Analysis of factors affecting financial bankruptcy using a meta synthesis approach
Subject Areas : Corporate FinanceAli Lalbar 1 * , Maryam Sharifnejad 2 , Maryam Asadi 3
1 - Department of Accounting, Ar.C., Islamic Azad University, Arak, Iran.
2 - Department of Economics, Ar.C., Islamic Azad University, Arak, Iran.
3 - Department of Accounting, Ar.C., Islamic Azad University, Arak, Iran.
Keywords: Bankruptcy, Shannon entropy, Meta synthesis,
Abstract :
Purpose: In the contemporary era, the bankruptcy of major global corporations has highlighted financial distress as a highly significant issue in the field of finance. Consequently, the study of factors influencing bankruptcy from a financial perspective, along with the evaluation of bankruptcy through well-established scientific models, has become increasingly important. Therefore, the objective of the present study is to investigate the determinants of financial bankruptcy.
Methodology: To achieve this purpose, a meta-synthesis approach was applied to evaluate the results and findings of prior research (170 academic articles) conducted in 2021 (1400 in the Iranian calendar). Subsequently, using the quantitative Shannon entropy method, the weights of the factors affecting bankruptcy were determined.
Findings: The results indicate that the factors influencing bankruptcy can be categorized into four dimensions: financial, non-financial, internal, and external. Within these dimensions, 27 variables were identified. Moreover, the findings reveal that variables such as return on assets, current ratio, equity-to-total-assets ratio, and working capital-to-total-assets ratio are among the most critical determinants of corporate bankruptcy. Conversely, variables such as book value per share and inventory-to-current-liabilities ratio were ranked lowest in importance, reflecting that these factors received less attention and were less consistently repeated across the reviewed studies and models.
Originality / Value: This study suggests that investors, shareholders, and financial managers should pay special attention to the key determinants of financial bankruptcy identified herein when making financial decisions.
Abedi Jafari, A., & Amiri, M. (2019). Meta-Synthesis as a Method for Synthesizing Qualitative Researches. Methodology of Social Sciences and Humanities, 25(99), 73-87. [In Persian]
Acosta-González, E., Fernández-Rodríguez, F., & Ganga, H. (2019). Predicting corporate financial failure using macroeconomic variables and accounting data. Computational Economics, 53, 227-257.
Ahmadpour, A., Shahsavari, M., & amoozad Khalili, A. (2016). Investigation of Important Factors on Risk of Financial Bankruptcy. Empirical Studies in Financial Accounting, 13(51), 9-34. [In Persian]
Alipour, R., Sheikhi, M., & Agajani, V. (2019). The moderating effect of firm size on the relationship between capital structure and financial distress in the companies accepted in Tehran Stock Exchange. Journal of Accounting and Management Vision, 2(14), 1–18. [In Persian]
Altman, E. I., Iwanicz‐Drozdowska, M., Laitinen, E. K., & Suvas, A. (2017). Financial distress prediction in an international context: A review and empirical analysis of Altman's Z‐score model. Journal of international financial management & accounting, 28(2), 131-171.
Appiah, K. O., & Amon, C. (2017). Board audit committee and corporate insolvency. Journal of Applied Accounting Research, 18(3), 298-316.
Arab Mazar Yazdi, M., & Safar Zadeh, M. H. (2010). Investigation into the ability of financial ratios in predicting financial distress: Logit analysis. Journal of Securities Exchange, 2(8), 7–37. [In Persian]
Aragon, G. O., & Strahan, P. E. (2012). Hedge funds as liquidity providers: Evidence from the Lehman bankruptcy. Journal of Financial Economics, 103(3), 570-587.
Argenti, J. (1976). Company failure: The tell-tale signs at the top. Management Review, 65(2).
Azar, A. (2001). Development of Shannon entropy method for data processing in content analysis. Journal of Humanities of Al-Zahra University, 11(37-38), 1-18. [In Persian]
Bahiraie, A., Etemadi, K., & Gerami asl, A. (2016). Predicting Companies Financial bankruptcy Listed in Tehran Stock Exchange using ANN, ANFIS, LOGIT. New Marketing Research Journal, 6(2), 166-153. [In Persian]
Bani Mahd, B., & Akbari, R. (2010). Investigation of the association between Z’Altmans bankruptcy index and auditor change. Management Accounting, 3(6), 41–47. [In Persian]
Barboza, F., Kimura, H., & Altman, E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, 83, 405-417.
Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of accounting research, 71-111.
Biddle, G. C., Ma, M. L., & Song, F. M. (2022). Accounting conservatism and bankruptcy risk. Journal of Accounting, Auditing & Finance, 37(2), 295-323.
Brewer, B. E., Wilson, C. A., Featherstone, A. M., Harris, J. M., Erickson, K., & Hallahan, C. (2012). Measuring the financial health of US production agriculture. Journal of ASFMRA, 178-193.
Brogaard, J., & Detzel, A. (2015). The asset-pricing implications of government economic policy uncertainty. Management science, 61(1), 3-18.
Cenciarelli, V. G., Greco, G., & Allegrini, M. (2018). Does intellectual capital help predict bankruptcy?. Journal of intellectual capital, 19(2), 321-337.
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.
Christidis, A. C. Y., & Gregory, A. (2010). Some new models for financial distress prediction in the UK.
Dabagh, R., & Sheikhbeiglou, S. (2021). Bankruptcy Prediction of listed Companies in Tehran’s Stock Exchange by Artificial Neural Network (ANN) and Fulmer Model. Journal of Development and Capital, 5(2), 153-168. [In Persian]
Dadbeh, F., & Partovifar, Z. (2021). The impact of disclosure of auditor reporting on business failure. Professional Auditing Research, 1(2), 106-131. [In Persian]
Dakovic, R., Czado, C., & Berg, D. (2010). Bankruptcy prediction in Norway: a comparison study. Applied economics letters, 17(17), 1739-1746.
Dankiewicz, R., & Simionescu, M. (2020). The insurance market in Romania: A macroeconomic and a microeconomic approach. Transformations in Business & Economics, 19(1).
Du Jardin, P., & Séverin, E. (2011). Predicting corporate bankruptcy using a self-organizing map: An empirical study to improve the forecasting horizon of a financial failure model. Decision Support Systems, 51(3), 701-711.
Esmaeilzadeh Moghari, A., & Shakeri, H. (2015). Predicting financial distress of companies listed on the Tehran Stock Exchange using a naive Bayesian network and comparing it with data envelopment analysis. Financial Engineering and Portfolio Management, 6(22), 1–28. [In Persian]
Faghekarimi, S., Ohadi, F., Nikomram, H., & Royaei, R. (2022). Evaluating the Effect of Managers' Narcissism on Bankruptcy Risk Among Companies Listed on the Tehran Stock Exchange. Studia Universitatis Vasile Goldiș Arad, Seria Științe Economice, 32(2), 65-83.
Firouzian, M., Javid, D., & Najmadini, N. (2011). The Application of Genetic Algorithms in Bankruptcy Predication and the Comparison of it with Altman’s Z-model listed companies in Tehran Stocks Exchange (TSE). Accounting and Auditing Review, 18(65), 99-114. [In Persian]
Ghadiri Moghadam, A., Gholampour Fard, M. M., & Nasir Zadeh, F. (2010). Investigating the ability of Altman and Ohlson bankruptcy prediction models in predicting the bankruptcy of companies listed on the Tehran Stock Exchange. Monetary & Financial Economics, 16(28), 193–220. [In Persian]
Ghamari Moghaddam, A., Lari Dasht Bayaz, M., & Nakhaei, H. (2022). The relationship among the cash components of profit, the stability of profit and the probability of bankruptcy of companies listed in Tehran Stock Exchange. Advances in Finance and Investment, 3(8), 61-86. [In Persian]
Ghodrati, H., & Manavi Moghadam, A. H. (2010). Investigation of Bankruptcy Prediction Models) Altman, Shirata, Ahlson, Zemsky, Springer, CI Scor, Fulmer, Farajzadeh Genetics, and McCabe Genetics Models (Tehran Stock Exchange). Accounting and Auditing Research, 2(7), 128-140. [In Persian]
Haji Hashem, M., & Amir Hosseini, Z. (2019). Bankruptcy prediction and Corporate Governance: Financial Ratio Approach. Journal of Management Accounting and Auditing Knowledge, 8(30), 201-220. [In Persian]
Hajiha, Z., & Ghaem Maghami, M. (2012). Investigation on the role of conservative accounting in the reduction of company bankruptcy risk (Evidence from Iranian capital market, based on Zawgin bankruptcy model). Management Accounting, 5(13), 1–15. [In Persian]
Heydary Farahany, M., Ghayour, F., & Mansourfar, G. (2019). The effect of management behavioral strains on financial distress. Financial Accounting Research, 11(3), 117-134. [In Persian]
Holcomb, T. R., Holmes Jr, R. M., & Connelly, B. L. (2009). Making the most of what you have: Managerial ability as a source of resource value creation. Strategic management journal, 30(5), 457-485.
