مقایسه کارایی دوالگوی آماری لوجیت وتحلیل ممیزی درپیش بینی درماندگی مالی شرکتهای پذیرفته شده دربورس اوراق بهادارتهران
محل انتشار: کنفرانس ملی حسابداری و مدیریت
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 469
فایل این مقاله در 19 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:
ACCFIN01_429
تاریخ نمایه سازی: 30 دی 1394
چکیده مقاله:
در دهه های اخیر اعداد وارقام نشان دهنده ی افزایش بی سابقه میزان ورشکستگی هاست با توجه به بالابودن هزینه های اقتصادی ناشی از ورشکستگی پیش بینی وجلوگیری از وقوع آن در تخصیص نامناسب منابع کمیاب اقتصادی از اهمیت بسزایی برخوردار است تاکنون الگوهای گوناگونی برای ارزیابی درماندگی مالی استفاده شده است که الگوهای تحلیل ممیزی ولوجیت به عنوان ابزار تخمین کارآمدی خود را اثبات کرده اند اما این که کدام الگو کاراتر است موضوع تحقیق است .در راستای این هدف یک فرضیه اصلی ودو فرضیه فرعی تدوین گردیده است جامعه مطالعاتی در برگیرنده کلیه شرکتهای پذیرفته شده در بورس طی سالهای 1386 تا 1390 ونمونه آماری شامل 24 شرکت ورشکسته و24 شرکت غیر ورشکسته می باشد به منظور دسته بندی شرکتها به دو گروه ورشکسته وغیر ورشکسته از پیش فرض ماده 141 قانون تجارت وبرای آزمون فرضیات از 24 نسبت مالی شامل نسبتهای مالی مبتنی برترازنامه وصورت سود وزیان وصورت جریان وجوه نقد استفاده شده است نتیجه تحقیق بیان می کند که دقت پیش بینی درماندگی مالی مدل رگرسیون لوجیت بالاتر از مدل تحلیل ممیزی است بنابراین می توان گفت که مدل رگرسیون لوجیت کارآمدتر عمل کرده است .
کلیدواژه ها:
نویسندگان
ژاله نودست
کارشناس ارشد حسابداری، دانشگاه آزاد اسلامی واحدبروجرد
مجید زنجیردار
استادیارمالی ،گروه حسابداری ، دانشگاه آزاد اسلامی واحد اراک
محمد حسن جناتی
استادیارمدیریت مالی ، عضوهئیت علمی دانشگاه آزاد اسلامی،واحد علوم و تحقیقات
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 :