پيش بيني درماندگي مالي شركت ها بوسيله مدل هاي ماشين بردار پشتيبان و تحليل مميزي چندگانه

Bankruptcy Prediction by Support Vector Machines and Multiple Discriminate Analysis Models

توانايي پيش بيني درماندگي مالي شركت ها به عنوان يكي از حوزه هاي مديريت ريسك، از اهميت ويژه اي برخوردار است. هدف تحقيق حاضر بهبود فرآيند پيش بيني درماندگي مالي با تكيه بر دو بخش مهم در فرآيند مزبور است. براي اين منظور ساختار تحقيق در دو بخش پيكربندي شده است. در بخش نخست تمركز اين مقاله بر متغيرهاي پيش بين بوده و در بخش دوم نيز بر دو مدل مهم پيش بيني درماندگي مالي شركت ها تاكيد شده است. براي تحقق اين هدف مجموعه اي از20 نسبت مالي به همراه امتياز كارايي به عنوان يك متغير پيش بين غير مالي، كانديداي ورود به دو مدل پيش بيني كننده مهم و در عين حال متفاوت ماشين بردار پشتيبان و تحليل مميزي چندگانه شدند. امتياز كارايي مزبور به وسيله مدل تحليل پوششي داده ها محاسبه گرديده است. به منظور برآورد متغيرهاي تاثيرگذار و همچنين تسريع عمليات پيش بيني، با استفاده از فرآيند انتخاب ويژگي از ميان 21 متغير مورد نظر تعداد 10 نسبت مالي به همراه متغير غير مالي كارايي براي ورود به مدل هاي پيش بيني انتخاب شدند. همچنين به منظور جلوگيري از پديده فرايادگيري از روش اعتبار سنجي متقابل با 12 زيرمجموعه براي هر يك از مدل هاي پيش بيني كننده، استفاده گرديد. در ادامه به منظور بررسي تاثير متغير غير مالي كارايي، متغيرهاي انتخابي يك بار با حضور كارايي و بار ديگر بدون حضور اين متغير به ترتيب وارد مدل هاي پيش بيني شدند. نتايج بدست آمده حاكي از عدم تغيير دقت كلي اين مدل ها بود. بدين ترتيب هيچ يك از فرضيه هاي تحقيق تاييد نشدند.

Ability to predict financial distress as one of the areas of risk management has various social and individual aspects. The aim of this study is to improve predicting financial distress process relying on two important processes. The first part of this article focuses on the financial distress predictor variables and then the two major models of financial distress prediction have been emphasized. For the goal, 20 financial ratios and efficiency of corporate as non-financial predictive variable, entering the two predictive models also differ in nature mean support vector machines and multiple discriminate analyses. The efficiency was computed by DEA. In order to have a real and effective estimate of predictive variables, by using feature selection method among variables, 10 financial ratios beside efficiency have chosen. Also to avoid of over fitting, cross-validation method with 12 v-folds has been conducted. As well as to compute the influence of efficiency on prediction accuracy, the prediction models were conducted by with and without efficiency respectively. Because of lack of the significant difference in the results of mentioned models, all hypotheses were rejected.