دانش حسابداری، جلد ۱۶، شماره ۲، صفحات ۱۵۱-۱۷۶
عنوان فارسی پیش‌بینی درماندگی مالی شرکت‌ها با استفاده از اطلاعات متنی گزارش‌های فعالیت هیئت‌مدیره
چکیده فارسی مقاله هدف: اهمیت بالای درماندگی مالی برای حیات اقتصادی کشور و هزینه‌های بالای فردی و اجتماعی آن، موضوع پیش‌بینی درماندگی مالی را به یک مسئله مهم برای استفاده‌کنندگان و ذی‌نفعان صورت‌های مالی تبدیل کرده است. عمده پژوهش‌ها باتکیه‌بر اطلاعات مالی ساختاریافته و کمی صورت‌های مالی درماندگی مالی را پیش‌بینی کردند؛ اما در این پژوهش تلاش شده است با استفاده از تکنیک متن‌کاوی و الگوریتم‌های یادگیری ماشین، از اطلاعات ساختار نیافته گزارش‌های هیئت‌مدیره جهت پیش‌بینی درماندگی مالی استفاده شود.
 
روش: به همین منظور گزارش هیئت‌مدیره 100 شرکت بورسی در بازه زمانی 1390-1400 جمع‌آوری، با استفاده از زبان برنامه‌نویسی پایتون مورد متن‌کاوی (شامل مراحل پیش‌پردازش، استخراج ویژگی، انتخاب ویژگی و ...) قرار گرفتند و سپس مدل‌سازی آن با استفاده از الگوریتم‌های یادگیری ماشین در زبان برنامه نویسی پایتون انجام گرفت.
 
یافته‌ها: نتایج پژوهش حاکی از برتری دو روش مدل درخت تصمیم و ماشین بردار پشتیبان با کرنل شعاعی نسبت به سایر روش‌ها (شامل رگرسیون لجستیک، جنگل تصادفی، نزدیک‌ترین همسایگی و روش‌های ماشین بردار پشتیبان با کرنل‌های خطی، سیگموئید و چندجمله‌ای) بود.
 
نتیجه‌گیری: در واقع نتایج این پژوهش نشان داد که به‌جای توجه صرف بر اعداد و ارقام و نسبت‌های مشتق شده، می‌توان از تکنیک متن‌کاوی نیز جهت تجزیه‌وتحلیل و پیش‌بینی استفاده کرد و با تلفیق آن با نتایج حاصل از اطلاعات کمی می‌توان درماندگی مالی شرکت‌ها پیش‌بینی نمود.
کلیدواژه‌های فارسی مقاله درماندگی مالی،متن‌کاوی،یادگیری ماشین،پایتون،
عنوان انگلیسی Predicting Financial Distress of Companies Using Textual Information of Board of Directors' Activity Reports
چکیده انگلیسی مقاله Objective: Financial distress is a serious concern for the economic sustainability of countries. The individual and social costs associated with financial distress have made its prediction a crucial issue for many managers, stakeholders, policymakers, and auditors. While most prior studies have relied on structured and quantitative financial data, this research aims to employ text mining techniques and machine learning algorithms to predict financial distress using unstructured data extracted from board of directors’ activity reports.
 
Method: To achieve this objective, the board of directors' reports of 100 listed companies over the period 2011–2021 were collected. The textual content of these reports was analyzed using Python, involving preprocessing, feature extraction, and feature selection. the statistical analysis and modeling phase was carried out using various machine learning algorithms.
 
Results: The results of the study indicated the superiority of the two methods, the decision tree model and the support vector machine with radial kernel, over other methods (including logistic regression, random forest, nearest neighbor, and support vector machine methods with linear, sigmoid, and polynomial kernels).
 
Conclusion: The findings of this study suggest that, rather than solely relying on numerical data and the ratios derived from such figures, text mining techniques can also be effectively utilized for analysis and prediction. Furthermore, by integrating insights from unstructured textual data with structured quantitative information, it is possible to enhance the prediction of corporate financial distress.
کلیدواژه‌های انگلیسی مقاله درماندگی مالی,متن‌کاوی,یادگیری ماشین,پایتون
نویسندگان مقاله مجتبی عالی فامیان |
گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

محمد مرفوع |
گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

محمدجواد سلیمی |
گروه حسابداری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

ایمان رئیسی ,وانانی |
گروه مدیریت عملیات و فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

نشانی اینترنتی https://jak.uk.ac.ir/article_4244_8b461df424f54773ea6dfbbe6e7b5497.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات