Financial Distress and It’s Prediction: A Case Study of the Textile and Garment Industry
Notice bibliographique
Résumé
Aims: The objective of this research is to glance at the projections of financial distress in the textile and garment sub-sectors listed on the IDX.
 Methodology: The case study method is used in this study to employ the descriptive quantitative method approach. While the IDX is the source of the case study data, the purposive sampling method was used on the financial statements of textile and garment sub-sector companies in 2019 and the first quarter of 2020. While the cross-sectional method is used for case study analysis, or by comparing the Z-score (multiple discriminant analysis) that has been performed between one company and the standard zone that has been carried out simultaneously.
 Results: This study discovered that the case study using multiple discriminant analysis models in the first quarter of 2020 shows a significant impact of Covid-19 on the financial condition of companies listed on the IDX in the textile and garment industry, with 88 percent of companies in a stress zone. This study also shows that both internal and external factors can lead to a company's demise. As a result, corporate financial management decision-making must consider the company's liquidity, debt proportion, and the efficient use of working capital.
 Implication/Applications: The findings of this study can be useful not only for researchers, but also for practitioners who are interested in financial distress cases.
 The Originality of the Study: One of the study's limitations is that the sample is still limited to the research scope, which only covers the two sectors. Furthermore, this study only employs a single model of financial distress. As a result, it is hoped that in the future, research will be conducted with various types of company sectors and using various financial distress models.
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 | 0,001 | 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 ».