Hosseini, S., & Rashidi, Z. (2013). Bankruptcy Prediction of Companies listed Corporations in Tehran Stock Exchange by Using Decision Tree and Logistic Regression. Financial Accounting Research, 5(3), 105-128. [In Persian]
Hu, H., & Sathye, M. (2015). Predicting financial distress in the Hong Kong growth enterprises market from the perspective of financial sustainability. Sustainability, 7(2), 1186-1200.
Hui, K. W., Klasa, S., & Yeung, P. E. (2012). Corporate suppliers and customers and accounting conservatism. Journal of accounting and economics, 53(1-2), 115-135.
Imani, S., Tasaddi Kari, M.J. (2023). Explanation of the comprehensive pattern of bankruptcy. Advances in Finance and Investment, 4(3), 153-180. [In Persian]
Iraji Rad, A., & Dehbashi, S. (2014). Investigating some factors affecting bankruptcy. The Third National Conference on Accounting, Financial Management, and Investment, Gorgan, Iran. [In Persian]
Jencova, S., Petruska, I., Lukacova, M., & Abu-Zaid, J. (2021). Prediction of bankruptcy in non-financial corporations using neural network. Montenegrin Journal of Economics, 17(4), 123-134.
Jia, Z., Shi, Y., Yan, C., & Duygun, M. (2020). Bankruptcy prediction with financial systemic risk. The European Journal of Finance, 26(7-8), 666-690.
Karimi Pashaki, M., & Ahadzadeh Namin, M. (2022). Financial bankruptcy forecasting model with a two-tier approach in data envelopment analysis with semi-positive and negative indicators. Journal of Decisions and Operations Research, 7(4), 581-595. [In Persian]
Karimi, M., & Saifi, G. (2023). The Effect of Ownership Concentration on the Relationship between Auditor's Abnormal Fee and Bankruptcy Risk. Journal of Accounting and Management Vision, 5(71), 53-65. [In Persian]
Khajavi, S., & Amiri, F. S. (2012). Recognition of Efficient Factors Affecting in companies’ bankruptcy using TOPSIS_AHP. Empirical Studies in Financial Accounting, 10(38), 69-90. [In Persian]
Khajavi, S., & Ghadirian Arani, M. (2018). Managerial ability, financial performance, and bankruptcy risk. Journal of Accounting Knowledge, 9(1), 35–61. [In Persian]
Kim, M. J., & Kang, D. K. (2012). Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems with applications, 39(10), 9308-9314.
Kordestani, G., Tatli, R., & Kosari Far, H. (2014). The evaluate ability of Altman adjusted model to predict stages of financial distress, Newton, and bankruptcy. Journal of Investment Knowledge, 3, 83–100. [In Persian]
Landsman, W. R., Nelson, K. K., & Rountree, B. R. (2009). Auditor switches in the pre‐and post‐Enron eras: Risk or realignment?. The Accounting Review, 84(2), 531-558.
Lawshe, C. H. (1975). A Quantitative Approach to Content Validity. Personnel psychology/Berrett-Koehler Publishers.
Leng, J., Ozkan, A., Ozkan, N., & Trzeciakiewicz, A. (2021). CEO overconfidence and the probability of corporate failure: evidence from the United Kingdom. The European Journal of Finance, 27(12), 1210-1234.
Liang, D., Lu, C. C., Tsai, C. F., & Shih, G. A. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European journal of operational research, 252(2), 561-572.
Liu, L., & Zhang, T. (2015). Economic policy uncertainty and stock market volatility. Finance Research Letters, 15, 99-105.
Maggina, A. (2008). Auditors' switching: An empirical investigation. Global Journal of Business Research, 2(1).
Makian, S. N. A. D., & Karimi Takalou, S. (2009). Bankruptcy predicting of firms using artificial neural network (The case study in the province of Kerman). Journal of Quantitative Economics (Quarterly Journal of Economics Review), 6(1(20)), 129–144. [In Persian]
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]
Mehrani, S., Mehrani, K., Monsefi, Y., & Karami, G. (2005). Practical investigation of Zmijewski and Shirata bankruptcy prediction models in companies listed on the Tehran Stock Exchange. Accounting and Auditing Review, 12(3), 105-131. [In Persian]
Moradi Shahdadi, K., Anvary Rostamy, A. A., Ranjbar, M. H., & Sadeghi Sharif, S. J. (2018). Explaining impacts of intellectual capital on reducing firms’ probability of bankruptcy: Evidence from Tehran Stock Exchange. Operations Research and Management Research, 7(4), 157–159. [In Persian]
Najarpoor Hasani, M., & Khanlari, M. (2020). Predicting financial helplessness in companies listed on the Tehran Stock Exchange with emphasis on accruals and cash flows. Journal of Accounting and Management Vision, 3(24), 94-107. [In Persian]
Nazemi Ardakani, M., Zare MehrJardi, V., & Mohammadi-Nodooshan, A. (2018). A firms' bankruptcy prediction model based on selected industries by using decision trees model. Advanced Mathematical Finance, 6(2), 121–138. [In Persian]
Newton, G. W. (2009). Bankruptcy and Insolvency Accounting, Volume 1: Practice and Procedure (Vol. 1). John Wiley & Sons.
Nishihara, M., & Shibata, T. (2021). The effects of asset liquidity on dynamic sell-out and bankruptcy decisions. European Journal of Operational Research, 288(3), 1017-1035.
Olson, D. L., Delen, D., & Meng, Y. (2012). Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52(2), 464-473.
Pasternak-Malicka, M., Ostrowska-Dankiewicz, A., & Dankiewicz, R. (2021). Bankruptcy-an assessment of the phenomenon in the small and medium-sized enterprise sector-case of Poland. Polish journal of management studies, 24(1), 250-267.
Pastor, L., & Veronesi, P. (2012). Uncertainty about government policy and stock prices. The journal of Finance, 67(4), 1219-1264.
Pindado, J., Rodrigues, L., & De la Torre, C. (2008). Estimating financial distress likelihood. Journal of Business Research, 61(9), 995-1003.
Premachandra, I. M., Chen, Y., & Watson, J. (2011). DEA as a tool for predicting corporate failure and success: A case of bankruptcy assessment. Omega, 39(6), 620-626.
Raei, R., & Fallahpour, S. (2009). Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios. Accounting and Auditing Review, 15(4), 17-34. [In Persian]
Rafiei, F. M., 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.
Rahimian, N., Salehirad, M., & Mohammadi, H. (2010). The Relationship between Accounting Conservatism and Bankruptcy Risk in TSE'S Listed Companies. Empirical Studies in Financial Accounting, 8(30), 127-149. [In Persian]
Rinofah, R., Kusumawardhani, R., & Putri, V. A. M. (2022). Factors affecting potential company bankruptcy during the covid-19 pandemic. Jurnal Keuangan dan Perbankan, 26(1), 208-228.
Robinson, D., Robinson, M., & Sisneros, C. (2012). Bankruptcy outcomes: Does the board matter?. Advances in accounting, 28(2), 270-278.
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. Monetary & Financial Economics, 21(8), 107-127. [In Persian]
Saghafi, A., & Motamedi Fazel, M. (2014). Investigate of the Relation between Accounting Conservatism (Unconditional and Conditional) and Bankruptcy Risk. Financial Accounting Research, 6(2), 1-16. [In Persian]
Sandelowski, M., & Barroso, J. (2003). Toward a metasynthesis of qualitative findings on motherhood in HIV‐positive women. Research in nursing & health, 26(2), 153-170.
Serrano-Cinca, C., Gutiérrez-Nieto, B., & Bernate-Valbuena, M. (2019). The use of accounting anomalies indicators to predict business failure. European Management Journal, 37(3), 353-375.
Setyesh, M. H., & Rahimi, M. (2023). The impact of accounting information quality and monetary policy on bankruptcy prediction. Judgment and Decision Making in Accounting, 2(5), 1-38. [In Persian]
Sousa, A. M. J., Braga, A. C., & Cunha, J. (2022). Impact of macroeconomic indicators on bankruptcy prediction models: Case of the Portuguese construction sector.
Stolbov, M., & Shchepeleva, M. (2020). Systemic risk, economic policy uncertainty and firm bankruptcies: Evidence from multivariate causal inference. Research in International Business and Finance, 52, 101172.
Sun, J., Jia, M. Y., & Li, H. (2011). AdaBoost ensemble for financial distress prediction: An empirical comparison with data from Chinese listed companies. Expert systems with applications, 38(8), 9305-9312.
Taj mazinani, M., Fallahpour, S., & Bajalan, S. (2015). The Use of Feature Selection Method (HARC) in Predicting Financial Distress in Tehran Stock Exchange. Financial Management Strategy, 3(2), 77-106. [In Persian]
Thahir Abdul Nasser, A., Abdul Wahid, E., Nazatul Faiza Syed Mustapha Nazri, S., & Hudaib, M. (2006). Auditor‐client relationship: the case of audit tenure and auditor switching in Malaysia. Managerial Auditing Journal, 21(7), 724-737.
Tinoco, M. H., & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International review of financial analysis, 30, 394-419.
