The present research aimed to identify and analyze effective drivers in the future of crypto fintechs using a fuzzy approach. The research was applied in terms of purpose and had a quantitative methodology. The theoretical population consisted of financial experts in fintechs and blockchain technology. Judgmental sampling was performed based on the expert's expertise. A sample size of 10 was studied. Two quantitative techniques, fuzzy Delphi and DEMATEL, were utilized in the study, and the expert and effect assessment questionnaires, which had desired validity and reliability, were used to collect data. The research had three stages; first, 22 drivers were obtained using the literature review and interviews with experts. Second, the drivers were screened by distributing expert assessment questionnaires and the fuzzy Delphi method. Third, 10 drivers were selected for the final analysis due to the suitable deffuzification number. Such drivers were evaluated by distributing effect assessment questionnaires and the fuzzy DEMATEL technique. The drivers of national regulatory policies, the development of national RegTechs, and the development of smart contracts in the financial industry respectively had the highest net effects. Practical suggestions were extracted based on prior drivers and interviews with focus groups. Manuscript profile

چکیدهپیش‌بینی ورشکستگی بنگاه‌های اقتصادی یکی از شاخه‌های رشته مالی است که در تحقیقات اخیر بیشتر مورد توجه قرار گرفته است به‌گونه‌ای که الگوهای ورشکستگی توسعه یافته است. در عمده پژوهش‌های صورت گرفته در حوزه پیش‌بینی عملکرد مالی شرکت‌ها و به‌طور خاص، ورشکستگی، تنها به پیش‌بینی و یا مقایسه توان پیش‌بینی مدل‌ها با استفاده از اطلاعات تاریخی صورت‌های مالی پرداخته شده است. از آنجا که در ایران بیشتر از اطلاعات تاریخی حسابداری استفاده شده است هدف اصلی این پژوهش لحاظ نمودن آثار تورم بر روی متغیرهای ورودی در طراحی مدل پیش‌بینی ورشکستگی می‌باشد. لذا متغیرها در دو گروه نسبت‌های مالی تعدیل شده و تاریخی، در طراحی دو مدل متفاوت دسته‌بندی شدند، سپس با استفاده از الگوریتم لارس نسبت‌های گویاتر تمایز بین شرکت‌های ورشکسته و غیرورشکسته، انتخاب گردیدند و در نهایت با به‌کارگیری آزمون رگرسیون لاجیت و الگوریتم‌های ماشین بردار پشتیبان و نیو بیزین مدل نهایی پیش‌بینی‌کننده ورشکستگی شکل گرفت. بدین منظور داده‌های50 شرکت پذیرفته شده در بورس تهران براساس ماده 141 قانون تجارت برای حداقل یکسال ورشکستگی را تجربه کرده بودند، به‌کار‌گرفته شد. نتایج این پژوهش اثبات نمود که نسبت‌های مالی تعدیل شده بر مبنای شاخص قیمت‌ها پیش‌بینی‌کننده مناسب‌تری برای ورشکستگی شرکت‌ها می‌باشند همچنین، مدل طراحی شده توسط الگوریتم ماشین بردار پشتیبان با دقت 4/99% و برازش بالاتر نسبت به مدل‌های دیگر، پیش‌بینی‌کننده مناسبی برای ورشکستگی شرکت‌ها می‌باشد. Manuscript profile

چکیده هدف اصلی مطالعه حاضر، بررسی وضعیت ریسک (ریسک ویژه، ریسک بازار و ریسک کل) در مراحل مختلف چرخه عمر شرکت ها و تأثیر مالکیت دولتی و غیر دولتی بر این رابطه می باشد. در این راستا ابتدا با استفاده از مدل سه عاملی فاما و فرنچ ریسک ویژه در شرکت های نمونه برآورد گردید. ریسک بازار بر اساس انحراف معیار سالانه بازدهی شاخص بورس محاسبه گردید و ریسک کل نیز از مجموع ریسک بازار و ریسک ویژه محاسبه شده است. مراحل مختلف چرخه عمر شرکت ها به پیروی از الگوی دیکینسون با استفاده از سه طبقه صورت جریان وجه نقد (عملیاتی، سرمایه گذاری و تأمین مالی) تعیین گردید. در این تحقیق از داده های 136 شرکت و به منظور آزمون فرضیات تحقیق، از شش مدل رگرسیونی پانل دیتا استفاده شده است. به ترتیب ریسک ویژه، ریسک بازار و ریسک کل در این مدل ها به عنوان متغیر وابسته در نظر گرفته شده است. نتایج برآورد مدل های نهایی تحقیق نشان می دهد که ریسک ویژه، ریسک بازار و ریسک کل در مراحل معرفی، رشد و افول در مقایسه با مراحل بلوغ و رکود چرخه عمر شرکت های پذیرفته شده در بورس اوراق بهادار تهران بالاتر است. علاوه بر این نتایج این تحقیق حاکی از تأثیر معنادار مالکیت دولتی بر رابطه بین ریسک ویژه و مراحل چرخه عمر شرکت های پذیرفته شده در بورس اوراق بهادار تهران دارد. Manuscript profile