ارائه يك روش تركيبي به منظور پيش بيني درماندگي مالي شركت هاي پذيرفته شده در بورس اوراق بهادار تهران

Developing a hybrid approach for financial distress prediction of listed companies in Tehran stock exchange

هدف: هدف اين پژوهش ارائه رويكردي جديد براي انتخاب متغيرهاي موثر در پيش بيني درماندگي مالي با استفاده از نظر خبرگان و الگوريتم هاي تصميم گيري است. روش: بدين منظور 29 نسبت مالي براي شركت هاي توليدي درمانده مالي بر اساس ماده 141 قانون تجارت و به همان تعداد شركت سالم به صورت تصادفي از شركت هاي پذيرفته شده در بورس اوراق بهادار تهران در بازه زماني 1385 تا 1395 با استفاده از صورت هاي مالي حسابرسي شده براي يك، دو و سه سال قبل از درماندگي جمع آوري شده است. سپس با استفاده از آزمون آماري و الگوريتم هاي تصميم گيري ديمتل و توديم فازي، بهترين نسبت هاي مالي به همراه ضريب اهميت هر يك انتخاب و با استفاده از ماشين بردار پشتيبان، پيش بيني درماندگي مالي انجام شد. يافتهها: آزمون مقايسات زوجي نشان داد كه اختلاف دقت مدل پيشنهادي در پيش بيني درماندگي مالي براي هر سه سال t1، t2 و t3 نسبت به دقت مدل هاي آلتمن و رگرسيون لجستيك در سطح خطاي 5 درصد معنادار بوده است. نتيجهگيري: با توجه به نتايج آزمون‌هاي تحقيق مي توان نتيجه گيري كرد كه مدل پيشنهادي در يك، دو و سه سال پيش از وقوع درماندگي مالي، به طور معناداري از عملكرد بهتري در پيش بيني درماندگي نسبت به روش رگرسيون لجستيك و مدل آلتمن برخوردار است.

Objective: The purpose of this study is to develop a new approach to select effective variables in predicting financial distress using experts’ judgment and decision-making algorithms. Methods: Twenty nine financial ratios of financially distressed manufacturing companies according to Article 141 of the business Law were selected and the same number of healthy firms have been randomly selected from the companies which were listed in Tehran Stock Exchange between 1385 and 1395 using audited financial statements of one, two and three years before getting distressed. Then, using the statistical test and Dematel and Todim Fuzzy decision-making algorithms, the best financial ratios and their respective importance coefficients were selected and the prediction of financial distress was made using a support vector machine. Results: Paired T-test results showed that accuracy difference of proposed model in predicting financial distress has been statistically significant in 5% level comparing to Altman Model and Logistic Regression Method for the years t-1, t-2, and t-3. Conclusion: The findings of the study showed that the proposed model has a significantly better performance in predicting distress than the Logistic regression method and Altman model in one, two and three years before financial distress.