Comparing the Identifying Criteria for Financially Distressed Companies using Logistic Regression and Artificial Intelligence Methods
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.057 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.014 | 0.007 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".