پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تکنیک DEA-DA و شبکه ی عصبی مصنوعی
محل انتشار: فصلنامه کارافن، دوره: 19، شماره: 2
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 102
فایل این مقاله در 29 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_KARFN-19-2_027
تاریخ نمایه سازی: 2 خرداد 1402
چکیده مقاله:
هدف این پژوهش شناسایی شاخص های مالی جهت ارزیابی و تجزیه و تحلیل درماندگی مالی شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و سپس پیشبینی پویای درماندگی مالی شرکت ها است. بدین منظور پس از مطالعه ی جامع ادبیات تحﻘیق و بررسی نسبت های مالی مهم مورداستفاده در پژوهش های قبلی، تعداد هشت نسبت مالی که بیش از همه در تحﻘیﻘات قبلی مورداستفاده قرارگرفته بود، انتخاب شدند و داده های موردنیاز تحقیق از منابع اطلاعاتی سازمان بورس و اوراق بهادار و سامانه های دادگان موجود مانند نرم افزار سازمان بورس اوراق بهادار تهران، کدال و ره آورد نوین برای ۱۰۶ شرکت گردآوری گردید. سپس فرآیند خوشه بندی برای ۱۰۵ شرکت با کمک روش شبکه ی عصبی مصنوعی SOM انجام شده که در این پژوهش تعداد خوشه های موجود برابر با دو خوشه (شرکتهای درمانده و غیر درمانده) در نظر گرفته شده است. پس از خوشه بندی شرکت ها، مدل ارائه شده DEA-DA اجرا و درنهایت عضویت شرکت جدید در گروه مناسب درمانده یا غیر درمانده پیش بینی گردید. نتایج حاصل از این پژوهش نشان می دهد که عضویت شرکت جدید در خوشه ی درمانده ی مالی، به درستی پیش بینی شده و روش ارائه شده در این پژوهش با در نظر گرفتن انواع معیارهای اقتصادی و مالی، امکان پویاسازی پیش بینی درماندگی مالی را برای تصمیم گیرندگان ازجمله مدیران شرکت ها و سرمایه گذاران فراهم می سازد.
کلیدواژه ها:
درماندگی مالی تحلیل پوششی داده ها ، ابر صفحه متمایزکننده شبکه های عصبی مصنوعی نگاشت خودسازمان ده
نویسندگان
حمید رحیمی
گروه مدیریت صنعتی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
مهرزاد مینویی
گروه مدیریت صنعتی ، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
محمد رضا فتحی
دانشیاربخش تخصصی مدیریت صنعتی و فناوری، دانشکده مدیریت و حسابداری، پردیس فارابی دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :