پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,877 |
| تعداد مقالات | 15,278 |
| تعداد مشاهده مقاله | 43,730,696 |
| تعداد دریافت فایل اصل مقاله | 17,562,996 |
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، پذیرفته شده، انتشار آنلاین از تاریخ 19 مرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22108/far.2026.148955.2224 | ||
| نویسندگان | ||
| سهراب استا1؛ مجتبی علی فامیان2؛ محمد مرفوع* 3؛ بهرنگ پارسافرد4 | ||
| 1گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه ایلام، ایلام، ایران. | ||
| 2دانشجوی دکتری، گروه حسابداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 3استادیار، گروه حسابداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 4دکترای حسابداری، دانشگاه علامه طباطبایی، تهران، ایران | ||
| 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 | ||
|
آمار تعداد مشاهده مقاله: 55 |
||