آزمون رویکرد مهندسی مالی در توان اندازه گیری درماندگی و ورشکستگی شرکت ها

الموضوعات : دانش سرمایه‌گذاری

سید علی رضا روئین تن ¹ , کامبیز پیکارجو ² , مریم خلیلی عراقی ³

1 - دانشجوی دکتری، گروه مالی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - استادیار گروه اقتصاد، دانشکده مدیریت،واحد علوم و تحقیقات ، تهران، ایران
3 - استادیار گروه مدیریت مالی،دانشکده مدیریت، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران،ایران.

تاريخ الإرسال : 12 الأربعاء , رمضان, 1443 تاريخ التأكيد : 05 الإثنين , ذو الحجة, 1443 تاريخ الإصدار : 19 الأحد , ربيع الأول, 1446

الکلمات المفتاحية: "درماندگی مالی", "منظومه تاب آوری", " ورشکستگی مالی", " رویکرد مهندسی مالی",

ملخص المقالة :

چهار رویکرد عمده در تحلیلهای مالی ، قابل تعریف است. رویکرد سنتی ، فراسنتی، مدرن و فرامدرن. در نظریه بدیع منظومه تاب آوری کسب و کارها، در اندازه گیری ریسکهای مالی و یا غیر از آن ، فضایی فراهم می آید تا با جامع نگری و نیز در نظر گرفتن حاکمیت پارادایم اقتضایی، امکان سنجش شاخص های مالی و غیر از آن به شکل موردی و یا جامع ، فراهم آید.از داده های آماری شرکت های بورسی در دوره ی زمانی ۱۳۹۰ الی ۱۳۹۸ استفاده شد. در این پژوهش با استفاده از روش های مختلفی مبتنی بر ابزارهای نوآورانه مالی،توان این ابزارها در برآورد درماندگی مالی، دیدگاههای سنتی ، فراسنتی،مدرن و فرامدرن به مقایسه گذاشته میشود. در نهایت مشخص شد که روش مهندسی مالی با تکیه بر نظریه منظومه تاب آوری کسب وکارها در تعیین درماندگی مالی، از نوسان برآورد کاسته و بر دقت برآورد درماندگی مالی می افزایند. البته باید در کنار روش های نوین، همواره به روش های سنتی به عنوان شاخص هایی برای تعیین میزان حدودی درماندگی مالی و در جهت مقایسه توجه داشت.

المصادر:

• اسدی، مریم (1393). اثر تعدیل گر کیفیت سود در پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد حسابداری، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه.


• اسماعیل زاده مقری، علی و شاکری، هاجر (1394). پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده ازشبکه بیزی ساده و مقایسه آن با تحلیل پوششی داده ها. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 5(22): 27-1.


• اکبری، فضل الله. (1378). تجزیه و تحلیل صورت های مالی. تهران: مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی.


• بولو، قاسم، حساس یگانه و هراسانی، رضا. (1390) . روند تغییرات کیفیت سود در طول زمان در شرکت های پذیرفته شده در بورس اوراق بهادار تهران. فصلنامه مطالعات حسابداری، 29: 95-65.


• پوراسد، سعید. (1395). تاثیر کوتاه بینی مدیریتی بر کارایی شرکت ها با نقش تعدیل کننده کیفیت حاکمیت شرکتی در شرکت های بورس اوراق بهادار تهران. پایان نامه کارشناسی ارشد، دانشگاه ارومیه.


• جبارزاده، سعید؛ خدایار یگانه، سعید و پوررضا، اکیر. (1388). بررسی ارتباط بین هموارسازی سود و درماندگی مالی شرکت ها در بورس اوراق بهادار تهران. فصلنامه راهبرد حسابداری مالی، 1(2): 80-60.


• حیدری زارع، بهزاد و کرد لوئی، حمیدرضا. (1389). پیش بینی قیمت سهام با استفاده از شبکه عصبی مصنوعی. فصلنامه مدیریت، 7(17): 56-49.


• خالق پرست، شبنم (1394). پیش بینی نوسان شاخص قیمت صنایع شرکت های پذیرفته شده در بورس اوراق بهادار با استفاده از متغیرهای مالی منتخب شرکتی و استفاده از SVM. پایان نامه کارشناسی ارشد، دانشگاه ارومیه.


• خواجوی، شکرالله و غضنفری، سید حسین (1383). کاربرد تحلیل پوششی داده ها در تعیین پرتفویی از کاراترین شرکت های پذیرفته شده در بورس اوراق بهادار تهران. مجله علوم انسانی دانشگاه شیراز، 2، 89-75.


• خلیفه سلطانی، سید احمد و اسماعیلی، فاطمه (1393)، تاثیر چرخه تجاری بر پایداری مدل های پیش بینی ورشکستگی. پژوهش های تجربی حسابداری، 4 (13): 22-1.


• راعی، رضا و فلاح پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش بینی درماندگی مالی شرکت ها با استفاده از نسبت های مالی. بررسی های حسابداری و جسابرسی، 53، 34-17.


• رهنمای رود پشتی، فریدون و صالحی، اله کرم. (1389). مکاتبو تئوری های مالی و حسابداری. تهران: انتشارات دانشگاه آزاد اسلامی واحد تهران مرکزی.


• رهنمای رودپشتی، فریدون؛ علی خانی، راضیه و مران جوری، مهدی (1388). بررسی کاربرد مدل های پیش بینی ورشکستگی آلتمن و فالمر در شرکت های پذیرفته شده در بورس ارواق بهادار تهران. بررسی های حسابداری و حسابرسی، 16(55): 34-19.


