روش مرکب DEA دو سطحی برای پیش بینی شکست مالی
چکیده
پیش بینی شکست مالی شرکت نقش مهمی برای سهام داران و شرکت ها ایفا می کند. روش های متفاوتی وجود دارد که در سال های اخیر توسعه یافتند. هدف این مقاله معرفی و ارائه یک مدل تحلیل پوششی داده ها (DEA) جدید هست که DEA دو سطحی (تحلیل پوششی داده های دو سطحی) ابزار سریع و عملی برای پیش بینی شکست مالی شرکت می باشد، که قادر است تعداد زیادی از ورودی ها و خروجی ها را با کاربرد ساختارهای سلسه مراتبی معیارهای مالی دسته بندی نماید. بنابراین روشی که ابر کارایی DEA (SE-DEA) و تحلیل رابطه خاکستری (GRA) را تکمیل کند برای انتخاب معیارهای مالی معرفی شدند که ارتباط معنی -دارتری با وضعیت مالی شرکت در میان بسیاری از معیارها را دارد. نتایج تجزیه تحلیل تجربی در شرکت های موجود در لیست بازار بورس اوراق بهادار شینجن (SSEM) چین متوسط DEA دو سطحی و DEA -SE کامل و GCA در بالای CCR و BCC را ثابت کرد.
1. مقدمه
به دلیل تغییر رادیکالی در اقتصاد جهانی، پیش بینی شکست مالی شرکت نقش مهمی برای سهام داران و شرکت ها ایفا می کند. شکست مالی زمانی اتفاق می افتد که یک شرکت یا مؤسسه زیان های جدی و شدید دارد و/یا زمانی که یک شرکت یا مؤسسه در بدهکاری ها محجور و معسر شود به طوری که با دارایی ها نامتناسب باشد [1]. در بسیاری از موارد دلایل و علائم شکست مالی شامل ضعف مدیریت، رهبری استبدادی، و مشکلات عملیاتی در موفقیت بازار شناسایی می شود. ورشکستگی شرکت نه تنها باعث از دست دادن اجتماع تجاری قابل توجه می شود، بلکه همچنین به صورت کل یک اجتماع می باشد. بنابراین، دقت مدل های پیش-بینی شکست مالی اهمیت بحرانی در شرط بندی های مختلف مانند مدیریت، سرمایه گذاران، کارمندان، سهام-داران و سایر بخش های ذینفع هست که مدل ها اخطارهای به موقعی به آن ها می دهد. مدل های پیش بینی شکست مالی مختلفی در متون مربوطه وجود دارد. مطالعات اولیه در پیش بینی شکست مالی روش های یک متغیره با استفاده از آنالیز سهم به کار می گرفتند [2]. پس از آن، روش های چندمتغیره که ترکیب نسبت های چندتایی و مشخصه هایی مانند روش تشخیصی چندگانه خطی [3]، رگرسیون چندگانه [4]، و رگرسیون منطقی [5] برای پیش بینی پتانسیل شکست مالی به کار رفت. اخیراً، هوش مصنوعی و تکنیک های یادگیری ماشینی مانند شبکه عصبی، الگوریتم ژنتیک، درخت های تصمیم، استدلال براساس-مورد، سیستم های متخصص، و ماشین های مسیر پشتیبانی به طور گسترده ای در پیش بینی شکست مالی به کار می-روند که به دلیل ویژگی تقریب کلی و توانایی استخراج دانش کاربردی از داده زیاد و حوزه کارشناسان استفاده می شود [6].
abstract
Corporate financial failure prediction is playing an increasingly important role for both shareholders and companies. There are many different approaches that have been developed over the years. The aim of this paper is to introduce a new data envelopment analysis (DEA) model that is a two-level DEA as a quick and feasible tool for corporate financial failure prediction, which is able to handle quite a large number of inputs and outputs by utilizing hierarchical structures of financial indicators. To use the two-level DEA model, we need to select high relevant indicators from a large set of candidate indicators as inputs and outputs, which is not trivial. So the approach that integrates the super-efficiency DEA (SE-DEA) and the grey relational analysis (GRA) is introduced to select financial indicators that have more meaningful correlations with the corporate financial situation from a lot of indicators. The results of empirical analysis conducted on companies listed in Shenzhen Stock Exchange Market (SSEM) of China demonstrate the advantage of the two-level DEA and the integrated SE-DEA and GCA over the CCR and the BCC.
1. Introduction
Because of the radical change in global economy, corporate financial failure prediction plays an increasingly important role. Financial failure often occurs when a firm has chronic and serious losses and/or when the firm becomes insolvent with liabilities that are disproportionate to assets [1]. Widely identified causes and symptoms of financial failure include poor management, autocratic leadership, and difficulties in operating successfully in the market. Corporate bankruptcy causes substantial losses to not only the business community, but also the society as a whole. Therefore, accurate financial failure prediction models are of critical importance to various stakeholders, i.e., management, investors, employees, shareholders, and other interested parties, as the models provide them with timely warnings. There are various financial failure prediction models in the related literature. Early studies on financial failure prediction employ univariate approaches using ratio analysis [2]. Later on, multivariate approaches that combine multiple ratios and characteristics such as the linear multiple discriminant approach [3], the multiple regression [4], and the logistic regression [5] are used to predict potential financial failures. More recently, artificial intelligence and machine learning techniques such as neural network, genetic algorithm, decision trees, case-based reasoning, expert systems, and support vector machines are widely used in corporate financial failure prediction because of its universal approximation property and the ability of extracting useful knowledge from vast data and domain experts [6].
چکیده
1. مقدمه
2. انتخاب معیارهای مالی براساس SE-DEA و GRA
3. مدل تحلیل پوششی داده های دوسطحی برای پیش بینی شکست مالی
3.1. سیستم معیارها
2.3. مدل DEA دوسطحی
4. تجزیه تحلیل تجربی
4.1. داده و معیارها
4.2. شرکت های مدل های متفاوت DEA
5. نتیجه گیری و پیشنهادات
abstract
1. Introduction
2. Financial indicators selection based on SE-DEA and GRA
3. Two-level DEA model for financial failure prediction
3.1. The indicators system
3.2. The two-level DEA model
4. Empirical analysis
4.1. Data and indicators
4.2. Comparisons of different DEA models
5. Conclusions and future research
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه