Financial distress predictions with Altman, Springate, Zmijewski, Taffler and Grover models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Several models have been developed to predict financial difficulties and corporate bankruptcy. In this research various models were employed, including the Altman model (referred to as the Z-Score), the Springate model (known as the S-Score), the Zmijewski model (designated as the X-Score), and the Grover model (referred to as the G-Score). These techniques serve the purpose of evaluating the likelihood of encountering financial difficulties, which in turn determines the probability of PT Garuda Indonesia (Persero) Tbk going bankrupt. The study utilized secondary data sourced from financial statements spanning the years from 2020 to 2022. The application of the Altman model for bankruptcy prediction revealed that PT Garuda Indonesia (Persero), Tbk experienced financial distress throughout the period from 2020 to 2022. According to the Springate model, the company was in a state of distress and declared bankruptcy in 2020 and 2022, while 2021 fell into a grey area. The Zmijewski model indicated that the company was on the brink of bankruptcy, with financial difficulties and a potential risk of bankruptcy within the next three years. Grover's model predicted bankruptcy for the company in 2020 and 2022, but indicated safety in 2021. Notably, the Taffler model emerged as the most accurate in forecasting bankruptcy, boasting a 100% accuracy rate with no errors. Meanwhile, the Zmijewski model achieved an 81.25% accuracy rate with an error rate of 18.75%, and the Springate model exhibited the lowest accuracy in bankruptcy prediction, scoring only 12.50% accuracy with an error rate of 87.50%.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 découle