• یزدانی، سیما (1389). کیفیت سود. چهارمین همایش سراسری سالانه دانشجویان حسابداری ایران. دسترسی از طریق: http://www.civilica.com/Paper.financialstud04-financialstud04_001.html.financialstud04_001


• Adnan, A., M. Humayon &    Dar. (2002). Prediction Corporate Bankruptcy: Whether Do We Stand?. Department of Economics, Loughborough University, UK.


• Al-Attar, A., Hussain, S., & Zuo, L.Y. (2008). Earnings quality, bankruptcy risk and future cash flows. Accounting and Business Research, 38 (1):5-20


• Alifiah, M.N. (2013). Prediction of financial distress companies in the trading and services sector      in Malaysia using macroeconomic          International Conference on Innovation, Management and Technology Research, Malaysia,                22-23 September.


• Allison, D. (1999).  Logistic  regression  using  the  SAS  systems. Theory and application. Carry, NC: SAS institute.


• Altman, E.I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 23 (4):589-609


• Altman, E. I. & Hotchkiss, E. (2006). Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt. 3rd Edition,New Jersey: John Wiley & Sons.


• Asquith P., Gertner, R., & Scharfstein, D. (1994), Anatomy of Financial Distress: An Examination of
  Junk-bond Issuers. Quarterly Journal of Economics, 109(3): 1189-1222.


• Beaver, W.(1966), Financial Ratios as Predictors of Failures. Journal of Accounting Research,


• 4 (Supplement), 71-102.


• Bellovary, J.; Don, G. and Akers, M. (2005). Earnings quality: It's time to measure and report, The CPA Journal, Vol. 75, P.32.


• Bredart, X. (2014). Financial Distress and Corporate Governance around Lehman Brothers Bankruptcy. International Business Research, 7(5):1-8.


• Bris, A., Welch, I. & Zhu, N.(2006). The Costs of Bankruptcy: Chapter 7 Liquidation versus Chapter 11 Journal of Finance, 61(3): 1253-1315.


• Charens, A., Cooper, W. & Rhodes,  E. (1978).  Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6): 429-444.


• Charitou, A., Neophytos, L. & Lenos, T. (2011). Distress risk, growth and earnings quality. Abacus, 47(2): 158-181.


• Chen, M.Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and   logistic   Expert Systems  with Applications, 38(9): 11261-11272.


• Chi, X., Lou, C., & Yu, X. (2011). Financial distress prediction based on SVM and MDA methods: the case of Chinese listed companies. Quality and Quantity, 45(3): 671-686.


• Dechow, P.; Ge, W. & Scharand, C. (2010). Understanding earnings quality: A review of the proxies, their determinants and their consequences. Journal of Accounting and Economics, 50(2,3): 344-401.


• Dechow, P. & Dichev, I. D. (2002). The quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review. 77(supplement), 35-39.


• Dechow, P., Sloan, R. & Sweeney, A. (1995). Detecting earnings management. The Accounting Review, 70: 193-225.


• Denis, D., & Denis, D. (1995). Causes of Financial Distress Following Leveraged Recapitalizations. Journal of Financial Economics, 37,129-157.


• Dichev, I. D. & Tang, V. W. (2009). Earnings volatility and earnings predictability. Journal of Accounting and Economics, 49:160-181.


• Elloumi, F., & Gueyié, J.P. (2001). Financial distress and corporate governance: an empirical analysis. Corporate Governance, 1(1): 15-23.


• Etemadi, H., Anvari Rostamy, A. A.,& Dehkordi, H. F.  (2009). A genetic programming model for bankruptcy prediction: empiricalevidence from Iran. Expert Systems with Applications, 36(2), part, 2,3199-3207.


• Fisher, T. & Martel, J. (2005). The irrelevance of direct bankruptcy costs to the firm’s financial reorganization decision. Journal of empirical legal studies. 2(1): 151-169.


• Francis, J., LaFond, R., Olsson, P. & Schipper, K. (2004). Cost of equity and earnings attributes. The Accounting Review, 79(4): 967-1010.


• Francis, J., LaFond, R., Olsson, P., & Schipper, K. (2005). The market pricing of accruals quality. Journal of Accounting and Economics, 39. 295-327.


• Francis, ,  LaFond,  R.,  Olsson,  P.  &  Schipper,  K.  (2006).  Earnings  quality.


• Foundations and Trends in Accounting, 1(4): 259-340.


• Francis, J., Nanda, D.J., & Olsson, P. (2008). Voluntary disclosure, earnings quality and cost of capital. Journal of Accounting Research, 46(1): 53-99.


• Gaio, C. & Raposo, C. (2011). Earnings quality and firm valuation: international evidence. Accounting & Finance, 51 (2): 467-499.


• Gameel, M. S. & El-Geiziry, Kh. (2016). Predicting financial distress: multi scenarios modeling using neural network. International Journal of Economics and Finance, 8(11): 159-166.


• Garcia Lara, J.M. Osma, B.G. & Penalva. F. (2009). Conditional conservatism and firm investment efficiency. Review of Accounting Studies, 14(1): 161-201.


• Gestel, T. V., Baesens, B., Suykens, J., Poel, D. V., Baestaens, D. E., & Willekens, M.(2006). Bayesian Kernel Based Classification For Financial Distress Detection. European Journal Of Operational Research, 172, 979-1003.


• Gilbert, L. R., Menon, K., & Schwartz, K. B. (1990). Predicting Bankruptcy for Firms in Financial Distress. Journal of Business Finance and Accounting, 17(1), 161-171.


• Gordon, M. J. (1971). Toward a Theory of Financial Distress. The Journal of Finance, 26(2): 347-356.


• Hal, S. (2007).  The  Influence of  the  Business Cycle  on  Bankruptcy Probability.