Vaghfi, S. H. (2019). Using artificial intelligence algorithm in Financial Bankruptcy by Macro-economic and Accounting variables in listed companies for stock exchange in Tehran. Journal of Decisions and Operations Research, 4(2), 158-173. [In Persian]
Wing, Y., Fanny, H., Law, E., & Fung, L. (2003). An Analysis of the financial health of Hong Kong corporations. Retrieved Augost, 1, 2019.
Zahmatkesh, J., Taftiyan, A., Moeinadin, M., & Nezarat, A. (2023). Systematic review of bankruptcy prediction models. Advances in Finance and Investment, 4(4), 117-144. [In Persian]
Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting research, 59-82.
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), 136-142.
Journal of Advances in Finance and Investment Volume 6, Issue 2, 2025 pp. 31-64. Paper type: Research paper
|
Analysis of factors affecting financial bankruptcy using a meta synthesis approach
Ali Lalbar1, Maryam Sharifnejad2, Maryam Asadi3
Received: 06/11/2023 Accepted: 23/06/2025
Extended Abstract
Introduction
Bankruptcy is a complication that is inextricably linked to the modern market economy. Every action, including the action taken in the economic sphere, is aimed at achieving certain results. But economic activity is often accompanied by uncertainties associated with risk, which It is difficult to detect and can cause a crisis in a company. Underestimating or not recognizing such critical conditions in the organization or adopting an inappropriate strategy may lead to a crisis that is a prelude and basis for economic bankruptcy (Pasternak-Malicka et al., 2021).
Not knowing the variables affecting bankruptcy leads to problems in its prediction. By knowing the main and effective factors in bankruptcy, it is possible to predict the financial crisis in the company and to think about its control and reconsider. The importance of this issue has encouraged managers, creditors, researchers and other people to study the causes of corporate bankruptcy. In this regard, they either use the experience and researches of others or select some factors from among different and important variables. The problem is the existence of many effective variables in bankruptcy and the recognition of each of these effective variables. Researchers are facing a lot of problems in order to correctly choose the effective and important variables on bankruptcy. For example, a corporate manager pays attention to the factor of liquidity ratios and believes that proper liquidity ratios prevent the company from going bankrupt. While another manager states that debt ratios are the main cause of corporate bankruptcy. This difference of opinion affects the long-term and medium-term plans of the company, and this is due to the lack of proper ranking of bankruptcy factors. Determining the exact cause or causes of bankruptcy and financial problems in each specific case is not an easy task. In most cases, several reasons lead to bankruptcy.
In addition to this, to avoid huge losses caused by bankruptcy, it is necessary to conduct scientific research and extensive studies in this field.
Based on the studies conducted, no research has been found that examines the factors affecting financial bankruptcy using a Meta synthesis approach, so this research intends to fill this research gap.
Literature Review
The word "bankruptcy" has Italian roots and is related to the Middle Ages. This term is derived from the word "broken bench". Breaking the bench was an Italian custom and related to the destruction of the position of a merchant who did not pay his obligations (Pasternak-Malicka et al., 2021).
Bankruptcy may occur in a small retail shop that is unable to pay its rent obligation and therefore closes, or in a large manufacturing company due to lack of adequate liquidity and continuous annual losses (Setyesh and Rahimi, 2023).
The topic of bankruptcy has been the subject of attention of science and business enterprises for more than half a century due to the high economic and social costs of economic units. The first research on this macro-scale complication was started by Edward Altman, who was the first to identify a set of macroeconomic variables that are strongly related to the causes of corporate bankruptcy (Jenkova et al., 2021).
In scientific publications, the term bankruptcy is often used alongside the word helplessness. Using these two terms interchangeably is not always completely acceptable, so it is necessary to distinguish them (Dankiewicz and Simionescu, 2020). Financial helplessness refers to a situation where the company is not able to fulfil its obligations towards financial providers completely or when it faces problems in fulfilling these obligations.
Argenti (1976) is one of the first people who conducted a comprehensive study on bankruptcy. He investigated and analyses the possible causes of bankruptcy that were presented by other researchers. Beaver (1966) proposed the intuitive theory of financial ratio analysis.
Zmijewski (1984) presented a model with 92% accuracy for the financial health of companies through the performance of financial ratios and liquidity. A review of studies by Rinofah et al. (2022), Wing et al. (2003), Brewer et al. (2012), Vaghfi (2019), Raei and Falahpour (2009), Esmaeilzadeh Moghari and Shakeri (2015); Pindado et al. (2008); Chen (2011); Sun et al. (2011), Rafiei et al. (2011); Hu and Sathye (2015) and Zohra et al. (2015) show that financial ratios can be used as a tool to determine financial health and predict financial bankruptcy.
Researchers are also trying to discover the external effective factors in company bankruptcy, and in this regard, they pay more attention to macroeconomic variables. For example, Christidis and Gregory (2010) found that the power of predicting bankruptcy can be increased by combining macroeconomic and accounting variables. Tinoco and Wilson (2013) found that adding macroeconomic data to a model is beneficial in terms of statistical validity. They presented models that can combine company-specific data and macroeconomic data to predict corporate bankruptcy. Empirical studies also prove that the uncertainty of economic policies is an important factor for the existence of risk (Brogaard and Detzel, 2015) and the increase of market volatility (Liu and Zhang, 2015). On the other hand, high uncertainty strengthens behavioural biases and speculative prices are affected by short-term limitations. In fact, the cause-and-effect relationship between systematic risk and company bankruptcy may be caused by the simultaneous effect of the third variable called the uncertainty of economic policies; Because this uncertainty affects the behaviour of all economic factors, including businesses and financial intermediaries (Stolbov and Shchepeleva, 2020). As Pasteur and Veronsi (2012) state, according to theory, in periods when economic policies are associated with high uncertainty, due to the existence of risk, investors want higher expected returns in order to hold stocks; Therefore, stock prices should decrease so that the required rate of return increases when the uncertainty of economic policies increases.
Research Methodology
Since the general purpose of this research is to identify the factors affecting financial bankruptcy, the method of this research is mixed exploratory with an emphasis on qualitative data. In this research, the qualitative approach was first followed by the quantitative approach. In order to solve the research problem in the qualitative part, the Meta synthesis approach was used, and then in the quantitative part, Shannon's entropy method was used to determine the influence factor of the identified factors. In the current research, the statistical community of experts in the field of accounting and financial management consists of university professors in the fields of accounting and financial management, who were selected by the available random method during the year 2021.
Results
In the current research, 27 factors affecting bankruptcy were identified and given to 18 professors and experts. After that, the results were prioritized using Shannon's entropy method. In this method, the greater the weight of an index, the more important that index is.
The indicators of asset return, current ratio, ratio of equity to total assets and working capital to total assets with a weight of 0.075 have had a greater impact on the financial bankruptcy of companies than other indicators. Also, factors such as debt to asset ratio, cash to total assets and conservatism with weights of 0.071 respectively; 0.070 and 0.054 have occupied the next ranks. Finally, factors such as the book value of each share and the inventory of goods to the current debt with a weight of 0.012 have been assigned the lowest weight and the lowest rank.
Discussion and Conclusion
In this research, the following two questions were answered by the meta synthesis and Shannon entropy method: What are the factors affecting financial bankruptcy? What is the prioritization of factors affecting financial bankruptcy? The results of this research indicate that the main factors affecting financial bankruptcy can be divided into four categories: Financial, non-financial, internal and external factors.
Financial factors include variables of current ratio, debt to total assets, ratio of equity to total assets, working capital to total assets, cash to total assets, inventory to current liabilities, book value of each share, return on assets, Profit per share is the turnover of assets. Non-financial factors include intellectual capital, company life, type of industry, company size, narcissism, overconfidence, conservatism and ability of managers. Internal factors include indicators of board size, board independence, auditor change, ownership concentration, institutional ownership and the ratio of managers' ownership. Indicators of per capita income, economic growth, inflation rate are classified as external factors.
The results show that financial, non-financial, internal and external factors all have the ability to predict the bankruptcy of companies. Therefore, the characteristics of the mentioned factors contain acceptable information about the success of a company. In line with these results, Beaver (1966) states in the analysis of the theory of financial ratios that the company is the source of cash assets. A resource that increases with cash inflows and decreases with cash outflows. The possibility of emptying the source leads to the possibility of bankruptcy. The connection between this concept and the analysis of ratios requires looking at the size of the source (the bigger the source, the lower the probability of bankruptcy and liquidity crisis), the net cash flows from operational activities into the source (the bigger the source, the lower the probability of bankruptcy) and the amount of debt of the company (the more, the higher the probability of bankruptcy).
Studies show that the variable of financial ratios can help in diagnosing the financial health and bankruptcy of a company more than other factors. The research of Wing et al. (2003), Brewer et al. (2012), Raei and Falahpour (2009), Imani and Tasaddi Kari (2023), Karimi Pashaki and Ahadzadeh Naminm (2022), Esmaeilzadeh Moghari and Shakeri (2015), Pindad et al. (2008), Chen (2011), Sun et al. (2011), Hu and Sathye (2015) and Zohra et al. (2015) confirmed this.
Christidis and Gregory (2010) who found that inflation rate and interest rate can increase the power of predicting bankruptcy. Tinoco and Wilson (2013) found that adding macroeconomic data to a credit model is progressively useful and presented models that incorporate firm-specific data (internal factor) and macroeconomic data (external factor) in forecasting. Corporate bankruptcies combine; all are in line with the results of the present study.
The results of Shannon's entropy test show that the indicators of return on assets, current ratio, ratio of equity to total assets and working capital to total assets have a greater impact on the financial bankruptcy of companies than other indicators. Factors such as the book value of each share and inventory to current liabilities have been assigned the lowest rank. This means that among the various models and researches examined, attention to these issues and their reproducibility have been less.
Due to the high capability of financial variables in predicting bankruptcy, financial ratios have appropriate characteristics and are considered a better indicator for predicting bankruptcy. In the financial field, the company reaches the stage of financial helplessness when it has problems in fulfilling its obligations to lenders. The company's debts may be used to finance its operations, but by doing so, it will be more exposed to the risk of financial helplessness, and if the financial helplessness is not treated, it will turn into bankruptcy.
The findings of the present study are consistent with the research of Liang et al. (2016), Kim and Kang (2012) and Bahiraie et al. (2016).
It is suggested that investors should pay more attention to the variables of the current study, which are more important in predicting financial bankruptcy, in order to make correct and rational financial decisions. In different situations, make the right and wise choice and avoid emotional and reckless decisions.
Conflict of Interest
The authors of this article declared no conflict of interest regarding the authorship or publication of this article.
Keywords: Bankruptcy, Shannon entropy, Meta synthesis.
JEL Classification: G33, C19, C18.
پیشرفتهای مالی و سرمایهگذاری
سال ششم، تابستان 1404 - شماره 2
صفحات 64-31
نوع مقاله: پژوهشی
واکاوی عوامل مؤثر بر ورشکستگی مالی با رویکرد فراترکیب
علی لعل بار4، مریم شریف نژاد5، مریم اسدی6
تاریخ دریافت: 15/08/1402 تاریخ پذیرش: 02/04/1404
چکیده
هدف: در عصر حاضر ورشکستگی شرکتهای بزرگ جهان باعث شده ورشکستگی مالی بهعنوان موضوعی بسیار مهم در حوزه مالی مطرح و مطالعه علل مؤثر در ورشکستگی از نگاه مالی و همچنین ارزیابی ورشکستگی به کمک الگوهای متداول علمی بسیار برجسته گردد. بنابراین هدف مطالعه حاضر واکاوی عوامل مؤثر بر ورشکستگی مالی است.
روششناسی پژوهش: به این منظور با استفاده از رویکرد فراترکیب نتایج و یافتههای پژوهشهای پیشین (170 مقاله علمی) در سال 1400 مورد ارزیابی قرارگرفت. سپس با استفاده از روش کمی آنتروپی شانون ضرایب عوامل مؤثر بر ورشکستگی تعیین گردید.
یافتهها: نتایج تحقیق حاضر حاکی از آن است که میتوان عوامل مؤثر بر ورشکستگی را براساس چهار بعد یعنی عوامل مالی، عوامل غیرمالی، عوامل داخلی و عوامل خارجی دستهبندی و در قالب 27 متغیر شناسایی نمود. از طرفی این تحقیق گویای این حقیقت است که متغیرهایی مثل بازده دارایی، نسبت جاری، نسبت حقوق صاحبان سهام به کل دارایی و نسبت سرمایه در گردش به مجموع دارایی از مهمترین عوامل مؤثر بر ورشکستگی شرکتها میباشند. در حالیکه عواملی نظیر ارزش دفتری هر سهم و موجودی کالا به بدهی جاری پایینترین رتبه را از نظر اهمیت به خود اختصاص دادهاند. یعنی در بین مدلها و پژوهشهای مختلف مورد مطالعه، توجه به عوامل و تکرارپذیری این متغیرها کمتر است.
اصالت / ارزشافزوده علمی: بنابراین به سرمایهگذاران، سهامداران و مدیران مالی مؤسسات پیشنهاد میگردد در تصمیمات مالی خود به عواملی مؤثر در وقوع ورشکستگی مالی که در این تحقیق شناسایی شده توجه ویژه داشته باشند.
کلیدواژهها: آنتروپی شانون، فراترکیب، ورشکستگی.
طبقهبندی موضوعی: G33, C19, C18.
1- مقدمه
ورشکستگی عارضهای است که به طور جدایی ناپذیر با اقتصاد بازار مدرن مرتبط است. هر اقدامی، از جمله اقدامی که در حوزه اقتصادی انجام میشود، با هدف دستیابی به نتایج خاصی است. اما فعالیت اقتصادی اغلب با نااطمینان مرتبط با ریسک همراه است که تشخیص آن دشوار است و میتواند باعث ایجاد بحران در یک شرکت شود. دست کم گرفتن یا نشناختن چنین شرایط بحرانی در سازمان و یا اتخاذ استراتژی نامناسب ممکن است منجر به بحرانی گردد که مقدمه و مبنایی برای ورشکستگی اقتصادی باشد (Pasternak-Malicka et al., 2021). یکی از دلایل شکست تجاری از واکنش نشان دادن مدیران در موقعیتهای خاص و نه واکنش نامناسب آنها نشات میگیرد (Ghamari Moghaddam et al., 2022).
رقابت شدید بنگاههای اقتصادی، تغییرات سریع تکنولوژی و جهانگرایی، موضوع درماندگی مالی و ورشکستگی بنگاهها را به مسئله مهم در حوزه مالی و سرمایهگذاری تبدیل کرده و توجه کنشگران بخش مالی اعم از تأمینکنندگان، وامدهندگان، سرمایهگذاران، شرکای تجاری و دولتها را به خود جلب نموده است (Moradi Shahdadi et al., 2018).
عدم شناخت متغیرهای اثرگذار بر ورشکستگی منجر به ایجاد مشکلات در پیشبینی آن میگردد. با شناخت عوامل اصلی و اثرگذار در ورشکستگی میتوان بحران مالی در بنگاه را پیشبینی و در خصوص کنترل آن چاره اندیشی و تجدید نظر نمود. اهمیت این موضوع مدیران، بستانکاران، پژوهشگران و دیگر افراد را ترغیب کرده تا به مطالعه علل ورشکستگی بنگاهها بپردازند. در این راستا یا از تجربه و پژوهشهای سایرین استفاده میکنند و یا به دلخواه بعضی از عوامل را از میان متغیرهای مختلف و مهم گزینش میکنند. مشکل، وجود متغیرهای بسیار زیاد مؤثر در ورشکستگی و شناخت تک تک این متغیرهای اثرگذار است. محققین جهت انتخاب درست متغیرهای مؤثر و مهم بر ورشکستگی با مشکلات فراوانی روبرو هستند. بهعنوان مثال مدیر شرکتی توجه خود را به عامل نسبتهای نقدینگی معطوف میکند و معتقد است نسبتهای نقدینگی مناسب، مانع از ورشکستگی شرکت میشود. در حالی که مدیر دیگری نسبتهای بدهی را عامل اصلی ورشکستگی شرکتها بیان میکند. این اختلاف نظر، در برنامههای بلندمدت و میانمدت بنگاه اثر میگذارد و این امر به دلیل نبود رتبهبندی مناسب از عوامل ورشکستگی است. تعیین دلیل یا دلایل دقیق ورشکستگی و مشکلات مالی در هر مورد خاص کار آسانی نیست. در اغلب موارد دلایل متعددی با هم منجر به پدیده ورشکستگی میشود.
علاوه بر این جهت پرهیز از زیانهای هنگفتی که به دلیل ورشکستگی ایجاد میگردد، انجام تحقیقات علمی و مطالعات گسترده در این زمینه، امری ضروری است. بنابراین، بررسی علل ایجاد ورشکستگی از دیدگاه مالی و مهمتر از آن ارزیابی ورشکستگی به کمک الگوهای پیشبینی ورشکستگی با بیشترین دقت اهمیت زیادی دارد (Nazemi Ardakani et al., 2018).
بنابراین، مطالعه حاضر در نظر دارد از طریق تجزیهوتحلیل اطلاعات واقعی دریافت شده به شناسایی و رتبهبندی عوامل مؤثر بر ورشکستگی مالی بپردازد. بر اساس مطالعات انجام شده در حال حاضر پژوهشی که به بر رسی عوامل مؤثر بر ورشکستگی مالی با استفاده از رویکرد فراترکیب (متاسنتز7) بپردازد یافت نشده، لذا این تحقیق در نظر دارد این شکاف تحقیقاتی را پر کند. در ادامه، ادبیات موضوع شامل پیشینه پژوهش و مبانی نظری در بخش دوم، روششناسی تحقیق در بخش سوم، نتایج برآورد مدل در بخش چهارم و نهایتاً نتیجهگیری در بخش پنجم ارائه میگردد.
2- مبانی نظری و پیشینه پژوهش
کلمه "ورشکستگی" ریشهای ایتالیای داشته و مربوط به قرونوسطا است. این اصطلاح از کلمه "نیمکت شکسته8" گرفته شده است. شکستن نیمکت یک رسم ایتالیایی بود و مربوط به تخریب جایگاه تاجری بود که تعهدات خود را پرداخت نمیکرد (Pasternak-Malicka et al., 2021).
ورشکستگی ممکن است در یك مغازه خردهفروشی کوچك که توان پرداخت تعهد اجارهاش را ندارد و به همین دلیل بسته میشود و یا در یك شرکت بزرگ تولیدی، به دلیل نداشتن نقدینگی مناسب و زیانهای پیوسته سالیانه، رخ دهد (Setyesh and Rahimi, 2023).
موضوع ورشکستگی بیش از نیمقرن است که به دلیل هزینههای بالای اقتصادی و اجتماعی واحدهای اقتصادی، موضوع موردتوجه علم و بنگاههای تجاری بوده است.اولین تحقیق روی این عارضه در مقیاس کلان توسط ادوارد آلتمن9 آغاز شد که اولین کسی بود که مجموعهای از متغیرهای کلان اقتصادی که بهشدت با علل ورشکستگی شرکتها مرتبط بودند را شناسایی کرد (Jencova et al., 2021).
در نشریات علمی، اصطلاح ورشکستگی اغلب در کنار کلمه درماندگی به کار میرود. استفاده از این دو اصطلاح به صورت جایگزین همیشه به طور کامل قابل قبول نیست، بنابراین لازم است آنها را از هم متمایز کرد (Dankiewicz and Simionescu, 2020). درماندگی مالی به شرایطی گفته میشود که بنگاه قادر به انجام تعهدات خود در قبال تأمینکنندگان مالی به طور کامل نباشد یا زمان عمل به این تعهدات با مشکل مواجه شود. درماندگی مالی امکان دارد به ورشکستگی تبدیل گردد. ازاینرو یافتن راهکاری که قادر باشد درماندگی مالی را قبل از رسیدن به مرحله ورشکستگی پیشبینی کند، اهمیت بسیار دارد. معمولا سرمایهگذاران جهت اجتناب از ضایع شدن اصل و فرع سرمایه، در جستجوی راهکاری هستند که وضعیت مالی بنگاه را قبل از رسیدن به مرحله ورشکستگی، یعنی در مرحله درماندگی، پیشبینی کنند. زیرا درماندگی مالی هزینههای زیادی را بر بنگاه، سهامداران، اعتباردهندگان و همچنین بر کل اقتصاد تحمیل میکند. البته تشخیص درماندگی مالی و پیشبینی آن، حتما مانع حرکت بنگاه به سمت ورشکستگی نمیشود، بلکه نجات شرکت شدیداً متأثر از مجموعه ای از راهکارهایی است که مدیریت جهت حل مسائل در مرحله درماندگی مالی اتخاذ میکند (Mehrani et al., 2017).
وضعیت بنگاههای اقتصادی یکدفعه و غیرمنتظره به مرحله ورشکستگی نمیرسد. فرایند نامطلوب شدن وضع مالی بنگاه تا رسیدن به ورشکستگی دارای پنج مرحله شامل نهفتگی، کسری وجه نقد، نبود قدرت پرداخت دیون مالی، نبود قدرت پرداخت دیون کامل و در نهایت ورشکستگی است (Newton, 2009).
در مرحله اول که نهفتگی نام دارد، ممکن است یک یا چند وضعیت نامطلوب ناپیدا براي بنگاه اقتصادی وجود داشته باشد، بدون اینکه فوراً قابلشناسایی باشد. غالباً در مرحله نهفتگی زیان اقتصادي رخداده و بازده داراییها کاهش مییابد. اگر بنگاه بتواند در این مرحله مشکل را شناسایی کند در بهترین حالت خواهد بود.
زمانی که بنگاه تجاري براي اولینبار نتواند براي ایفاي تعهدات جاري یا نیاز فوري خود دسترسی به وجه نقد داشته باشد میگویند بنگاه وارد مرحله کسري وجه نقد شده است. گرچه ممکن است چندبرابر نیازش داراییهاي فیزیکی داشته و سابقه سودآوري مکفی نیز داشته باشد. چراکه احتمالاً داراییها بهقدر کافی قابل نقد شدن نیستند.
در مرحله عدم قدرت پرداخت دیون مالی، مدیریت ممکن است با استفاده از افراد حرفهای در بخش مالی یا تجاري، کمیته اعتباردهنده و تجدیدنظر در ساختار مالی، مشکل را شناسایی و برطرف کند. در غیر این صورت کل بدهیها بر ارزش داراییهاي شرکت فزونی کرده و بنگاه به مرحله نداشتن قدرت پرداخت دیون به طور کامل و سپس به مرحله ورشکستگی خواهد رسید.
لازم به ذکر است که درماندگی مالی، قبل از ورشکستگی قرار میگیرد و به مراحل دوره نهفتگی، دوره کسري وجه نقد و عدم توانایی در پرداخت دیون مالی یا تجاري، دوره عدم قدرت پرداخت دیون کامل، اطلاق و تقسیم میگردد (Kordestani et al., 2014). بر اساس مطالب فوق میتوان فرآیند و مراحل رسیدن به ورشکستگی را در نمودار (1) نمایش داد.
نمودار (1) فرایند رسیدن به ورشکستگی مالی
Diagram (1) The bankruptcy process
آرجنتی (Argenti, 1976) از اولین افرادی است كه مطالعة جامعی در خصوص ورشكستگی انجام داد. او علل بالقوة ورشكستگی را كه به وسیلة سایر محققین ارائه شده بود، بررسی و تحلیل نمود. بیور (Beaver, 1966) تئوری شهودی تحلیل نسبتهای مالی را مطرح كرد. بیور بیان کرد شركت منبعی از داراییهای نقدی سیال است. منبعی كه با ورود جریانهای نقدی افزایش و با خروج جریانهای نقدی كاهش مییابد. احتمال خالی شدن مخزن داراییها نشاندهندة احتمال ورشكستگی است. ارتباط این مفهوم و تجزیهوتحلیل نسبتهای مالی نیازمند بررسی اندازة مخزن داراییها، خالص جریانهای نقدی و میزان بدهی شركت است. چراکه هرچه اندازة مخزن داراییها بزرگتر، احتمال ورشكستگی و بحران نقدینگی كمتر، هر چه خالص جریانهای نقدی ناشی از فعالیتهای عملیاتی به درون مخزن بزرگتر، احتمال ورشكستگی كمتر و نهایتاً هرچه میزان بدهی شركت بیشتر، احتمال ورشكستگی بیشتر خواهد بود. قدرت سودآوری و تداوم فعالیت بنگاه اقتصادی که بیانگر سلامت مالی است، برای سهامداران و همچنین ذینفعان، اهمیت زیادی دارد. تمامی ذینفعان تمایل دارند ابزاری جهت پیشبینی و ارزیابی تداوم فعالیت و سودآوری واحد تجاری خود داشته باشند. از طرفی تنها منبع اطلاعاتی مشترك، در اختیار ذینفعان، صورتهای مالی است. اما گزارشهای مالی نمیتواند به وضوح منعکسکننده قدرت سودآوری و تداوم فعالیت بنگاه در آینده باشد. بنابراین باید در حوزههای عملیاتی، حسابداری، بازاریابی و مالی به ارزیابی عملکرد شرکتها نیز پرداخت. نسبتهای مالی که شاخصی از نقدینگی و توان سودآوری بنگاه هستند، از عوامل درون سازمانی و یکی از مهمترین ابزارها جهت اندازهگیری عملکرد، سلامت مالی و پیشبینی ورشکستگی شرکتها محسوب میشوند. مثل نسبت سودآوری که وضعیت مالی بنگاه را اندازهگیری میکند.
زمیجویسکی (Zmijewski, 1984) از طریق عملکرد نسبتهای مالی و نقدینگی، الگویی با دقت 92 درصد برای سلامت مالی شرکتها ارائه نمود. مروری بر مطالعات رینوفاه و همکاران (Rinofah et al., 2022)، وینگ و همکاران (Wing et al., 2003) و بروئر و همکاران (Brewer et al., 2012)، وقفی (Vaghfi, 2019)، راعی و فلاحپور (Raei and Falahpour, 2009)، ایمانی و تصدیکاری (Imani and Tasaddi Kari, 2023)، کریمی پاشاکی و احدزاده نمین (Karimi Pashaki and Ahadzadeh Naminm, 2022)، اسماعیلزاده مقری و شاکری (Esmaeilzadeh Moghari and Shakeri, 2015)؛ پیندادو و همکاران (Pindado et al., 2008)؛ چن (Chen, 2011)؛ سان و همکاران (Sun et al., 2011) رفیعی و همکاران (Rafiei et al., 2011)؛ هو و ساتی (Hu and Sathye, 2015) و زُهرا و همکاران (Zohra et al., 2015) نشان میدهند نسبتهای مالی میتوانند بهعنوان ابزاری جهت مشخص نمودن سلامت مالی و پیشبینی ورشکستگی مالی بکار روند.
محققان همچنین در تلاش هستند تا عوامل مؤثر بیرونی در ورشکستگی شرکت را کشف کنند و در این راستا بیشتر بر متغیرهای کلان اقتصادی توجه میکنند. مثلاً کریستیدیس و گرگوری (Christidis and Gregory, 2010) دریافتند با ترکیب متغیرهای متغیرهای کلان اقتصادی و حسابداری میتوان قدرت پیشبینی ورشكستگی را بالا برد. تینوكو و ویلسون (Tinoco and Wilson, 2013) دریافتند كه اضافه كردن دادههای كلان اقتصادی به یك مدل از نظر اعتبار آماری مفید است. آنها مدلهایی را ارائه نمودند که قابلیت ترکیب دادههای خاص شرکت و دادههای کلان اقتصادی را جهت پیشبینی ورشکستگی شرکتها داشته باشد. سوسا و همکاران (Sousa et al., 2022) بیان کردند که باتوجهبه شاخصهای کلان اقتصادی، تولید ناخالص داخلی و نرخ زاد و ولد بنگاهها بیش از استفاده از عوامل خرد اقتصادی، دقت پیشبینی ورشکستگی را افزایش میدهد. مطالعات تجربی همچنین ثابت میکند که نااطمینانی سیاستهای اقتصادی عامل مهمی برای وجود ریسک (Brogaard and Detzel, 2015) و افزایش نوسانات بازار است (Liu and Zhang, 2015). از طرفی نااطمینانی زیاد تعصبات رفتاری را تقویت و قیمتهای سوداگرانهای را تحتتأثیر محدودیتهای کوتاهمدت قرار میدهد. در واقع ارتباط علت و معلولی بین ریسک سیستماتیک و ورشکستگی شرکت ممکن است ناشی از تأثیر همزمان متغیر سوم به نام نااطمینانی سیاستهای اقتصادی باشد؛ زیرا این نااطمینانی بر رفتار همه عوامل اقتصادی از جمله مشاغل و واسطههای مالی تأثیر میگذارد (Stolbov and Shchepeleva, 2020). بطوریکه پاستور و ورونسی (Pastor and Veronesi, 2012) بیان میکنند طبق تئوری، در دورههایی که سیاستهای اقتصادی با نااطمینانی بالایی همراه هستند، به دلیل وجود ریسک، سرمایهگذاران جهت نگهداری سهام، خواهان بازده مورد انتظار بیشتری هستند؛ بنابراین باید قیمت سهام کاهش یابد تا هنگام افزایش نااطمینانی سیاستهای اقتصادی، نرخ بازده مورد نیاز بالاتر گردد.
ورشکستگی شرایطی است که در آن بنگاه برای حصول منابع مالی لازم جهت ادامه کسبوکار خود درمانده است. مطالعات انجام شده در حوزه پیشبینی درماندگی مالی نشان میدهد که اکثر محققین، شاخصهای ورشکستگی را بهعنوان درماندگی در نظر گرفته و با ارائه الگوهای مختلف به پیشبینی آن پرداختهاند. جهت آشنایی با جنبههای مختلف این موضوع، در ادامه تعدادی از تحقیقات انجام شده در این زمینه بررسی خواهد شد.
چنچیارلی و همکاران (Cenciarelli et al., 2018) جهت پاسخ به این سؤال که آیا سرمایه فکری به پیشبینی ورشکستگی کمک میکند؟ از روش ضریب ارزشافزوده فکری پالیک (VAIC) و دادههای شرکتهای دولتی ایالات متحده، طی دوره زمانی 1985 تا 2015 استفاده و دریافت که عملکرد سرمایه فکری تأثیر منفی بر احتمال ورشکستگی دارد. همچنین یافتههای آنها نشان میدهد که مدلهای پیشبینی ورشکستگی که شامل سرمایه فکری است توانایی پیشبینی برتری نسبت به سایر مدلهای استاندارد پیشبینی ورشکستگی دارند.
جیا و همکاران (Jia et al., 2020) در مطالعه خود تحت «پیشبینی ورشکستگی با ریسک سیستماتیک مالی» به بررسی ارزش اقدامات مختلف ریسک مالی سیستماتیک در پیشبینی ورشکستگی شرکتها در شرکتهای غیرمالی آمریکایی، از سال 2000 تا 2016 پرداخته و دریافتند که ریسک سیستم مالی به طور فزایندهای در پیشبینی شکست شرکتی فراتر از پیشبینیهای عوامل سنتی مبتنی بر حسابداری و مبتنی بر بازار مفید است. بیان میکنند که نتایج زمانی قویتر است که شرکت موردنظر دارای نوسانات سهام بالاتر نسبت به نوسانات بخش مالی، اندازه کوچکتر نسبت به بازار و بدهیهای بیشتر در بدهیهای جاری داشته باشد.
آکوستا-گونزالز و همکاران (Acosta-González et al., 2019)، در تحقیق خود به «پیشبینی شکست مالی شرکت با استفاده از متغیرهای کلان اقتصادی و دادههای حسابداری» در شرکتهای بورسی اسپانیا، طی دوره زمانی 1995 تا 2011 پرداختند. نتایج این تحقیق نشان میدهد پدیده ورشکستگی را نمیتوان بدون اشاره به متغیرهای کلان اقتصادی توضیح داد. در الگوی اقتصادسنجی که ترکیبی از متغیرهای کلان اقتصادی و متغیرهای حسابداری وجود دارد توان پیشبینی درماندگی مالی شرکت بالاتر است.
لیانگ و همکاران (Liang et al., 2016)، در مطالعهای با عنوان «نسبتهای مالی و شاخصهای حاکمیت شرکتی در پیشبینی ورشکستگی: یک مطالعه جامع» هفت دسته مختلف نسبتهای مالی و پنج دسته شاخصهای حاکمیت شرکتی را ترکیب و با استفاده از دادههای تایوان به این نتیجه رسیدند که در گروه متغیرهای نسبتهای مالی، پرداخت بدهی و سودآوری و در بین متغیرهای حاکمیت شرکتی، ساختار هیئتمدیره و ساختار مالکیت، مهمترین متغیرها در پیشبینی ورشکستگی هستند.
سرانو-سینکا و همکاران (Serrano-Cinca et al., 2019)، در پژوهش با عنوان «استفاده از شاخصهای ناهنجاری حسابداری برای پیشبینی شکست شرکت» از تعدادی متغیر مالی که نشاندهنده ناهنجاری مالی است، جهت پیشبینی ورشکستگی شرکتها استفاده میکند. این نسبتهای مالی سعی میکنند ارقام استهلاک غیرعادی، دریافتنیهای اغراقآمیز یا شرایط مالی رو به وخامت قبل از شیوههای حسابداری ناهنجار را شناسایی کنند. جامعه آماری این مطالعه شرکتهای دولتی و خصوصی اروپایی، برای دوره زمانی 2012-2016 و از طریق رگرسیون لجستیک و درخت تصمیم انجام شده است. نتایج این مطالعه حاکی از تأثیر خاص شاخص ناهنجاری حسابداری محاسبه شده این تحقیق بر پیشبینی ورشکستگی شرکت، بخصوص شرکتهای خصوصی است.
اپیا و آمون (Appiah and Amon, 2017)، در پژوهشی با عنوان «کمیته حسابرسی و ورشکستگی شرکتها» متغیرهای تأثیرگذار بر ورشکستگی را تخصص، استقلال، اندازه و جلسات کمیته حسابرسی در نظر گرفته و طی سالهای 1994 تا 2011، دادههای سالانه شرکت ورشکسته و شرکت غیر ورشکسته در انگلستان را مطالعه و به این نتیجه رسیدند که متغیر جلسات و استقلال کمیته حسابرسی تأثیر منفی بر ورشکستگی شرکتها دارند. اما بین عامل حضور و اندازه کمیته حسابرسی و ورشکستگی بنگاهها ارتباطی معنیداری وجود ندارد.
باربوزا و همکاران (Barboza et al., 2017)، در تحقیقی با عنوان «مدلهای یادگیری ماشینی و پیشبینی ورشکستگی» به جهت پیشبینی ورشکستگی یک سال قبل از رویداد از مدلهای یادگیری ماشینی مثل ماشین بردار پشتیبان، جنگل تصادفی استفاده و عملکرد این مدلها را با نتایج تجزیهوتحلیل محرک، رگرسیون لجستیک و شبكه عصبی مورد مقایسه قرار دادهاند. دادههای این تحقیق مربوط به شرکتهای آمریکای شمالی، طی دوره 1985 تا 2013 بوده و از متغیرهای سود ناخالص عملیاتی، تغییر در نسبت بازده به سهام، تغییر در ارزش بازاری به دفتری و اندازهگیریهای رشد مربوط به دارایی، فروش و تعداد کارکنان بهعنوان متغیرهای پیشبینیکننده استفاده شده است. نتایج حاصل از این پژوهش حاکی از آن است که مدلهای یادگیری ماشینی به طور متوسط حدود 10 درصد دقت بیشتری دررابطهبا مدلهای سنتی دارند.
