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)

نوع مقاله: مقاله پژوهشی

نویسنده

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


عنوان مقاله [English]

The comparative analysis of food Companies Bankruptcy by DEA-Additive and DEA-DA

نویسنده [English]

  • Saied sehhat
Associate Professorof Management and Accounting Faculty of AllamehTabatabae'i University
چکیده [English]

Bankruptcy is a challenge that especially in this highly competitive era, many companies are faced with. Therefore the analysis and forecasting of bankruptcy are vital, especially for investors. Accordingly, the present study aims to introduce two techniques which are based on Data Envelopment Analysis (DEA) to analyze and predict bankruptcy of the food companies which are listed on Tehran Stock Exchange.
The study is descriptive- functional andassesses the models of bankruptcy analysis, and 58 Food Companies Listed on the stock exchange have been considered as statistical population.
The study results show that the DEA-Discriminant Analysis model was 92% accurate in predicting the bankrupt companies and 70% accurate in predicting the successful companies while the DEA-Additive model was 70% accurate in predicting the bankrupt companies and 90% accurate in predicting the successful companies, so in total the DEA-Discriminant Analysis model is more accurate than the DEA-Additive model, and it is preferred.
 

کلیدواژه‌ها [English]

  • Bankruptcy
  • DEA-Additive model
  • DEA-Discriminant Analysis model
  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.