چکیده:
پیش بینی ریسک ورشکستگی مالی یکی از مهمترین موضوعات در حوزه تصمیم گیری مالی بیمارستان ها است. در این مطالعه، پیش بینی با استفاده از متغیرهای حسابرسی و افشاگری های گزارشات حسابرسی و تکنیک های الگوریتم درخت تصمیم C5.0 و الگوریتم عصبی از نوع مدل معمولی و پرسپترون چندلایه ( MLP ) صورت پذیرفت. نمونه پژوهش شامل 100 بیمارستان طی سال های(1387-1396) از طریق نمونه گیری حذف سیستماتیک مورد بررسی قرارگرفت. نتایج پژوهش نشان می دهد که الگوی طراحی شده توسط الگوریتم درخت تصمیم C5.0 و الگوریتم های شبکه های عصبی به ترتیب ، دقت پیش بینی 61 و 7/66 درصد را دارد که این اعداد ، دقت زیاد مدل طراحی شده را برای این بیمارستان ها را نشان می دهد . نتایج پژوهش نشان می دهد که الگوی طراحی شده توسط الگوریتم درخت تصمیم C5.0 و الگوریتم های شبکه های عصبی به ترتیب ، دقت پیش بینی 61 و 7/66 درصد را دارد که این اعداد ، دقت زیاد مدل طراحی شده را برای این بیمارستان ها را نشان می دهد .
Predicting the risk of financial bankruptcy is one of the most important issues in the field of financial decision making of hospitals. In this study, forecasting was done using audit variables and disclosures of audit reports and techniques of C5.0 decision tree algorithm and neural algorithm of ordinary model type and multilayer perceptron (MLP). The research sample including 100 hospitals during the years (2017-2008) was examined through systematic removal sampling. The results show that the model designed by C5.0 decision tree algorithm and neural network algorithms have a prediction accuracy of 61% and 66.7%, respectively, which are the high accuracy of the model designed for these hospitals. is showing . The research sample including 100 hospitals during the years (2017-2008) was examined through systematic removal sampling. The results show that the model designed by C5.0 decision tree algorithm and neural network algorithms have a prediction accuracy of 61% and 66.7%, respectively, which are the high accuracy of the model designed for these hospitals. is showing .
خلاصه ماشینی:
بررسي پيشينه پژوهش در ايران نشان مي دهد که تاکنون در هيچ پژوهشي ارائه مدل شکست کسب و کار براساس متغيرهاي حسابرسي و افشاگري هاي گزارش هاي حسابرسي تبيين نشده است ، لذا پژوهش حاضر تلاش مي کند به اين پرسش ها پاسخ دهد که آيا افشاگري در گزارش حسابرسي، به توضيح علل شکست کسب و کار کمک مي کند؟، آيا متغيرهاي حسابرسي، به توضيح علل شکست کسب و کار کمک مي کند؟ آيا طراحي مدلي که بتواند برمبناي متغيرهاي حسابرسي و افشاگري گزارش هاي حسابرسي ، شکست کسب و کار را از قبل تبيين و پيش بيني کند ، قابل تصوراست ؟ واينکه کداميک از تکنيک هاي شبکه هاي عصبي، درخت تصميم و مدل رگرسيون لجستيک از دقت پيش بيني کننده بالاتري برخوردارند ؟ ٢-مباني نظري و مروري بر پيشينه پژوهش دولت ها در اين موقعيت ، آنها بايد بودجه جداگانه اي داشته باشند و نمي توانند انتظار نجات مداوم داشته باشند براي بي کفايتي مالي (آرماريو ، ٢٠١٠).
عاطفت دوست و همکاران (١٣٩٦) در پژوهشي با عنوان پيش بيني ريسک ورشکستگي مالي بر اساس مدل هاي حسابداري، بازاري و ترکيبي با استفاده از تکنيک شبکه هاي عصبي RBF و MLP در بورس اوراق بهادار تهران نشان دادند شبکه عصبي در هر سه مدل شامل (متغيرهاي حسابداري، بازاري و ترکيبي) کاراتر است و دقت مدل ترکيبي بيشتر از مدل هاي حسابداري و بازاري است .
بنابراين اگر افشايي مربوط به دارايي ها، عوامل محيطي اقتصادي و مقرراتي باشد يا نباشد؛ و همچنين بندهاي توضيحي گزارشات حسابرسي بزرگتر مساوي ٧؛و هيچ افشايي مربوط به طرح هاي مديريت براي پياده سازي و نتايج مالي دوره اي وجود نداشته باشد، دقت مدل پيش بيني شده برابر با ٨٥/٢ درصد است .
Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.