اخبار و اعلانات

 آمار

تعداد نشریات44
تعداد شماره‌ها1,914
تعداد مقالات15,524
تعداد مشاهده مقاله45,962,889
تعداد دریافت فایل اصل مقاله18,677,704
Osta, Sohrab, Alifamian, Mojtaba, Marfou, Mohammad, Parsafard, Behrang. (1405). پیش‌بینی درماندگی مالی شرکت‌ها بر اساس اطلاعات کمی و کیفی گزارش‌های سالانه با استفاده از تکنیک‌های متن‌کاوی. , (), 13-26. doi: 10.22108/far.2026.148955.2224
Sohrab Osta; Mojtaba Alifamian; Mohammad Marfou; Behrang Parsafard. "پیش‌بینی درماندگی مالی شرکت‌ها بر اساس اطلاعات کمی و کیفی گزارش‌های سالانه با استفاده از تکنیک‌های متن‌کاوی". , , , 1405, 13-26. doi: 10.22108/far.2026.148955.2224
Osta, Sohrab, Alifamian, Mojtaba, Marfou, Mohammad, Parsafard, Behrang. (1405). 'پیش‌بینی درماندگی مالی شرکت‌ها بر اساس اطلاعات کمی و کیفی گزارش‌های سالانه با استفاده از تکنیک‌های متن‌کاوی', , (), pp. 13-26. doi: 10.22108/far.2026.148955.2224
Osta, Sohrab, Alifamian, Mojtaba, Marfou, Mohammad, Parsafard, Behrang. پیش‌بینی درماندگی مالی شرکت‌ها بر اساس اطلاعات کمی و کیفی گزارش‌های سالانه با استفاده از تکنیک‌های متن‌کاوی. , 1405; (): 13-26. doi: 10.22108/far.2026.148955.2224

پیش‌بینی درماندگی مالی شرکت‌ها بر اساس اطلاعات کمی و کیفی گزارش‌های سالانه با استفاده از تکنیک‌های متن‌کاوی

نشریه پژوهش های حسابداری مالی
مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 19 مرداد 1405    اصل مقاله (1.1 M)
نوع مقاله: مقاله پژوهشی فارسی
شناسه دیجیتال (DOI): 10.22108/far.2026.148955.2224
نویسندگان
Sohrab Osta1؛ Mojtaba Alifamian2؛ Mohammad Marfou* 3؛ Behrang Parsafard2
1Associate Professor of Accounting, University of Ilam, Ilam, Iran.
2PhD in Accounting, Allameh Tabatabaei University, Tehran, Iran
3Assistant Professor, Department of Accounting, Allameh Tabataba’i University, Tehran, Iran
چکیده
هدف: مطالعه حاضر به دنبال تجزیه و تحلیل داده‌های بدون ساختار از گزارش سالانه و ترکیب آن با اطلاعات مالی کمی برای پیش‌بینی مشکلات مالی از طریق تکنیک‌های متن‌کاوی و الگوریتم‌های یادگیری ماشین است.

روش: با استفاده از روش دلفی فازی، متغیرهای کمی مؤثر بر درماندگی مالی بر اساس نظر خبرگان شناسایی و اطلاعات کمی آنها از صورت‌های مالی استخراج شد و سپس، گزارش ۱۰۰ شرکت پذیرفته‌شده در بورس در بازه زمانی ۲۰۱۳ تا ۲۰۲۳ جمع‌آوری و پس از تبدیل فایل‌های PDF مربوطه به فایل‌های Word، با استفاده از زبان برنامه‌نویسی پایتون، عملیات داده‌کاوی (شامل پیش‌پردازش، استخراج ویژگی، انتخاب ویژگی و غیره) توسعه داده شد.



یافته‌ها: نتایج پیش‌بینی، نشان‌دهنده قدرت پیش‌بینی بالای مدل SVM با هسته شعاعی در مقایسه با سایر مدل‌ها است. به طوری که توانایی آن در پیش‌بینی درماندگی مالی بر اساس سه روش کمی، کیفی و تلفیقی به ترتیب ۸۵، ۹۱ و ۹۲ درصد است.



نتیجه‌گیری: نتایج این تحقیق نشان داد که به جای توجه صرف به اعداد و نسبت‌های حاصل از این اعداد، می‌توان از تکنیک متن‌کاوی نیز برای تحلیل و پیش‌بینی استفاده کرد و با ترکیب آن با نتایج به‌دست‌آمده از اطلاعات کمی، درماندگی مالی شرکت‌ها را تعیین نمود. اگرچه دقت پیش‌بینی نتایج حاصل از داده‌های بدون ساختار در مقایسه با داده‌های ساختاریافته با قابلیت پیش‌بینی حدود ۹۰٪ کمتر است، اما شناخت و استفاده از ظرفیت این نوع اطلاعات بسیار مهم است، به طوری که بسیاری از دانشگاهیان و متخصصان معتقدند که افشای کمی به تنهایی برای تصمیم‌گیری‌های اقتصادی مؤثر نیست.
کلیدواژه‌ها
بحران مالی؛ متن کاوی؛ یادگیری ماشین؛ پایتون؛ TF-IDF
مراجع
آمار
تعداد مشاهده مقاله: 188
تعداد دریافت فایل اصل مقاله: 60


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب