دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات60
تعداد شماره‌ها2,043
تعداد مقالات16,472
تعداد مشاهده مقاله43,656,008
تعداد دریافت فایل اصل مقاله24,824,162
صحت, سعید. (1392). تجزیه و تحلیل مقایسه‌ای ورشکستگی شرکت‌های مواد غذایی بر مبنای دو مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive) و تشخیصی تحلیل پوششی داده‌ها (DEA-DA). سامانه مدیریت نشریات علمی, 11(43), 153-184.
سعید صحت. "تجزیه و تحلیل مقایسه‌ای ورشکستگی شرکت‌های مواد غذایی بر مبنای دو مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive) و تشخیصی تحلیل پوششی داده‌ها (DEA-DA)". سامانه مدیریت نشریات علمی, 11, 43, 1392, 153-184.
صحت, سعید. (1392). 'تجزیه و تحلیل مقایسه‌ای ورشکستگی شرکت‌های مواد غذایی بر مبنای دو مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive) و تشخیصی تحلیل پوششی داده‌ها (DEA-DA)', سامانه مدیریت نشریات علمی, 11(43), pp. 153-184.
صحت, سعید. تجزیه و تحلیل مقایسه‌ای ورشکستگی شرکت‌های مواد غذایی بر مبنای دو مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive) و تشخیصی تحلیل پوششی داده‌ها (DEA-DA). سامانه مدیریت نشریات علمی, 1392; 11(43): 153-184.

تجزیه و تحلیل مقایسه‌ای ورشکستگی شرکت‌های مواد غذایی بر مبنای دو مدل افزایشی تحلیل پوششی داده‌ها (DEA-Additive) و تشخیصی تحلیل پوششی داده‌ها (DEA-DA)