آلتمن و همكاران (Altman et al., 2017)، در مطالعهای با عنوان «پیشبینی ورشكستگی در سطح بینالمللی: مرور و تحلیل تجربی مدل زد اسکور آلتمن10»، عملکرد طبقهبندی مدل زد اسکور را در پیشبینی ورشکستگی و سایر انواع مشکلات شرکت، با هدف بررسی سودمندی مدل برای همه طرفها، بهویژه بانکهایی که در سطح بینالمللی فعالیت میکنند و نیاز به ارزیابی ریسک ورشکستگی شرکتها دارند، در 31 کشور اروپایی و 3 کشور غیراروپایی ارزیابی میکنند.این مطالعه شواهدی ارائه میدهد که مدل عمومی زد اسکور برای اکثر کشورها بهخوبی کار میکند و دقت پیشبینی بالایی دارد و دقت طبقهبندی را میتوان با استفاده از تخمین خاص کشور که متغیرهای اضافی را در بر میگیرد، بهبود بخشید.
اولسون و همكاران (Olson et al., 2012)، در مطالعه «تحلیل مقایسهای روشهای دادهکاوی برای پیشبینی ورشکستگی» برای پیشبینی ورشكستگی بنگاهها از نسبتهای مالی استفاده و نتیجه گرفتند که هزینه بهکارگیری دادهکاوی در مقایسه با الگوهای شبكه عصبی مصنوعی، ماشین بردار پشتیبانی، درخت تصمیم و رگرسیون لجستیک بیشتر است؛ ولی این روش خطای بالقوه پیشبینی را کاهش میدهد.
نجارپور حسنی و خانلاری (Najarpour Hasani and Khanlari, 2020)، در مطالعه «پیشبینی ورشکستگی مالی در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با تأکید بر اقلام تعهدی و جریانات نقدی» از روش نمونهگیری حذف سیستماتیک استفاده و 127 شرکت را بهعنوان نمونه انتخاب و برای دوره زمانی 1396-1391 مورد تحقیق قرار دادهاند. نتایج حاصل از این پژوهش نشان میدهد جریانهای نقد عملیاتی، تغییرات در حسابهای دریافتی و تغییرات در موجودی کالا ارتباط معکوس و معناداری با درماندگی مالی دارند. اما هزینه استهلاک سالانه ارتباط معناداری با این متغیر ندارد.
دباغ و شیخ بگلو (Dabagh and Sheikhbeiglou, 2021) در پژوهشی با عنوان «پیشبینی ورشکستگی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران با روشهای شبکههای عصبی و مدل فولمر» از دادههای 132 شرکت بورسی و رگرسیون لجستیک استفاده کردهاند. در این تحقیق از شاخصهای سود قبل از بهره و مالیات، جمع بدهیها به مجموع داراییها، نسبت بدهی به حقوق صاحبان سهام، حسابهای دریافتنی به فروش، سود خالص بر دارایی، بدهی بلندمدت به دارایی، سود خالص به فروش و سرمایه در گردش استفاده و به این نتیجه رسیدهاند که جهت پیشبینی ورشکستگی مدل شبکه عصبی مصنوعی در مقایسه با مدل فولمر از قدرت و دقت بالاتری برخوردار است. در مدل شبکه عصبی مصنوعی، از بین متغیرهای مورداستفاده، متغیر حسابهای دریافتی بر فروش بیشترین تأثیر و متغیر نسبت بدهی به حقوق صاحبان سهام کمترین تأثیر را بر ورشکستگی، دارند.
دادبه و پرتویفر (Dadbeh and Partovifar, 2021) در پژوهشی به «تأثیر افشائیات گزارش حسابرس بر شکست کسبوکارها» پرداختهاند. دادههای این مقاله مربوط به شرکتهای پذیرفته شده در بورس اوراق بهادار تهران طی 1393 تا 1398 بوده و به این نتیجه رسیدند که محتوای افشائیات گزارش حسابرس بر شکست کسبوکار مؤثر است. همچنین عوامل داخلی و خارجی مربوط به افشائیات گزارش حسابرس بر پیشبینی شکست کسبوکار تأثیر میگذارد.
زحمتکش و همکاران (Zahmatkesh et al., 2023) در پژوهشی به «بررسی نظاممند مدلهای پیشبینی ورشکستگی» پرداخته اند. در این مطالعه هشت ابزار مورداستفاده برای تدوین مدلهای پیشبینی ورشکستگی را در 49 مقاله در بازه زمانی 2015 تا 2023 مورد تجزیه وتحلیل قرار دادهاند و به این نتیجه رسیدند که شبکه عصبی مصنوعی و ماشین های بردار پشتیبان دارای بیشترین دقت میباشند. درحالی که تحلیل شخصیتی چندگانه دارای کمترین دقت است.
احمدپور و همکاران (Ahmadpour et al., 2016)، در تحقیق خود با عنوان «بررسی عوامل مؤثر بر ریسک ورشکستگی مالی شرکتها» به مطالعه تأثیر محافظهکاری و ویژگیهای کیفی مبتنی بر اطلاعات حسابداری بر ریسک ورشکستگی مالی شرکتهای آلتمن و زد، 126 شرکت بورس اوراق بهادار تهران، طی دوره 1393-1389 و با استفاده از دادههای پانلی پرداختهاند. نتایج این تحقیق نشان میدهد محافظهکاری مشروط در حسابداری باعث افزایش ریسک ورشکستگی مالی شرکتهای بورسی ایران میگردد. همچنین متغیر ویژگیهای کیفی مبتنی بر اطلاعات حسابداری (کیفیت اقلام تعهدی، پایداری، پیشبینیپذیری) تأثیر معناداری بر ریسک ورشکستگی مالی شرکتها دارد. نهایتاً بیان میکند ریسک ورشکستگی مالی شرکت بیشتر تحتتأثیر شرایط اقتصادی کشور، سیاستهای تأمین مالی، اندازه شرکت، نوع صنعت و بهبود ویژگیهای کیفی مبتنی بر اطلاعات حسابداری است تا رویکردهای محافظهکارانه.
تاج مزینانی و همکاران (Taj Mazinani et al., 2015)، در پژوهشی با عنوان «کاربرد روش انتخاب ویژگی هارك در پیشبینی درماندگی مالی شرکتها در بورس اوراق بهادار تهران» از 34 نسبت مالی شرکتهای تولیدی درمانده و سالم، طی دوره 1390- 1380 با ترکیبی از آزمون تی و الگوریتم ژنتیک استفاده و به این نتیجه رسیدند که یک و دو سال پیش از وقوع درماندگی جهت پیشبینی درماندگی مالی روش هارک نسبت به رگرسیون لجستیک و مدل التمن نتایج بهتری دارد.
حاجی هاشم و امیرحسینی (Haji Hashem and Amir Hosseini, 2019) در پژوهش با عنوان «پیشبینی ورشکستگی و راهبری شرکتها: دیدگاه نسبتهای مالی» جهت پیشبینی ورشکستگی از ۴۰ شاخص در دو گروه ۳۱تایی نسبتهای مالی و ۹تایی شاخصهای راهبری شرکت، برای شرکتهای پذیرفته شده در بورس اوراق بهادار تهران استفاده و چهار مدل پیشبینی یعنی مدل ماشین بردار، شبکههای عصبی مصنوعی، شبکههای عصبی مصنوعی بهینهسازیشده با الگوریتم ژنتیک و رگرسیون لاجیت را بکار بردهاند. نتایج این تحقیق حاکی از آن است که بهترین مدل برای پیشبینی ورشکستگی مدلی است که از نسبتهای مالی بهعنوان متغیر مستقل و از روش شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک جهت برآورد استفاده کند.
بحیرایی و همکاران (Bahiraie et al., 2016)، در تحقیقی با عنوان «مقایسه سیستمهای هوش مصنوعی و رگرسیون لجیت در پیشبینی ورشکستگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادر تهران» از دادههای 71 شرکت ورشکسته و 74 شرکت سالم، طی دوره 1394- 1389 بورس اوراق بهادر تهران استفاده و نتیجه گرفتند استفاده از مدل مبتنی بر شبکههای عصبی مصنوعی جهت پیشبینی ورشکستگی بنگاهها از دقت بالاتری برخوردارند.
خواجوی و امیری (Khajavi and Amiri, 2012) در مطالعهای با عنوان «شناسایی مهمترین عوامل مؤثر در ورشکستگی شرکتها با استفاده از تکنیک AHP_TOPSIS» نخست عوامل مؤثر بر ورشکستگی بنگاهها را شناسایی، متغیرهای کمّی از صورتهای مالی بنگاههای ورشکسته، طی دوره زمانی 1390-1381 استخراج و میزان اهمیت متغیرهای کیفی از طریق پرسشنامه تعیین گردیده. در گام بعد متغیرهای مؤثر بر ورشکستگی را رتبهبندی کردهاند و دریافتند که مهمترین عامل ورشکسته شدن بنگاهها به ترتیب اهمیت، عدم شناخت بازار، نسبت کل بدهی به کل دارایی و خصوصیت مدیران است.
