نقش نسبتهای مالی تصویری در پیش بینی ورشکستگی شرکت ها با استفاده از مدل شبکه های عصبی کانولوشن و مقایسه آن با مدل های سنتی
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 186
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ACCTG-28-3_007
تاریخ نمایه سازی: 10 بهمن 1400
چکیده مقاله:
هدف: هدف پژوهش حاضر، آزمون بهکارگیری نسبتهای مالی تصویری برای پیشبینی ورشکستگی شرکتها با استفاده از شبکه عصبی کانولوشن و مقایسه آن با مدلهای سنتی است. روش: دوره زمانی پژوهش ۱۳۸۸ تا ۱۳۹۷ بوده است. شرکتهای نمونه از بین شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و در قالب دو گروه شامل ۶۶ شرکت ورشکسته و ۶۶ شرکت غیر ورشکسته انتخاب شدهاند. از آنجا که کار شبکه عصبی کانولوشن شناخت تصاویر از بین تصاویر موجود است، ابتدا نسبتهای مالی بهعنوان دادههای پژوهش از طریق نرمافزار متلب ۲۰۱۹ به تصویر تبدیل شد، سپس بهکمک شبکه عصبی کانولوشن و تحت معماری گوگلنت به تشخیص و پیشبینی وضعیت شرکتهای نمونه اقدام شد. یافته ها: مدل شبکههای عصبی کانولوشن از روی تصاویر، با دقت ۵۰ درصد شناخت و پیشبینی درستی انجام دادند. از طرفی، برای تقویت نتایج و تعیین اثربخشی فرضیه نخست، سه فرضیه دیگر نیز برای مقایسه مدلهای آلتمن، اسپرینگیت و زیمسکی مطرح شد که نتایج هر سه نشاندهنده عدم تایید دقت بیشتر مدل کانولوشن در مقایسه با این سه مدل بود. نتیجه گیری: پیشرفت در رایانه و استفاده از یادگیری عمیق که به نوعی بهبود در هوش مصنوعی محسوب میشود، بر پیشبینی ورشکستگی از طریق نسبتهای مالی تصویری تاثیرگذار است. با وجود این، برای تحکیم نتایج آزمون فرضیه اول، سه مدل کاربردی پیشبینی ورشکستگی شامل مدل آلتمن (۱۹۸۳)، اسپرینگیت (۱۹۷۸) و زیمسکی (۱۹۸۴) آزمون شد که نتایج هر سه دقت بیشتر مدل کانولوشن را در مقایسه با این سه مدل تایید نکرد.
کلیدواژه ها:
نویسندگان
عباسعلی حق پرست
دانشجوی دکتری، گروه حسابداری، واحد بین المللی چابهار، دانشگاه آزاد اسلامی، چابهار، ایران.
علیرضا مومنی
استادیار، گروه حسابداری، دانشگاه پیام نور، تهران، ایران.
عزیز گرد
استادیار، گروه حسابداری، دانشگاه پیام نور، تهران، ایران.
فردین منصوری
استادیار، گروه حسابداری، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :