Business Failure Prediction: A Tri-dimensional Approach
Notice bibliographique
Résumé
Investigations of corporate failure prediction research usually implement binary classification into one of the distinguished groups – Distress or non-Distress companies. This study looks at a tri-dimensional approach which cluster firms into three (3) distinct dimensions namely - non-distress, semi-distressed and distressed. The study used secondary data from 2011 to 2015 obtained from the Ghana Stock Exchange (GSE) spanning across six industries, namely, Banking & Finance, Distribution, Food & Beverage, Insurance, Manufacturing and Mining & Oil. The study initially adopted the Altman (1968) Z score bankruptcy model to classify companies into non-distress, semi-distressed and distressed. Further analysis was conducted using the Hierarchical agglomerative cluster analysis to cluster companies into non-distress, semi-distressed and distressed. A comparison was then made between the Hierarchical agglomerative clustering against the Altman (1968) Z score bankruptcy classification to obtain higher classification. The outcome of the analysis revealed that the Hierarchical agglomerative cluster analysis and the Altman (1968) Z score bankruptcy model can both be used to classify companies into nondistress, semi-distressed and distressed based on the tri-dimensional approach instead of the binary classification (distressed and non-distressed). The study recommends that future research can explore other clustering methods for bankruptcy prediction to achieve higher and better classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».