بررسی توانایی شاخص های حسابداری و غیرحسابداری موثر بر پیش‌بینی درماندگی مالی و مقایسه روش های پارامتریک و ناپارامتریک

هدف این تحقیق، بررسی توانایی شاخصهای حسابداری و غیرحسابداری موثر بر پیش‌بینی درماندگی مالی و مقایسه روش های پارامتریک و ناپارامتریک است. بدین منظور اطلاعات 211 سال شرکت درمانده منتخب بر اساس معیارهای خاص درماندگی و 211 سال شرکت سالم پذیرفته‌شده در بورس اوراق بهادار تهران در فاصله بین سال های 1384 الی 1393 مورد استفاده قرار گرفته‌است. در این مطالعه از 32 شاخص حسابداری و 20 شاخص غیرحسابداری به همراه دو روش پارامتریک شامل روش های رگرسیون لوجستیک و تحلیل ممیزی چندگانه و هفت روش ناپارامتریک شامل ماشین بردار پشتیبان، شبکه عصبی مصنوعی، درخت تصمیم (با 4 الگوریتم) و شبکه بیزین جهت پیش‌بینی درماندگی مالی استفاده گردیده است. نتایج تحقیق نشان می‌دهد مدل های مستخرج از شاخص های حسابداری به طور معنی‌داری نسبت به مدل های مبتنی بر شاخص های غیرحسابداری از دقت پیش‌بینی بالاتری برخوردارند و اضافه نمودن شاخص های غیرحسابداری به مدل های مبتی بر شاخص های حسابداری، قدرت پیش‌بینی آنها را به طور معنی‌داری افزایش نمی‌دهد. همچنین، علیرغم بالاتر بودن میانگین توانایی پیش‌بینی روش های ناپارمتریک نسبت به روش های پارامتریک، این تفاوت از نظر آماری معنی‌دار نیست.

Effects of Accounting and NonAccounting Indices on Financial Distress Prediction: Comparing Parametric and Nonparametric Methods

This study aims to investigate the effects of accounting and nonaccounting indices on financial distress prediction and also to compare parametric and nonparametric methods. Therefore, the sample consists of 211 distressed firms selected by special distress criteria and 211 healthy firms listed in Tehran Stock Exchange during 20062015. This study applies 32 accounting and 20 nonaccounting indices and uses 2 parametric methods including Logistic Regression and Multivariate Discriminate Analysis and 7 nonparametric methods including Support Vector Machine, Artificial Neural Network, Decision Tree (with 4 algorithms) and Bayesian Network to predict financial distress. The results show that the models extracted from accounting indices have significantly more predicting accuracy than those from nonaccounting indices, and adding nonaccounting indices to the models based on accounting indices does not significantly increases their predicting ability. Also, since the average predicting ability of nonparametric methods is more than parametric ones, this difference is not statistically significant.