Abstract:
پژوهش حاضر به بررسی پیش بینی ورشکستگی شرکتها ی پذیرفته شده که شامل 70 شرکت ورشکسته و 70 شرکت غیر ورشکسته طی دوره 97-89 است. این شرکتها از طریق فرایند تصادفی به دو نمونه آموزشی (شامل 46 شرکت ورشکسته و 46 شرکت غیر ورشکسته) برای ساخت مدلها و نمونه آزمایشی (شامل 24 شرکت ورشکسته و 24 شرکت غیر ورشکسته) جهت آزمون روایی بیرونی مدلها تقسیم شدهاند. با استفاده از دو تکنیک رگرسیون لوجستیک و جنگلهای تصادفی و بکارگیری نسبتهای مالی منتخب، دو مدل جهت پیشبینی ورشکستگی استخراج شده و نتایج حاصل از آنها مورد مقایسه قرار گرفته است. مدل رگرسیون لوجستیک توانست 87% شرکتهای نمونه آموزشی و 79% شرکتهای نمونه آزمایشی را یک سال پیش از ورشکستگی به درستی در گروههای ورشکسته و غیر ورشکسته طبقهبندی نماید. همچنینی، مدل جنگلهای تصادفی توانست نمونههای آموزشی و آزمایشی به ترتیب با دقت 4/90 و 90 درصد مشاهدات را به درستی در گروههای ورشکسته و غیرورشکسته طبقهبندی نماید. آزمون McNemar نشان داد که مدل جنگلهای تصادفی در مقایسه با مدل رگرسیون لوجستیک، از برتری قابل توجهی برخوردار است. روش پژوهش از نظر هدف کاربردی میباشد و از نظر ماهیت توصیفی دارد.
The health database contains a broad range of clinical data through which the discovered communication patterns and algorithms are led to new medical data achievements. Nowadays due to the existing integrated data as well as the informatics technology growth, it has turned into be a significant emergence. This study aims to identify the potential advantages with which data mining techniques can be applied for health and treatment trends using RADOIR’s patients' data as a case study. The most usual method is WEKA based data pre-processing, data mining and classification with decision tree to create prediction modalities via picturing a tree in order to analyze a rare disease. Result & Also we have used WEKA to evaluate the prediction processing via measuring and analyzing the sensitivity rate. As a result, there are some factors which a patient supporting center can take them into consideration while predicting the patients’ treatment costs and expenses.
Machine summary:
پیش بینی ورشکستگی شرکتها ی پذیرفته شده در بورس اوراق بهادار با استفاده از الگوریتم جنگل تصادفی (با تاکید بر گزارشگری مالی) ماریا وزیری 1 تاریخ دریافت: 14/04/1399 تاریخ چاپ: 28/04/1399 چکیده پژوهش حاضر به بررسی پیش بینی ورشکستگی شرکتها ی پذیرفته شده که شامل 70 شرکت ورشکسته و 70 شرکت غير ورشکسته طي دوره 97-89 است.
با استفاده از دو تکنيک رگرسیون لوجستیک و جنگلهای تصادفی و بکارگيري نسبتهای مالي منتخب، دو مدل جهت پیشبینی ورشکستگي استخراج شده و نتايج حاصل از آنها مورد مقايسه قرار گرفته است.
روش کار هدف تبیین بکارگیری الگویی مناسب در جهت بیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس با استفاده از الگوریتم جنگل تصادفی می باشد.
حسینی، محسن و رشیدی زینب (2013) پیش بینی ورشکستگی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از درخت تصمیم و رگرسیون لجستیک، پژوهش حسابداری مالی، سال پنجم، شماره 3، ص 130-105 خوشطینت، محسن و محمد تقی، قسوري.
اثر تعدیل گر کیفیت سود در پی بینی درماندگی مالی شرکت های پذیرفته شده بورس اوراق بهادار تهران مقاله 2، 4(4).
(1990), "Predicting Bankruptcy for Firm In Financial Distress," Journal of Business and Accounting, Vol. 17, No. 1, pp.
Using two logistic regression techniques and random forests and using selected financial ratios, two models for bankruptcy prediction have been extracted and the results have been compared.
The logistic regression model was able to 87% of educational sample companies and 79% of experimental sample companies are properly classified in bankrupt and non-bankrupt groups one year before bankruptcy.
Keywords Bankruptcy, Prediction model, Financial reporting, Stochastic forest algorithm, Logistics.