Evaluating the Effect of Content of Inflation Accounting Information in Comparison with Historical Information in Designing Bankruptcy Prediction Models Based on Traditional and Meta-Innovative Approaches

Subject Areas :

Naeemeh Jebelli ¹ (Department of Accounting, Babol Branch, Islamic Aazad University, Babol, Iran)
Iman dadashi ² (Assistant Professor of Accounting Department of Qom University)

Received: 2023-07-01 Accepted : 2023-08-25 Published : 2023-09-23

Keywords: financial ratio, General Price Index, LARS Algorithm, Keywords: Bankruptcy,

Abstract :

AbstractBankruptcy Prediction is one of the branches of finance that has received more attention in in recent research as bankruptcy patterns have been developed. In most of the researches in the field of Prediction the financial performance of companies and in particular, bankruptcy, only Predicting or comparing the predictive power of models using historical information of financial statements has been done. Since historical accounting information has been used more in Iran, the main purpose of this study is to consider the effects of inflation on input variables in designing a bankruptcy prediction model. Therefore, the variables in design of two different models were classified into two groups of financial ratios, adjusted and historical. Then, the ratios were identified using the LARS algorithm that had the highest ability to differentiate between bankrupt and non-bankrupt companies. Finally, the final bankruptcy prediction model was designed using the logit regression test and SVM and Naive Bayesian algorithms. For this purpose, the data of 50 companies listed on the Tehran Stock Exchange were used, which had experienced bankruptcy according to Article 141 of the Commercial Code. The results of this study indicate that the financial ratios adjusted based on the price index are more suitable predictor for corporate bankruptcy. Also, the bankruptcy prediction model designed by SVM algorithm can be a very good predictor for corporate bankruptcy with 99.4% accuracy.

References:

فهرست منابع

• برزگری خانقاه، جمال، جمالی، (1395)، "پیش‌بینی بازده سهام با استفاده از نسبت‌های مالی"، فصلنامه پژوهش‌های حسابداری مالی و حسابرسی، 2(6)، صص 71-92.


• پیرایش، رضا، داداشی آرانی، (1395)، "ارائه مدل ریاضی پیش‌بینی ورشکستگی"، مجله مهندسی مالی و مدیریت اوراق بهادار، 8)31(، صص 200-187.


• دستگیر، محسن، ظفری، (1388)، "نقش اطلاعات حسابداری در پیش‌بینی نرخ بازده سهام"، مجله بورس، 85، صص 48-55.


• راعی، رضا و سعید فلاح پور، ( 1383)، "پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از شبکه‌های عصبی مصنوعی"، پایان‌نامه دوره کارشناسی ارشد مدیریت مالی، دانشگاه تهران.


• راعی، رضا، فلاح پور، (1387)، "کاربرد ماشین بردار پشتیبان در پیش‌بینی درماندگی مالی شرکت با استفاده از نسبت‌های مالی"، فصلنامه بررسی‌های حسابداری و حسابرسی،15)53(، صص 34-17.


• رویایی، رمضانعلی، (1372)، "حسابداری تورمی ‌و توسعه حسابداری در ایران"، سومین سمینار حسابداری ایران، سال نهم، شماره 56.


• زند رییسی، علیرضا، (1391)، "صورت‌های مالی در شرایط تورمی"، دنیای اقتصاد، شماره 2561.


• شیخ، محمد جواد، (1375)، "بررسی نسبت‌های متوسط صنعت در شرکت‌های پذیرفته‌شده در بورس"، پایان‌نامه کارشناسی ارشد دانشگاه تهران.


• سلیمانی امیری، غلامرضا، (1389)، "ارزیابی کارایی الگوهای پیش‌بینی بحران مالی برای شرکت‌های ایرانی"، مجله دانش حسابداری، 1(2)، صص 139-160.


• صادقی، حسین، رحیمی، سلمانی، (1393)، "تأثیر عوامل کلان اقتصادی و نظام راهبری بر بحران مالی شرکت‌های تولیدی پذیرفته شده در بورس اوراق بهادار تهران"، فصلنامه اقتصاد پولی، مالی، 21(8)، صص 107-127.


