ارائه مدل ترکیبی مبتنی بر رویکرد سه مرحله ای به منظور پیشبینی نکول شرکتی
محورهای موضوعی : دانش سرمایهگذاری
محمدجواد ساده وند
1
(
دانشجوی دکتری، گروه مدیریت مالی، واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی، تهران، ایران.
)
هاشم نیکو مرام
2
(
استاد، گروه مدیریت مالی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
)
حسن قالیباف اصل
3
(
دانشیار، گروه مدیریت مالی، دانشکده علوم اجتماعی و اقتصاد، دانشگاه الزهرا، تهران، ایران.
)
میر فیض فلاح شمس
4
(
دانشیار، گروه مدیریت مالی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران،ایران.
)
کلید واژه: مدل ترکیبی, درماندگی مالی, تحلیل لاجیت چندجملهای, مدل بلک شولز مرتون,
چکیده مقاله :
درماندگی مالی یک شرکت نامطلوبترین اتفاقی است که منجر به بروز مسائل فاجعهبار برای ذینفعان آن خواهد شد. که علاوه بر ضرر هنگفت برای خود شرکت میتواند به طور بالقوه اقتصاد آن کشور را نیز تحت تأثیر قرار دهد. لذا تشخیص سریع درماندگی مالی برای حمایت از سرمایهگذاریهای مختلف مالی و اجتماعی ضروری است. در همین راستا، پژوهش حاضر به دنبال ارائه مدل ترکیبی نکول شرکتی و طبقهبندی شرکتها در سه گروه سالم، در حال درماندگی و درمانده میباشد. در این پژوهش ابتدا با استفاده از مطالعه اسنادی، 47 متغیر یا نسبت شناسایی و انتخاب شدند. که این متغیرها در سه گروه متغیرهای بنیادی یا مالی، متغیرهای بازاری و متغیرهای کلان اقتصادی طبقهبندی میشوند. سپس با تأکید بر فراوانی و عملکرد موفق این نسبتها در مطالعات گذشته و انجام آزمونهای آماری، متغیرهای بالقوه تأثیرگذار بر درماندگی مالی شناسایی میشوند. همچنین به منظور ارائه مدل ترکیبی پیشبینی نکول شرکتی، از روش لاجیت چندجملهای و جهت اندازهگیری نکول شرکتی از مدل بلک-شولز مرتون استفاده شده است. یافتههای پژوهش حاکی از تأثیرگذاری 8 متغیر، شامل 5 متغیر مالی، 2 متغیر بازاری و 1 متغیر کلان اقتصادی در مدل نهایی میباشد. که دقت پیشبینی این مدل، در گروه شرکتهای درمانده، 90 درصد، در گروه شرکتهای در حال درماندگی 85 درصد و در گروه شرکتهای سالم، 90 درصد برای سال مالی 1398 بوده است.
Corporate financial distress is the most unpleasant event that will result in catastrophic issues for its stakeholders. In addition to the huge losses for the business itself, this event can potentially affect the country's economy. Therefore, quick and timely detection of financial distress is essential to support various financial and social investments. In this regard, the present study aimed at providing a combined model of corporate default prediction and classifying firms into three groups: healthy, stressed and distressed.In this study, first, using a library research method, 47 variables or ratios were identified, selected and classified into three groups: fundamental or financial variables, market variables and macroeconomic variables. Then, considering the frequency and successful performance of these ratios in previous studies and by performing statistical tests, potential variables affecting financial distress were identified.In this study, multinomial logistic regression was used to provide a combined model of corporate default prediction. Also, in order to measure corporate default, the Black-Scholes-Merton (BSM) model was used.Findings indicated that 8 variables, including 5 financial variables, 2 market variables and 1 macroeconomic variable were statistically significant in the final model, and in fiscal year 1398, the accuracy of this model was 90% in the group of distressed firms, 85% in the group of stressed firms and 90% in the group of healthy firms.
accounting-based bankruptcy prediction models. Journal of Banking and Finance,
32(8):1541-1551.
Journal of Finance, 23(4):589-609.
Prediction in an International Context: A Review and Empirical Analysis of Altman’s ZScore Model. Journal of International Financial Management & Accounting, 0(0):1-41.
financial distress in Italy: A competing risks approach. International Review of Economics
and Finance, 37:33–41.
intelligence and vector autoregressive models for ex post and ex ante forecasting. Journal
of Computational Intelligence and Neuroscience, 1-11.
the classic statistical methodologies and their related problems. The British Accounting
Review, 38(1):63-93.
Research, 4(3):71-111.
performance of distressed stocks. Journal of Investment Management, 9(2):14-34.
Finance, (8):537-569.
multicriteria analysis method. Journal of Operational Research Society, (50):1138-1148.
stochastic covariates. Journal of Financial Economics, (83):635-665.
Review of Accounting Studies, (9):5-34.
company failure: a test of Argenti’s hypotheses. Journal of Business Finance &
Accounting, 14(3):335-354.
accounting-ratio-based and market-based information: a binary quantile regression
Journal of Empirical Finance, (17):818-833.
model: the case Malaysia. Asian Academy of Management Journal, 6(1):49-61.
Journal of Finance, (29):449-470.
International Conference on Neural Networks, IEEE Press, San Diego, CA, 163-168.
of Accounting Research, (18):109-131.
In Proceedings of The Second Asian Pacific Interdisciplinary Research in
Accounting Conference, 437-445.
bank failure predictions. Management Science, 38(7):926-947.
Accounting Literature, (2):1-35.
logistic analysis. Journal of Business Finance and Accounting, 12(1):19-45.
_||_