شناسایی مهمترین عوامل موثر در ورشکستگی شرکتها با استفاده از تکنیک TOPSIS_AHP

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه شیراز

چکیده

سهامداران و اعتباردهندگان و سایر ذینفعان با ورشکسته شدن شرکت، متضرر شده و منابع خود را از
دست میدهند. بنابراین لازم است که قبل از هر اقدامی، به بررسی علائم وجود ورشکستگی بپردازند.
در این پژوهش پس از شناسایی متغیرهای موثر بر ورشکستگی شرکتها، متغیرهای کمّی از اطلاعات
صورتهای مالی شرکتهای ورشکسته طی دوره زمانی 1831 1831 استخراج و برای اندازهگیری -
میزان اهمیت متغیرهای کیفی، از پرسشنامه استفاده شد. پس از شناسایی و رتبهبندی متغیرهای موثر در
ورشکستگی با استفاده از تکنیک TOPSIS_AHP ، مهمترین عامل ورشکسته شدن شرکتها عدم
شناخت بازار معرفی شد. نسبت کل بدهی به کل دارایی و خصوصیت مدیران به عنوان دیگر عوامل
کلیدی ورشکستگی شناسایی شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Recognition of Efficient Factors Affecting in companies’ bankruptcy using TOPSIS_AHP

نویسندگان [English]

  • Shokrollah Khajavi
  • Fatemeh sadat Amiri
چکیده [English]

In company’s bankruptcy, stockholders, creditors and other stakeholders incurred lose and got affected. Thus, before any decisions, it is necessary to consider whether there is any signs of bankruptcy. In this research, after recognition of influencing variables on companies’ bankruptcy, quantitative variables were extracted from bankrupt companies’ financial statements and a questionnaire was used to measure these quantitative variables importance level. Afterwards, we ranked recognized factors using TOPSIS_AHP technique. After recognition and ranking efficient variables in bankruptcy, it was revealed that the most important factor of bankruptcy is the lack of market understanding. The ratio of total debts to total assets and managers attitudes were recognized as other key factors in bankruptcy.

کلیدواژه‌ها [English]

  • rating
  • Bankruptcy
  • Financial ratios
  • Quality variables Associate
.1 ابراهیمیکردلر، علی و مهران اعرابی. ) 1331 (. بررسی کاربرد مدل های پیش بینی ورشکستگی
)آلتمن، فالمر، اسپرینگیت، زیمسکی و شیراتا( در پیش بینی نکول تسهیلات اعطایی به
شرکت های پذیرفته شده در بورس اوراق بهادار تهران )مطالعه موردی بانک سپه(. تحقیقات
- . حسابداری و حسابرس ، ی سال سوم، شماره 11 ، صص 1 15
.1 پرخوان رازلیقی، مصطفی. ) 1331 (. تعیین استراتژی بهینه محصولات شرکتهای بیمه با
- . استفاده از روش تصمیمگیری چند معیاره. صنعت بیم ، ه سال 13 ، شماره 1، صص 31 71
.3 حساسیگانه، یحیی. ) 1331 (. مدلی برای رتبهبندی حاکمیت شرکتی در ایران. مطالعات
- . تجربی حسابداری مال . ی شماره 31 ، سال نهم، صص 1 35
.4 رسولزاده، مهدی. ) 1331 (. کاربرد مدلهای آلتمن در تعیین وضعیت ورشکستگی. ماهنامه
- . تدبی . ر شماره 11 ، سال سیزدهم، صص 115 113
.5 رهنمای رودپشتی، فریدون؛ علیخانی، راضیه و مهدی مرانجوری. ) 1333 (. بررسی کاربرد
مدلهای پیشبینی ورشکستگی آلتمن و فالمر در شرکتهای پذیرفته شده در بورس اوراق
- . بهادار تهران. بررسیهای حسابداری و حسابرسی، دوره 16 ، شماره 55 ، صص 13 34
.6 .) سعیدی علی و آقایی آرزو. ) 1333 پیش بینی درماندگی مالی شرکت های پذیرفته شده در
بورس اوراق بهادار تهران با استفاده از شبکه های بیز. بررسیهای حسابداری و حسابرس . ی
- شماره 56 ،صص 53 73 .
.7 11 علت اصلی ورشکستگی شرکتها. کار و .) سعیدی، حسام و پونه افشاریجو. ) 1333
- - . 114 ، صص 31 36 جامع . ه شماره 113
.3 سلیمانی، غلامرضا. ) 1333 (. ارزیابی کارایی الگوهای پیشبینی بحران مالی برای شرکتهای
- . ایرانی. دانش حسابداری. دوره 1، شماره 1، صص 133 153
.3 سلیمانیامیری، غلامرضا. ) 1331 (. نسبتهای مالی و پیشبینی بحران مالی شرکتها در
- . بورس اوراق بهادار تهران. تحقیقات مال . ی شماره 15 ، سال پنجم، صص 111 136
.11 عرب مازار، محمد و مهدیه اکبری شهمیرزادی. ) 1337 (. سیستم های اطلاعاتی و فناوری:
، پیش بینی ورشکستگی شرکت ها با استفاده از شبکه عصبی. ماهنامه حسابدا . ر شماره 111
- . صص 34 33
.11 عرب مازار یزدی، محمد و محمد حسین صفرزاده. ) 1333 (. بررسی توانایی نسبتهای مالی در
پیش بینی بحران مالی: تحلیل - . لاجیت، فصلنامه بورس اوراق بهادار. شماره 3، صص 7 37
.11 علیخانی، راضیه و مهدی مرانجوری. ) 1333 (. مدلهای پیشبینیکننده ورشکستگی
- . شرکتها، ماهنامه حسابدار. شمارههای 113 و 113 ، صص 36 43
.13 فدائینژاد، محمداسماعیل و رسول اسکندری. ) 1331 (. طراحی و تبیین مدل پیشبینی
شناسایی مهمترین عوامل موثر در... 31
، ورشکستگی شرکتها در بورس اوراق بهادار تهران. تحقیقات حسابدار . ی دوره 3، شماره 3
- . صص 33 55
.14 فر ید، داریوش؛ زارع، محمد حسن؛ زارع، حبیب و علیرضا رجبی پور میبدی. ) 1333 (. رتبه
بندی شعب بورس اوراق بهادار ایران با استفاده از تکنیک TOPSIS/DEA/AHP فازی.
- . پژوهشنامه اقتصاد ، ی شماره 36 ، صص 313 331
.15 فیروزیان، محمود؛ جاوید، داریوش؛ و نرگس نجمالدینی. ) 1331 (. کاربرد الگوریتم ژنتیک در
پیشبینی ورشکستگی و مقایسه آن با مدل Z آلتمن در شرکتهای پذیرفتهشده در بورس
اوراق بهادار تهران، بررسیهای حسابداری و ، حسابرس . ی شماره 65 - . صص 33 114
.16 قدرتی، حسن و امیرهادی معنویمقدم. ) 1333 (. دقت مدلهای پیشبینی ورشکستگی
)مدلهای آلتمن، شیرانا، اهلسون، زمیسکی، اسپرینگیت، سیایاسکور، فولمر، ژنتیک
فرجزاده و ژنتیک مککی( در بورس اوراق بهادار تهران. تحقیقات حسابداری و حسابرس . ی
- . شماره 7، سال دوم، صص 113 153
.17 قدیریمقدم، ابوالفضل؛ غلامپورفرد، محمدمسعود؛ و فرزانه نصیرزاده. ) 1333 (. بررسی
توانایی مدلهای پیشبینی ورشکستگی آلتمن و اهلسون در پیشبینی ورشکستگی
شرکتهای پذیرفته شده در بورس اوراق بهادار. مجله دانش و توسع . ه شماره 13 ، سال
- . شانزدهم ، صص 111 115
.13 کرمی، غلامرضا و سید مصطفی سید حسینی. ) 1331 (. سودمندی اطلاعات حسابداری نسبت
به اطلاعات بازار در پیشبینی ورشکستگی. دانش حسابدار . ی شماره 11 ، سال سوم، صص
- .33 116
.13 مکیان، نظامالدین؛ المدرسی، سیدمحمدتقی؛ و سلیم کریمیتکلو. ) 1333 (. مقایسه مدل شبکههای
عصبی مصنوعی با روشهای رگرسیون لجستیک و تحلیل ممیزی در پیشبینی ورشکستگی
- . شرکتها. فصلنامه پژوهشهای اقتصاد . ی شماره 11 ، سال دهم، صص 141 161
.11 مهرانی، ساسان؛ مهرانی، کاوه؛ منصفی، یاشار؛ و غلامرضا کرمی. ) 1334 (. بررسی کاربردی
الگوهای پیشبینی ورشکستگی زمیسکی وشیرانا در شرکتهای پذیرفتهشده در بورس اوراق
- . بهادار تهران. بررسیهای حسابداری و حسابرس . ی دوره 11 ، شماره 41 ، صص 115 131
.11 ودیعی، محمدحسین و سید حسین میراسماعیلی ) 1331 (. پیشبینی ورشکستگی با استفاده از
مدلهای تحلیل لوجیت اهلسون و تحلیل ممیز چندگانه فولمر و مقایسه آنها، تحقیقات
- . حسابداری و حسابرسی. شماره 13 ، صص 146 171
22. Boyacioglu, MelekAcar, Yakup Kara & Mer Kaan Baykan. (2009). Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey. Expert Systems with Applications, 36: pp. 3355–3366.
37 فصلنامه مطالعات تجربی حسابداری مالی، سال یازدهم، شماره 83 ، تابستان 2831
23. Hung Wu, Chih, Gwo-Hshiung Tzeng, Yeong-Jia Goo & Wen-Chang Fang. (2007). A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy. Expert Systems with Applications, 32: pp. 397–408.
24. Jardin, Philippe Du & Eric Séverin. (2011). Predicting corporate bankruptcy using a self-organizing map: An empirical study to improve the forecasting horizon of a financial failure model. Decision Support Systems, 51: pp. 701–711.
25. Jeong, Chulwoo, Jae H. Min & Myung Suk Kim. (2012). A tuning method for the architecture of neural network models incorporating GAM and GA as applied to bankruptcy prediction. Expert Systems with Applications, 39: pp. 3650–3658.
26. Kim, Myoung-Jong & Dae-Ki Kang. (2012). Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems with Applications, pp. 1-7.
27. Newton, G.W. (1998). Bankruptcy insolvency accounting practice and procedure, New Jersey: John Wiley & Sons Inc.
28. Olson, David L, Dursun Delen & Yanyan Meng. (2012). Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52: pp. 464–473.
29. Premachandra, I. M, Yao Chen & John Watson. (2011). DEA as a tool for predicting corporate failure and success: A case of bankruptcy assessment. Omega, 39: pp. 620–626.
30. Yoon, Jong Sik& Young S. Kwon. (2010). A practical approach to bankruptcy prediction for small businesses: Substitutingthe unavailable financial data for credit card sales information. Expert Systems with Applications, 37: pp. 3624–362