• فرج زاده دهکردی، حسن، (1386)، "کاربرد الگوریتم ژنتیک در پیش‌بینی ورشکستگی"، پایان‌نامه کارشناسی ارشد، دانشگاه تربیت مدرس.


• فرج زاده دهکردی، حسن، اعتمادی، فغفور مغربی، (1394)، "محتوای اطلاعاتی سود (زیان)‌های تعدیل شده بابت تورم"، پژوهش‌های حسابداری مالی و حسابرسی، 7(27)، صص 111-124.


• قوهستانی، سمانه، مهدوی، (1399)، "تدوین الگوی اندازه‌گیری ارزش‌های جاری در ایران"، پژوهش‌های حسابداری مالی و حسابرسی، 12(48)، صص 149-178.


• علیزاده سیدآبادی، مهدی، معماریان، محمدی، حسین زاده آکندی، (1393)، "اثرات طبقات مطالباتی بر ریسک وصول مطالباتی مطالعه موردی بانک مهر اقتصاد شهرستان ساری"، کنفرانس بین‌المللی اقتصاد، حسابداری، مدیریت و علوم اجتماعی.


• کردستانی، غلامرضا، تاتلی، (1393)، "ارزیابی توان پیش‌بینی مدل‌های ورشکستگی"، فصلنامه دانش حسابرسی، 14(55)، صص 51-70.


• کوک، حجت اله، (1384)، "ارتباط تغیرات سود و ترکیب ترازنامه"، پایان نامه کارشناسی ارشد دانشگاه تربیت مدرس.


• مرادی، محسن، شفیعی سردشت، ابراهیم پور، (1391)، "پیش‌بینی درماندگی مالی شرکت‌ها به‌وسیله ماشین بردار پشتیبان و تحلیل ممیزی چندگانه"، فصلنامه بورس اوراق بهادار، 5(18)، صص 113-136.


• همتی، حسن، (1389)، "مباحث جاری در حسابداری"، چاپ هفتم، تهران، نشر ترمه.

• Altman , E.I. (1968), “Financial Ratios , Discriminant Analysis and the Prediction of Corporate Bankruptcy”, Journal of Finance, 23(4), PP. 589-609.


• Altman , E.I , Haldeman , R.G , Narayanan , p (1977), “ZETA Analysis : a New Model to Identify Bankruptcy Risk of Corporations”, Journal of Banking and Finance, 1(1), PP. 29-54.


• Beaver , W. (1966), “Financial Ratios as Predictors of Failures , In Empirical Research in Accounting”, Selected Studies Supplement to the Journal of Accounting Research.4, PP. 71-111.


• Beaver, W.H., Voss, V.M., & Kennelly, J.W., (1968), “Predictive Ability as a Criterion for the Evaluation of Accounting Data”, The Accounting Review, 43(4), PP. 675-683.


• Buggakupta, S., (2003), “The Development of Thai DA Model in Predicting Fallure of Thai Listed Companies”, Thai. J. Index, 22(1), PP. 9- 10.


• Campbell , J.Y. Hilscher , J., & Szilagyi , J. (2008), “IN Search of Distress Risk”, The Journal of Finance, 63(6), PP. 2899-2939.


• Christidis , A. and Gregory , A. (2010), “Some New Models for Financial Distress Prediction in the UK”, Xfi-Centre for Finance and Investment Discussion, 10.


• Charalambakis , E. Espenlaub , S. Garrett , I. (2009), “On The Of Prediction Financial Distress For UK Firms : Does the Choice of Accounting and Market Information Matter”, The University of Manchester.


• Yeh, C., Chi, D.J., Hsu, M.F., (2010), “A Hybrid Approach of DEA, Rough set and Support Vector Machines for Business Failure PPrediction”, Expert Systems with Applications, 37( 2). PP. 1535-1541.


• Deakin , E.B. (1972), “A Discriminant Analysis of Predictors of Business Failure”, Journal of Accounting Reaserch, 10(1), PP. 167-179.


• Efron, B., Hastie, T., & Johnstone, I., (2004), “Least Angle Regresion”, The Annals of Statistics, 32(2), PP. 407-499.


• Fulmer, J.G., Moon, J.E., Gavin, T.A, & Erwin, M.J., (1984), “A Bankruptcy Classification Model for Small firms”, Journal of commercial Bank Leding, PP. 25-37.


• Grice , J. , Ingram ,R. (2001), “Tests of the Generalizability of Altman’s Bankruptcy Prediction Model”, Journal of Business Research, 54(1), PP. 53-61.


• Kirkulak, B. , Balsari, C. , (2009), “Value Relevance of Inflation-Adjusted Equity and Income”, The International Journal of Accounting, 44(4), PP. 363-377.


• Kouki , M. , Elkhaldi , A. (2011), “Toward a Predicting Model of Firm Bankruptcy. Evidence from the Tunisian Context”, Middle Eastern Finance and Economics, 14, PP. 26-43.


• Legault, J., (1987), “C.A.- Score, A Warning System for Small Business Failures”, Bilanas, PP. 29- 31.


• Min , H.J , Lee , C.y. (2005), “Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters”, Expert Systems with Applications, 28(4), PP. 603-614.


• Mutchler , J , McKeown , J & Hopwood , W. (1991), “Towards an Explanation of Auditor Failure to Modify the Audit Opinion of Bankrupt Companies”, A Journal of Practice and Theory, 10, PP. 1-13.


• Odom, M., Sharda , R. (1990), “A Neural Network Model for Bankruptcy Prediction”, Proceedings of the IEEE International Conference on Neural Networks, 2, PP. 163-168.


• Ohlson , J.A. (1980), “Financial Ratios and the Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, 18(1), PP. 109-131.


• Philpsophov ,L ,Philosophov ,V.(2002), “Corporate Bankruptcy prognosis ; An Attempt at a Combined Prediction of the Bankruptcy Eventand Time Interval of Its Occurrence”, International Review of Financial Analysis, 11(3), PP. 375-406.


• Shirata C.Y, (1987), “Financial Ratios as Predictors of Bankruptcy in Japan: An Enprical Research”.


• Shin, K.S, Lee, T.S, & kim, H.J, (2005), “An Application of Support Vactor Machines in Bankruptcy Prediction Model”, Expert Systems with Applications, 28(1), PP. 127-135.


• Shumway , T. (2001), “Forecasting Bankruptcy more Accurately: A Simple Hazard Model”, The Journal of Business, 74(1), PP. 101-124.


• Springate, Gord,L.V.(1987), “Predicting the Possibility of Failure in a Canadian Firm”, Unpublished M B A Research Project, Simon Fraser University.


• Tam , K.Y , Kiang , M. (1992), “Managerial Applications of Neural Networks : The Case of Bank Failure Predictions”, Management Science, 38(7), PP. 926-974.


• Tamari, M.(1966), “Financial Ratios as a Means of Forecasting Bankruptcy”, Management International Review, 6(4), PP. 15-21.


• Tinoco Hernandez , M. & Wilson , N. (2013), “Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables”, International Review of Financial Analysis, 30, PP. 394-419.


• Titterington , D. (1981), “Comparison Of Discrimination Techniques Applied to a Complex Data-set of Head-Injured Patients”, Journal of the Royal Statistical Society, 144(2), PP. 145-175.


• Wallace Wanda A. (2004), “Risk Assessment By Internal Auditors Using Past Research On Bankruptcy Applying Bankruptcy Models”.


• Zavgren , Christine V. (1985), “Assessing the Vulnerability to Failure of American Industrial Firms : A Logistic Analysis”, Journal of Business Finance and Accounting, 12(1), PP. 19-45.


• Zmijewski Mark. E. (1984), “Method Logical Issues Relate to the Estimation of Financial Distress Prediction Models”, Journal of Accounting Research, 22, PP. 59-82.