3- روششناسی پژوهش
روش فراترکیب از روشهای نوظهور در مطالعات کیفی است. استفاده از این روش در تحقیقات علوم مالی رو به گسترش است. در روش فراترکیب نتایج تعدادی از تحقیقات در مورد یک موضوع بهعنوان داده در تحقیق موردنظر به کار گرفته میشود؛ بنابراین، دادههای مطالعه فراترکیب متشکل از مطالعات کیفی خواهد بود که پژوهشگر بر اساس سؤال تحقیق موردعلاقه خود، آنها را وارد مطالعه میکند. بهعبارتدیگر فراترکیب به مجموعهای از روشها اطلاق میگردد که جهت سنتز و ترکیب نتایج مطالعات کیفی با هدف بیان تفسیر جدیدی از پدیده موردنظر تلاش میکنند. فراترکیب یک فرآیند است که مشتمل بر گامهای گسستهای است که پژوهشگر را قادر میسازد تا سؤال تحقیق را شناسایی کرده و سپس به جستجو، انتخاب، ارزیابی، خلاصه و ترکیب شواهد جهت پاسخدادن به سؤال موردنظر بپردازد. محققین مختلف این فرایند را تا حدودی متفاوت تشریح کردهاند، اما اساس آن یکسان است (Abedi Jafari and Amiri, 2019). تحقیق حاضر از الگوی هفتمرحلهای سندلوفسکی و باروسو (Sandelowski and Barroso, 2003) استفاده کرده است (نمودار 2).
نمودار (2) مراحل انجام فراترکیب
Diagram (1) steps of met synthesis
مرحله اول سؤال اصلی این تحقیق مطرح میگردد: «چه عوامل روی ورشکستگی بنگاهها تأثیر میگذارند؟» سؤال دوم این است که: «اولویتبندی عوامل مؤثر بر ورشکستگی به چه صورت است؟»
سپس بهمنظور یافتن پاسخ به سؤالات فوق به مطالعه متون و مقالات منتشر شده در حوزه ورشکستگی باقاعده و روشی نظاممند، پرداخته شد. بدین منظور واژگان کلیدی: ورشکستگی، ورشکستگی مالی، احتمال ورشکستگی، درماندگی مالی و پریشانی مالی به زبان فارسی و انگلیسی در پایگاههای اطلاعاتی مختلف اعم از داخلی و خارجی جستجو گردید. در بین متون لاتین بهدستآمده فقط مطالب موجود در سالهای 2000 تا 2021 و در بین متون فارسی فقط مطالب موجود در سال 1384 تا 1400 انتخاب گردید. در مجموع 170 منبع به دست آمد.
در گام سوم مقالات حاصل از گام دوم یعنی 170 مقاله و کتاب مرتبط با ورشکستگی مطالعه گردید. محقق با فیش برداری از تحقیقات مشابه در چکیده و متن، اولویتهای لازم در مورد هر یک از تحقیقات را تعیین میکند. مراحل پالایش منابع مورد استفاده در جدول (1) ارائه شده است.
جدول (1) مراحل انجام عملیات روی منابع مورد استفاده
Table (1) Steps to perform operations on used resources
مرحله | منابع جستجو شده | تعداد |
1 | تعداد تحقیقات یافت شده تعداد تحقیقات رد شده به علت عنوان | 170 (65) |
2 | تحقیقات انتخاب شده بر اساس عنوان تعداد تحقیقات رد شده ازنظر چکیده | 105 (33) |
3 | تحقیقات انتخاب شده بر اساس چکیده تعداد تحقیقات رد شده از نظر محتوا | 72 (38) |
4 | تعداد منابع نهایی | 34 |
گام چهارم بهمنظور دستیابی به یافتههای درون محتوایی اصلی، پژوهشگر منابع نهایی پالایش شده را چند بار مطالعه و مقالهها را بر اساس نام و نام خانوادگی نویسنده، سال انتشار مقاله و اجزای بیان شده در هر مقاله طبقهبندی نمود. تا از این طریق بتواند اطلاعات موردنظر را از منابع پالایش شده استخراج نماید. در پایان این مرحله، 35 کد شناسایی گردید. فرایند نهایی شناسایی کدها طی دو مرحله انجام شد؛ مرحله اول 30 کد شناسایی و در مرحله دوم، از طریق مصاحبه با خبرگان یعنی 18 نفر از اساتید و متخصصین در حوزه موردنظر پژوهش از 30 کد مرحله قبل، 27 کد بهعنوان با اهمیتترین عوامل ورشکستگی انتخاب گردید. نتایج حاصل از گام چهارم در جدول (2) ارائه شده است.
جدول (2) خلاصه عوامل مؤثر بر ورشکستگی
Table (2) summary of factors affecting bankruptcy
4- تجزیهوتحلیل دادهها
گام بعدی تجزیهوتحلیل و ترکیبیافتههای کیفی در خصوص عوامل مؤثر بر ورشکستگی است.
بنابراین، به پیروی از سندلوفسکی و باروسو (Sandelowski and Barroso, 2003) به بررسی موضوعی عوامل مؤثر بر ورشکستگی پرداخته شد؛ یعنی موضوعها یا تمهایی جستجو گردید که در میان مطالعات بهدستآمده به روش فراترکیب پایدار شدهاند.
بنابراین، محقق نخست تمامی عوامل استخراج شده از تحقیقات را کدگذاری، سپس باتوجهبه مفهوم هر یک از این کدها، آنها را در یک مفهوم مشابه دستهبندی نمود. حاصل این دستهبندی در جدول (3) ارائه شده است.
جدول (3) دستهبندی یافتهها و تحقیقات مورد استفاده در پژوهش
Table (3) classification of findings and research used in the research
مقوله | تم | کد |
عوامل مالی | نسبتهای مالی | نسبت جاری؛ بدهی به مجموع داراییها؛ نسبت حقوق صاحبان سهام به کل دارایی؛ سرمایه در گردش به مجموع داراییها؛ وجه نقد به مجموع داراییها؛ موجودی کالا به بدهی جاری؛ ارزش دفتری هر سهم؛ بازده دارایی؛ سود هر سهم؛ گردش داراییها |
عوامل غیرمالی | سرمایه انسانی | سرمایه فکری |
متغیرهای غیرمالی | عمر شرکت، نوع صنعت، اندازه شرکت | |
ویژگیهای رفتاری مدیریت | خودشیفتگی، بیش اعتمادی، محافظهکاری، توانایی مدیران | |
عوامل داخلی | ویژگیهای هیئتمدیره و حسابرس | اندازه هیئتمدیره؛ استقلال هیئتمدیره؛ تغییر حسابرس |
ساختار مالکیت | تمرکز مالكیت؛ مالكیت نهادی؛ نسبت مالكیت مدیران | |
عوامل خارجی | عوامل کلان اقتصادی | درآمد سرانه؛ رشد اقتصادی، نرخ تورم |
گام ششم: کنترل کیفیت: سپس جهت کنترل کیفیت یافتهها، روایی و پایایی کدهای استخراجی مورد سنجش قرار گرفت. در این گام از جهت سنجش روایی یافتهها از مصاحبه با خبرگان و ارائه پرسشنامه و همچنین روش نسبت روایی محتوایی (11CVR) استفاده گردید. به این منظور، ابتدا با 6 نفر از خبرگان و اساتید دانشگاه در رشتههای حسابداری و مدیریت مالی مصاحبه شد. در مرحله بعد نتایج مصاحبه به صورت پرسشنامه به دست 14 نفر از خبرگان و اساتید رسید. سپس قضاوتهای آنها، به تبعیت از لاوشه (Lawshe, 1975)، از طریق نسبت روایی محتوایی كمی سازی گردید. از رابطه (1) بدین منظور استفاده شده است:
[1] . Department of Accounting, Ar.C., Islamic Azad University, Arak, Iran.
[2] . Department of Economics, Ar.C., Islamic Azad University, Arak, Iran. (Corresponding Author). m_sharifnejad2006@yahoo.com
[3] . Department of Accounting, Ar.C., Islamic Azad University, Arak, Iran.
How to cite this paper: Lalbar, A., Sharifnejad, M., & Asadi, M. (2025.). Analysis of factors affecting financial bankruptcy using a meta-synthesis approach. Advances in Finance and Investment, 6(2), 31-64. [In Persian]
[4] 1. گروه حسابداری، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.
[5] 2. گروه اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران. (نویسنده مسئول). m_sharifnejad2006@yahoo.com
[6] . گروه حسابداری، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.
استناد: لعل بار، علی؛ شریف نژاد، مریم؛ اسدی، مریم. (1404). واکاوی عوامل مؤثر بر ورشکستگی مالی با رویکرد فراترکیب. پیشرفتهای مالی و سرمایهگذاری، 6(2). 31-64.
[7] . Meta-synthesis
[8] . banca rotta
[9] . Edward Altman
[10] . Altman's Z-Score Model
[11] . Content Validity Ratio (CVR)
[12] . Shannon entropy