ارائه مدلی برای پیش‌بینی درماندگی مالی در زیست‌بوم کسب و کار ایران با استفاده از شبکه یادگیری عمیق

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری حسابداری، دانشگاه آزاد اسلامی، واحد علی آباد کتول، علی آباد کتول، ایران

2 گروه حسابداری، دانشگاه آزاد اسلامی، واحد علی آباد کتول، علی آباد کتول، ایران

3 گروه حسابداری،دانشگاه آزاد اسلامی، واحد علی آباد کتول، علی آباد کتول، ایران

4 استادیار گروه ریاضی، دانشگاه آزاد اسلامی، واحد علی آباد کتول،علی آباد کتول، ایران

چکیده

درماندگی مالی شرکتها، منجر به هدر رفتن منابع و عدم بهره‌گیری از فرصت‌های سرمایه‌گذاری می‌شود. زمانی که شرکتی دچار درماندگی مالی می‌شود، انتظار می‌رود با یکی از این دو تضاد احتمالی مواجه شود، کمبود وجه نقد در بخش دارایی‌های ترازنامه و یا تورم بدهی‌ها در سمت چپ ترازنامه. بیشتر شرکت‌های ایرانی به علت موقعیت تورمی که موجود است، ترجیح می‌دهند تا وجه نقد خود را به دارایی‌های دیگر تبدیل کنند هرچند این پدیده ، سپر مقاومت در برابر تورم تلقی می‌شود، لیکن اثر ثانویه آن این است که شرکت‌ها در سررسید بدهی‌ها درمانده شده و به اعتبار سازمان لطمه وارد می‌شود، تاکنون از الگوهای گوناگونی برای پیش‌بینی درماندگی مالی استفاده شده است. الگوهای به کار گرفته شده در این زمینه کاربرد بسیار زیادی در تصمیم‌های فعالان بازار مالی دارد. همواره سعی شده است تا دقت پیش بینی و ارزیابی این الگوها با استفاده از روش‌های پیشرفته‌تر بهبود پیدا کند. جامعه آماری این پژوهش شامل کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران می باشد. نمونه آماری شامل 54 شرکت درمانده مالی و 54 شرکت سالم طی سالهای 90 تا 1400 می باشد که به منظور دسته بندی شرکتها به دو گروه مذکور، از پیش فرض ماده 141 قانون تجارت استفاده شده است. نتایج حاصل نشان می دهد که الگوی طراحی شده مبتنی قابلیت پیش بینی وقوع بحران مالی در شرکت‌های پذیرفته شده در بورس اوراق بهادار را تا دو سال قبل از وقوع آن دارد. همچنین نتایج به دست آمده بهبود پیش بینی شرکت های درمانده را با ورود امتیاز کارایی به مدلها تأیید می کند، اما این بهبود چندان چشم گیری نیست.

کلیدواژه‌ها


عنوان مقاله [English]

Presenting a Model for Predicting Financial Distress in Iran's Business Ecosystem Using Deep Learning Network

نویسندگان [English]

  • Ardalan Hamidi 1
  • Samad Ayazi 2
  • Arash Naderian 3
  • Hossein Abbasian 4
1 Ph.D. Candidate in Accounting, Islamic Azad University, Aliabad Katoul Branch, Aliabad Katoul, Iran
2 Department of Accounting and Management, Islamic Azad University, Aliabad Katoul Branch, Aliabad Katoul, Iran
3 Department of Accounting and Management, Islamic Azad University, Aliabad Katoul Branch, Aliabad Katoul, Iran.
4 Assistant professor, Department of Mathematics, Islamic Azad University, Aliabad Katoul Branch, Aliabad Katoul, Iran.
چکیده [English]

Financial distress of companies leads to waste of resources and failure to take advantage of investment opportunities. When a company is in financial trouble, it is expected to face one of these two possible conflicts, a lack of cash on the assets side of the balance sheet or an inflation of liabilities on the left side of the balance sheet. Most of the Iranian companies prefer to convert their cash into other assets due to the existing inflation situation, although this phenomenon is considered as a shield against inflation, but its secondary effect is that The companies are helpless when the debts are due and the reputation of the organization is damaged. Until now, various models have been used to predict financial helplessness. The patterns used in this field are very useful in the decisions of financial market actors. It has always been tried to improve the accuracy of prediction and evaluation of these patterns by using more advanced methods. The statistical population of this research includes all companies admitted to the Tehran Stock Exchange. The statistical sample includes 54 financially helpless companies and 54 healthy companies between the years 1990 and 1400, and in order to categorize the companies into the two mentioned groups, the default of Article 141 of the Commercial Law was used. The results show that the designed model has the ability to predict the occurrence of a financial crisis in companies admitted to the stock exchange up to two years before its occurrence. Also, the obtained results confirm the improvement of the prediction of helpless companies by entering the efficiency score into the models, but this improvement is not very significant.

کلیدواژه‌ها [English]

  • Financial Distress
  • Forecasting
  • Deep Learning
  • Stock Exchange