ارزيابي درماندگي مالي شركت‌هاي پذيرفته شده در بورس اوراق بهادار تهران: مطالعه مقايسه‌اي بين تحليل پوششي داده‌ها و رگرسيون لجستيك

ارزيابي درماندگي مالي شركت‌ها بسيار حايز اهميت است؛ زيرا شكست شركت هزينه‌هاي مستقيم و غير مستقيم بسياري را براي ذينفعان به همراه دارد. از اين رو استفاده از نسبت‌هاي مالي براي ارزيابي درماندگي مالي شركت‌ها هميشه مورد توجه اعتبار‌دهندگان، سهام‌داران و تحليلگران مالي بوده است. ارزيابي و پيش‌بيني به‌موقع و صحيح مي‌تواند تصميم گيرندگان را در يافتن راه‌حل بهينه و پيشگيري از درماندگي مالي ياري كند. تاكنون از الگوهاي گوناگوني براي ارزيابي درماندگي مالي استفاده شده است. الگوهاي به‌كار گرفته شده در اين زمينه كاربرد بسيار زيادي در تصميم‌هاي فعالان بازار مالي دارد. همواره سعي شده است تا دقت پيش‌بيني و ارزيابي اين الگوها با استفاده از روش‌هاي پيشرفته‌تر بهبود پيدا كند. در اين پژوهش، هدف اصلي بررسي كارايي استفاده از الگوي جمعي تحليل پوششي داده‌ها (DEA) و رگرسيون لجستيك (LR) در ارزيابي درماندگي مالي شركت‌ها مي‌باشد، هم‌چنين نتايج الگوي DEA با رگرسيون لجستيك (LR) مورد قياس قرار گرفته است. يافته‌هاي تحقيق نشان مي‌دهد كه الگوي LR نسبت به الگوي جمعي روش تحليل پوششي داده‌ها در ارزيابي درماندگي مالي درون نمونه‌اي به‌طور معناداري بهتر عمل كرده است.

Financial distress evaluation is important because firm failure imposes significant direct and indirect costs on a firm’s stakeholders. Hence, using financial ratios has been considered by bank loan officers, creditors, stockholders, financial analysts, and the general public in order to provide them with timely and accurate assessment. Timely evaluation can help decision makers to find the optimal way and predict bankruptcy. There are different models for financial distress evaluation, which are mainly applied in decision making by financial market players. It has been attempted to improve the accuracy of these models by more developed techniques. The main goal of this research is to examine the capability of the additive model of Data Envelopment Analysis (DEA) model in assessing corporate financial distress by comparing it with logistic regression (LR). The results showed that in within-sample evaluation, LR outperforms DEA (Additive model) in correctly identifying the default firms significantly.