بررسی قابلیت الگوریتم J48 جهت پیش بینی ورشکستگی شرکت ها و مقایسه آن با شبکه عصبی مصنوعی و مدل های لوجیت و پروبیت باینری
محل انتشار: دومین همایش بین المللی مدیریت و فرهنگ توسعه
سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,206
فایل این مقاله در 13 صفحه با فرمت PDF و WORD قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICOM02_289
تاریخ نمایه سازی: 19 اردیبهشت 1395
چکیده مقاله:
هدف اصلی این پژوهش بررسی قابلیت الگوریتم J48 جهت پیش بینی ورشکستگی اقتصادی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و مقایسه آن با شبکه عصبی مصنوعی و مدل های لوجیت و پروبیت باینری است. نسبت های مالی به عنوان متغیرهای مستقل و شرکتهای سالم و ورشکسته به عنوان متغیر وابسته پژوهش در نظر گرفته شده است. جامعه آماری اطلاعات صورتهای مالی شرکت ها در بورس اوراق بهادار تهران طی سال های 1388 تا 1392 است. گروه ورشکسته بر مبنای ماده 141 قانون تجارت و زیان ده بودن انتخاب شده اند و گروه غیر ورشکسته بر اساس معیار سود دهی انتخاب شده اند.نمونه تحت بررسی شامل 72 شرکت می باشد.که از این تعداد 30 شرکت ورشکسته و مابقی غیرورشکسته می باشند.پس از انجام مراحل آماری الگوریتم J48 با دقت 91.66% ،شبکه عصبی پرسپترون چند لایه با دقت 91.95%، مدل لوجیت با دقت 85% و مدل پروبیت با دقت 88%عمل نمودند. لذا شبکه عصبی مصنوعی و الگوریتم J48 محافظه کارتر از دو روش مذکور عمل نموده اند.و همین طور برای مدل سازی پیش بینی ورشکستگی با توجه به نمودار مربوطه متغیر بازده دارایی ها در اولویت اول، متغیر نسبت جاری در اولویت دوم و متغیر دارایی جاری به فروش در اولویت سوم می باشند.
کلیدواژه ها:
نویسندگان
معصومه طباطبائی
دانشجوی کارشناس ارشد حسابداری، واحد بروجرد،دانشگاه آزاد اسلامی، بروجرد،ایران
داریوش جاوید
استادیار گروه حسابداری، واحد بروجرد،دانشگاه آزاد اسلامی، بروجرد،ایران
محمدرضا معظمی گودرزی
استادیار گروه ریاضی، واحد بروجرد،دانشگاه آزاد اسلامی، بروجرد،ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :