بررسی عوامل مؤثر بر ورشکستگی با به بهره گیری از کارایی به عنوان یک متغیر پیش بینی کننده مبتنی بر رهیافت پنل دیتا لاجیت (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
ورشکستگی یکی از موضوعات مهم در ادبیات مالی است. با بررسی عوامل مؤثر بر ورشکستگی، می توان اطلاعات مفیدی در اختیار دولت، بانک مرکزی، بانک ها، مؤسسات مالی، اعتباردهندگان، سرمایه گذاران بازار سرمایه و پیش بینی کنندگان ورشکستگی قرار داد. در مقاله ی حاضر ابتدا به تفاوت بین دو مفهوم ورشکستگی و درماندگی مالی می پردازیم؛ سپس متغیر کارایی از روش تحلیل پوششی داده ها محاسبه شده و به عنوان متغیر توضیحی در کنار سایر متغیرهای موجود در مدل، در قالب پنل دیتا لاجیت برای 36 شرکت تولیدی، طی دوره ی زمانی1393 -1388 برازش می شود. مدل کارایی از روش های بازده ثابت نسبت به مقیاس، بازده متغیر نسبت به مقیاس، الگوی جمعی و از روش اندرسون–پیترسون محاسبه شده است که در بین متغیر های محاسبه شده، متغیر کارایی با بازده ثابت نسبت به مقیاس معنادار می شود. در نهایت مدل رگرسیون لاجیت، یک بار بدون تصریح متغیر کارایی و بار دیگر با متغیر کارایی برازش شده و در تمامی الگوهایی که با لحاظ متغیر کارایی برازش می شود، دقت مدل به طور معناداری افزایش می یابد.Bankruptcy prediction by using efficiency as a predictor variable based on Logit Panel data
Investigating the factors affecting bankruptcy is one of the most Investigating the factors affecting bankruptcy is one of the most important issues in financial literature. Itcan provide useful information to government, central bank, banks, financial institutions, creditors, and capital market investors. In this paper, we discussed the differences between two concepts of bankruptcy and insolvency. We then calculated the efficiency variable through data envelopment analysis (DEA), and we fitted it as an explanatory variable alongside available variables in logit panel data for 36 manufacturing companies during the period of 1388-93. The efficiency model was calculated by constant return to scale, variable return to scale, collective pattern and Anderson- Peterson methods. The efficiency variable was significant with constant return to scale. Finally, logit regression model was fitted twice, without specification of the efficiency variable and further with the efficiency variable. We found that in all patterns which were fitted by the efficiency variable, accuracy of the model prediction significantly increased.