مطالعات تجربی حسابداری مالی
مقاله 7، دوره 11، شماره 43، اسفند 1392، صفحه 153-184    اصل مقاله (822.34 K)
نوع مقاله: مقاله پژوهشی
نویسنده
سعید صحت
دانشیار گروه مدیریت بازرگانی دانشکده مدیریت و حسابداری دانشگاه علامه طباطبائی
چکیده
چکیده
ورشکستگی، پدیده­ای است که بسیاری از شرکت­ها خصوصاً در عصر شدیداً رقابتی حاضر، با آن مواجه­اند. از این رو، تجزیه و تحلیل و پیش­بینی ورشکستگی، امری بسیاری حیاتی خصوصاً برای سرمایه­گذاران است. بر این اساس، تحقیق حاضر با هدف معرفی دو روش مبتنی بر تحلیل پوششی داده‏ها (DEA) در تجزیه و تحلیل و پیش­بینی ورشکستگی برای شرکت­های مواد غذایی پذیرفته شده در بورس اوراق بهادار تهران صورت گرفت.
تحقیق حاضر، از نوع توصیفی ـ کاربردی است و به منظور ارزیابی مدل­های تحلیل ورشکستگی، 58 شرکت مواد غذایی پذیرفته شده در بورس اوراق بهادار به عنوان جامعه آماری در نظر گرفته شد.
یافته­های تحقیق نشان داد که دقت مدل تشخیصی تحلیل پوششی داده­ها در پیش­بینی شرکت‏های غیرورشکسته 92 درصد و در پیش­بینی شرکت­های ورشکسته 70 درصد بود؛ در حالی که دقت مدل افزایشی تحلیل پوششی داده­ها در پیش­بینی شرکت­های غیرورشکسته 90 درصد و در پیش­بینی شرکت­های ورشکسته 70 درصد بود. بنابراین در مجموع در تحلیل ورشکستگی، مدل تشخیصی نسبت به مدل افزایشی دقت بیشتر و بر آن ارجحیت دارد.
کلیدواژه‌ها
ورشکستگی؛ مدل افزایشی تحلیل پوششی داده‌ها؛ مدل تشخیصی تحلیل پوششی داده‏ها
مراجع
  1. آذر، ع. (1385). آمار و کاربرد آن در مدیریت (2). انتشارات سمت.
  2. آذر، ع. غلامرضایی، د. (1384). رتبه بندی استان های کشور با رویکرد تحلیل پوششی داده ها. پژوهش های اقتصادی ایران، 8(27). 173-153.
  3. بولو، ق. و فلاح برندق، م. (1392). رابطه محافظه کاری و بازده غیرعادی کوتاه مدت سهام عرضه­های عمومی اولیه با تأکید بر نقش مدل­های عدم تقارن اطلاعاتی، فصلنامهمطلاعات تجربی حسابداری مالی، سال یازدهم، شماره 39، 82-57.
  4. خاکی، غ. (1379). روش تحقیق در مدیریت. مرکز انتشارات علمی دانشگاه آزاد اسلامی. چاپ اول.
  5. خواجوی، ش. فرج پور بندری، ف. (1391). تأثیر ویژگی­های هیئت مدیره بر مدل­های پیش­بینی ورشکستگی آلتمن و اهلسن. پژوهش­های کاربردی در گزارشگری مالی. سال اول. شماره 1. 132-107.
  6. خواجوی، ش. سلیمی فرد، ع. ربیعه، م. (1384). کاربرد تحلیل پوششی داده ها در (DEA) در تعیین پرتفویی از کاراترین شرکت های پذیرفته شده در بورس اوراق بهادار تهران. علوم اجتماعی و انسانی دانشگاه شیراز. 22(2). 89-75.
  7. عرب مازیار، م. اکبری شهمیرزادی، م. (1387). پیش­بینی ورشکستگی شرکت­ها با استفاده از شبکه عصبی. ماهنامه حسابدار، شماره 200. 38-34.
  8. قدرتی، ح. معنوی مقدم، ا. ه. (1389). بررسی دقت مدل­های پیش­بینی ورشکستگی (مدل­های آلتمن، شیراتا، اهلسون، زمیسکی، اسپرینگیت، سی ای اسکور، فولمر، ژنتیک فرج زاده و ژنتیک مک کی) در بورس اوراق بهادار تهران. فصلنامه تحقیقات حسابداری و حسابرسی. 2(7). 26-1.
  9. قدیری مقدم، ابوالفضل؛ غلامپور فرد، محمد مسعود؛ و فرزانه نصیر زاده (1388). بررسی توانایی مدل­های پیش­بینی ورشکستگی آلتمن و اهلسون در پیش­بینی ورشکستگی شرکت­های پذیرفته شده در بورس اوراق بهادار، دانش و توسعه، سال 16، شماره 28، 220-193.
  10. مرادزاده فرد، م. عدل زاده، م. فرج زاده، م. و عظیمی، ص. (1392). عدماطمیناناطلاعاتی،عدمتقارناطلاعاتیوفرصتهایرشد، فصلنامهمطلاعات تجربی حسابداری مالی، سال یازدهم، شماره 39، 145-125.
  11. مومنی، م. (1389). مباحث نوین تحقیق در عملیات. نشر مهربان. چاپ اول.
  12. ودیعی، م. ح. میراسماعیلی، ح. (1391). پیش­بینی ورشکستگی با استفاده از مدل­های تحلیل لوجیت اهلسون و تحلیل ممیز چندگانه فولمر و مقایسه آن­ها. تحقیقات حسابداری و حسابرسی. 4(13). 162-136.
    1. Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction ofcorporate bankruptcy. Journal of Finance. 23: 589-609.
    2. Altman, E.I. (1984). A further empirical investigation of the bankruptcy cost question. Journal of Finance. 34: 1067–1089.
    3. Andres, J. D., Landajo, M. & Lorca, P. (2012). Bankruptcy prediction models based on multinorm analysis: An alternative to accounting ratios. Knowledge-Based Systems. 30: 67-77.
    4. Aziz, M.A., Dar, H.A., (2006). Predicting corporate bankruptcy: Where westand. Corporate Governance. 6: 18–33.
    5. Charnes, A.; Cooper, W.W. & Rhodes, E., (1978). Measuring the efficiency of decision making units. European Journal of Operational Research. 2: 429–444.
    6. Charnes, A., Cooper, W.W., Golany, B., Sieford, L., (1985). Foundations ofdata envelopment analysis for Pareto Koopmans efficient empiricalproduction functions. Journal of Econometrics. 30: 91–107.
    7. Chava, S., Jarrow, R., (2004). Bankruptcy prediction with industry effects. Review of Finance. 8: 537–569.
    8. Cullinane, K.P.B., Ji, P., Wang, Song, D.-W. T.-F. (2006). The technical efficiency of container ports: Comparing data envelopment analysis and stochastic frontier analysis. Transportation Research Part A. 40: 354–374
    9. Fedorova, E., Gilenko, E. &Dovzhenko, S. (2013). Bankruptcy prediction for Russian companies: Application of combined classifiers.Expert Systems with Applications. 40(18): 7285-7293.
    10. Janova, J., Vavrina, J., &Hampel, D. (2012). DEA as a tool for bankruptcy assessment: the agribusiness case study. Proceedings of 30th International Conference Mathematical Methods in Economics. 379-383.
    11. Lyandres, E. & Zhdanov, A. (2013). Investment opportunities and bankruptcy prediction. Journal of Financial Markets. 16(3): 439-476.
    12. Premachandra, I. M., Bhabra, G. S. &Sueyoshi, T. (2009). DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique. European Journal of Operational Research. 193: 412–424.
    13. Ravikumar, P., Ravi, V., (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques: A review. European Journal of Operational Research. 180: 1–28.
    14. Serrano-Cinca, C. & Gutiérrez-Nieto, B. (2013). Partial Least Square Discriminant Analysis for bankruptcy prediction. Decision Support Systems. 54(3): 1245-1255.
    15. Sueyoshi, T. &Goto, M. (2009). Methodological comparison between DEA (data envelopment analysis) and DEA–DA (discriminant analysis) from the perspective of bankruptcy assessment. European Journal of Operational Research. 199: 561–575.
    16. Sueyoshi, T. (1999). DEA-discriminant analysis in the view of goal programming. European Journal of Operational Research. 115: 564-582.
    17. Sueyoshi, T. (2001). Extended DEA-discriminant analysis. European Journal of Operational Research. 131: 324-351.
    18. Sueyoshi, T. (2006). DEA-Discriminant Analysis: Methodological comparison among eight discriminant analysis approaches. European Journal of Operational Research. 169: 247–272.
    19. Warner, J., (1977). Bankruptcy costs: Some evidence. Journal of Finance. 32: 337–347.
    20. Wu, Y., Gaunt, C. & Gray, S.  (2010). A comparison of alternative bankruptcy prediction models. Journal of Contemporary Accounting & Economics. 6(1): 34-45.
    21. Yoon, J. S. & Kwon, Y. S. (2010). A practical approach to bankruptcy prediction for small businesses: Substituting the unavailable financial data for credit card sales information. Expert Systems with Applications. 37(5): 3624-3629.
    22. Zhou, L. (2013). Performance of corporate bankruptcy prediction models on imbalanced dataset: The effect of sampling methods. Knowledge- Based Systems. 41: 16-25.

 

 

آمار
تعداد مشاهده مقاله: 3,726
تعداد دریافت فایل اصل مقاله: 2,260


login