Comparing the Identifying Criteria for Financially Distressed Companies using Logistic Regression and Artificial Intelligence Methods
Notice bibliographique
Résumé
در محیط رقابتی امروز و با تغییرات شرایط بازارها، احتمال درماندگی مالی شرکتها افزایش یافته است. در این شرایط افراد، شرکتهای سرمایهگذار و سازمانهای مالی تلاش زیادی برای اطلاع از وضعیت فعلی و آتی شرکتهای سرمایهپذیر در جهت محافظت از سرمایه خود انجام میدهند. ارزیابی و تشخیص صحیح وضعیت مالی شرکتها و همچنین پیشبینی وضعیت مالی آتی آنها نیازمند استفاده از معیارهای کارآمد با احتمال خطای کمتر است؛ بنابراین هدف این پژوهش رتبهبندی معیارهای منتخب در شناسایی بهتر شرکتهای درمانده مالی است. بدین منظور پس از بررسی و شناسایی پرکاربردترین معیارها و مدلهای تشخیص شرکتهای درمانده، با استفاده از آنها شرکتهای درمانده «بورس اوراق بهادار تهران» طی سالهای 1384 تا 1396 از شرکتهای غیردرمانده (سالم) تفکیک و با استفاده از نتایج حاصل از رگرسیون لجستیک و روشهای هوش مصنوعی و معیارهای ماده 141 قانون تجارت ایران، آلتمن (1968)، آلتمن (1995) و آسکویت و همکاران (1994) مقایسه شدند. نتایج نشان داد در دوره مورد بررسی و در شرایط حاکم بر شرکتهای ایرانی مستقر در «بورس اوراق بهادار تهران»، معیار آسکویت و همکاران (1994)، بهترین روش برای شناسایی شرکتهای درمانده مالی است و معیارهای آلتمن (1995)، ماده 141 قانون تجارت ایران و آلتمن (1968) در اولویتهای بعدی از لحاظ شناسایی شرکتهای درمانده قرار گرفتند.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».