسی تأثیر شاخص‌های غیرمالی بر پیشبینی وقوع درماندگی مالی از دیدگاه مدیران شهری (مورد مطالعه: بانک شهر)، فصلنامه اقتصاد و مدیریت شهری، "شماره "30" صص ۲۳ -۳۸
محسنی، رضا آقا بابایی، رضا و وحید محمد، قربانی(1392) ، پیشبینی درماندگی مالی با بکار بردن کارایی به‌عنوان یک متغیر پیشبینی کننده،فصلنامه پژوهش‌ها و سیاست‌های اقتصادی،سال بیست و یکم، شماره65 ،صص146-123.
مرادی رامز،زهرا و سهرابی،شهلا (1397). بررسی رابطه سهامداران نهادی به‌عنوان مالک و مدیر بر درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. فصلنامه اقتصاد مالی .دوره 12 شماره44.صص87-102
منصورفر، غلامرضا، غیور، فرزاد و بهناز، لطفی،(1392) ، ترکیب اجزای جریان نقد و پیشبینی درماندگی مالی در بورس اوراق بهادار تهران،تحقیقات حسابداری و حسابرسی ،شماره18.
منصورفر، غلامرضا؛ غیور، فرزاد؛ اسدی، مریم؛ (1395) اثر تعدیل‌گر کیفیت سود در پیشبینی درماندگی مالی شرکت‌های پذیرفته‌شده بورس اوراق بهادار مجله راهبرد مدیریت مالی، شماره ۱۵، صص۲۵ -۴۴
مهرانی، ساسان؛ کامیابی،یحیی؛ غیور، فرزاد؛ (1398) بررسی توانایی شاخص‌های حسابداری و غیرحسابداری مؤثر بر پیشبینی درماندگی مالی و مقایسه روش‌های پارامتریک و ناپارامتریک، فصلنامه پژوهش‌های تجربی حسابداری، سال نهم شماره ۳۴، صص ۴۹ -۷۲
میرعرب بایگی، علیرضا؛ مکاری، هاشم؛ آذریون، آرش پیشبینی پویا در ورشکستگی مالی با استفاده از روش مالم کوئیست (مورد مطالعه: شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران( نشریه کارافن، شماره ۴۹ صص ۲۰۳ -۲۲۰
وقفی، سید حسام؛ ، حیدری، زهره؛ خواجه‌زاده، سامیران؛ کامران راد، صدیقه؛ (1399) تحلیل درماندگی مالی در بخش کشاورزی و مواد غذایی با تأکید بر نقش متغیرهای کلان اقتصادی و حسابداری، مجله تحقیقات اقتصاد کشاورزی، سال دوازدهم شماره ۳، صص ۲۱۱ -۲۳۶
وقفی، سید حسام؛ دارابی، رؤیا؛ (1398) اعتبارسنجی الگوریتم‌های هوش مصنوعی در پیشبینی درماندگی مالی در بخش صنعت و معدن با تأکید بر نقش متغیرهای کلان اقتصادی، مالی، مدیریتی و ریسک، پژوهشنامه بازرگانی، شماره ۹۱ ، صص ۲۱۳ -۲۴۳
_||_
Acosta-González, E., & Fernández-Rodríguez, F, Ganga H, (2017), Predicting Corporate Financial Failure Using Macroeconomic Variables and Accounting Data, Computational Economics, Accepted
Alfaro, E., & Garcia, N. (2008). Bankruptcy Forecasting: an Empirical Comparison of Ad Boost and Neural Networks. International Advances in Economic Research, 25(2), 110-122.
Andrade, G. Kaplan, S.N. (1998), “How Costly is financial (not Economic) Distress? Evidence from Highly Leveraged Transactions that Became Distressed”, Journal of Finance, 53, PP. 1443–1493.
Botshekan, M. H., Salimi, M., & Falahatgar Mottahedjoo, S. (2018). Developing a hybrid approach for financial distress prediction of listed companies in Tehran stock exchange. Financial Research Journal, 20(2), 173-192. (In Persian)
Chen, C. M., & van Dalen, J. (2010). Measuring dynamic efficiency: Theories and an integrated methodology. European Journal of Operational Research, 203(3), 749-760.
Chen, Y., Liang, L., & Zhu, J. (2009). Equivalence in two-stage DEA approaches. European Journal of Operational Research, 193(2), 600-604.
Chiaramontea L, Casu B, (2017), Capital and liquidity ratios and financial distress. Evidence from the European banking industry, The British Accounting Review, 9(2), 138-161
Cooper, W. W., Seiford, L. M., & Tone, K. (2006). Introduction to data envelopment analysis and its uses: with DEA-solver software and references. Springer Science & Business Media.
Emrouznejad, A., & Yang, G. L. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978– Socio-Economic Planning Sciences, 61, 4-8.
Gameel, M., & El-Geziry, K. (2016). Predicting financial distress: multi scenarios modeling using neural etwork. International Journal of Economics and Finance,, 11(8), 159-168
Geng, R. B., Bose, I., & Chen, X. (2015). “Prediction of financial distress: An empirical study of listed Chinese companies using data mining”. European Journal of Operational Research, 241, 236-247.
Godarzi, A.A., Madadi Amiri, R., Talaei, A., Jamasb, T. (2014). Predicting oil price movements: A dynamic Artificial Neural Network approach. Energy
Gordon, M. J. (1971), ''Towards a Theory of Financial Distress'', the Journal of Finance", Vol.26. PP: 347-356.
Heydary Farahany, M., ghayour, F., & mansourfar, G. (2019). The effect of management behavioral strains on financial Journal of Financial Accounting Research, 3(11), 117-134.
Jayasekera, R. (2018). “Prediction of company failure: Past, present and promising directions for the future”. International Review of Financial Analysis, 55, 196-208.
Khajavi, S., & Ghadirian-Arani, M. (2018). The role of managerial ability in financial distress prediction. Journal of Financial Accounting Research, 9(4), 83-102.
Kihooto, E., Omagwa, J., & Ronald, M. (2016). Financial distress in commercial and services companies listed at Nairobi Securities Exchange. Kenya. European Journal of Business and Management, 27(8), 86-89.
Li, Z., Crook, J., & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist DEA. Expert Systems with Applications, 6(80), 9.
Li, Z., Crook, J., & Andreeva, G. (2017). Dynamic prediction of financial distress using Malmquist EA. Expert Systems with Applications, 80, 94-106.
Liu, F. H. F., & Chen, C. L. (2009). The worst-practice DEA model with slack-based measurement. Computers & Industrial Engineering, 57(2), 496-505.
Megginson, W., Meles, A., Sampagnaro, G., & Verdoliva,, V. (2019). Financial distress risk in initial public offerings: how much do venture capitalists matter? Journal of Corporate Finance, 25(1), 10-30.
Mehrani, S., Kamyabi, Y., Ghayour, F. (2017). Reviewing the effectiveness of earnings quality indices on the power of financial distress prediction models. Accounting and Auditing Review, 24(1), 103-126. (In Persian)
Mousavi, M. M., Ouenniche, J., & Tone, K. (2019). A comparative analysis of two-stage distress prediction models. Expert Systems with Applications, 119, 322-341.
Mselmi, N., Lahiani, A., & Hamza, T. (2017). “Financial distress prediction: The case of French small and medium-sized firms”. International Review of Financial Analysis, 50, 67-80.
Nemoto, J., & Goto, M. (1999). Dynamic data envelopment analysis: modeling intertemporal behavior of a firm in the presence of productive inefficiencies. Economics Letters, 64(1), 51-56.
Nemoto, J., & Goto, M. (2003). Measurement of dynamic efficiency in production: an application of data envelopment analysis to Japanese electric utilities. Journal of Productivity analysis, 19(2-3), 191-210.
Osama, E. A., & Bassam, L. Predicting Financial Distress for Listed MENA Firms. (2019). International Journal of Accounting and Financial Reporting, 2(9). 51-75.
Paradi, J. C., & Zhu, H. (2013). A survey on bank branch efficiency and performance research with data envelopment Omega, 41(1), 61-79.
Shah, J., & Murtaza, M. (2000). A neural network based clustering procedure for bankruptcy Prediction. American Business Review, 2(18), 80-86.
Shilpa, N., & Amulya, M. (2017). Corporate financial distress: analysis of Indian automobile industry. SDMIMD Journal of Management,, 8(1), 85-93.
Sueyoshi, Toshiyuki & Mika Goto (2009), "DEA-DA for Bankruptcy-Based Performance Assessment: Misclassification of Japanese Construction Industry", European Journal of Operational Research, Vol. 199, PP. 576-594.
Sun, J., & Li, H. (2009). “Financial distress early warning based on group decision making”. Computers & Operations Research, 36, 885–906.
Sun, J., He, K. Y., & Li, H., (2011). “SFFS-PC-NN optimized by genetic algorithm for dynamic prediction of financial distress with longitudinal data streams”. Knowledge based systems, 24, 1013–1023.
Tinoco, M., Holmes, P., & Wilson, N. (2018). Polytomous response financial distress models: The role of accounting, market and macroeconomic variables. International Review of Financial Analysis, 24(2), 112-124.
Tinoco, M., Holmes, P., & Wilson, N. (2018). Polytomous response financial distress models: The role of accounting, market and macroeconomic variables. International Review of Financial Analysis, 24(2), 112-124
Tisan, A., Cirstea, M. (2013). SOM neural network design - A new Simulink library based approach targeting FPGA Mathematics and Computers in Simulation, 91, 134-149.
Vakilifard, H., Ahmadvand, M., & Sadehvand,, M. (2018). The relationship between financial distress risk and momentum anomaly in Tehran stock exchange. Financial Knowledge of Securities Analysis, 38(11), 43-55.
Wang, Z., Bian, S., Liu, Y., Liu, Z. (2013) the load characteristics classification and synthesis of substations in large area power grid. International Journal of Electrical Power & Energy Systems, 48, 71-82.
Weston J. Fred & E. Copeland, Thomas (1992), Managerial Finance, Dryden Press, 9th Edition.
Whitaker, Richard (1999), "The Early Stage of Financial Distress", Journal of Economics and Finance, Vol. 23, No. 2, PP. 123-133
Xu, X., & Wang, Y. (2009). Financial failure prediction using efficiency as a predictor. Expert Systems with Applications, 36(1), 366-373.
Yousefi, S., Shabanpour, H., Farzipoor Saen, R. (2020). Sustainable clustering of customers using capacitive artificial neural networks: A case study in Pegah Distribution Company. RAIRO-Operations Research, in press
Yousefi, S., Soltani, M., Farzipoor Saen, R., Pishvaee, M.S., )2017(. A robust fuzzy possibilistic programming for a new network GP-DEA model to evaluate sustainable supply chains. J. Clean. Prod. 166, 537–549.
Yousefi, S., Soltani, R., Bonyadi Naeini, A., & Farzipoor Saen, R. (2019). A robust hybridartificial neural network double frontier data envelopment analysis approach for assessing sustainability of power plants under uncertainty. Expert Systems, 36(5), 1-14.
