پارس پروژه پرتال خدمات دانشگاهی
این مقاله علمی پژوهشی (isi) به زبان انگلیسی همراه با ترجمه تخصصی از نشریه الزویر مربوط به سال ۲۰۲۰ دارای ۱۲ صفحه ی انگلیسی با فرمت PDF و ۳۴ صفحه ترجمه فارسی به صورت فایل WORD قابل ویرایش می باشد در ادامه این صفحه لینک دانلود رایگان مقاله انگلیسی ، بخشی از ترجمه فارسی مقاله و لینک خرید آنلاین ترجمه ی کامل مقاله موجود می باشد.
کد محصول: H569
سال نشر: ۲۰۲۰
نام ناشر (پایگاه داده): الزویر
نام مجله: Economic Modelling
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۱۲ صفحه PDF
تعداد صفحه ترجمه فارسی: ۳۴ صفحه WORD
قیمت فایل ترجمه شده: ۴۹۰۰۰ تومان
عنوان کامل فارسی:
مقاله انگلیسی ترجمه شده ۲۰۲۰ : پیش بینی ورشکستگی برای شرکت های کوچک و متوسط که از مجموعه داده های به شدت نا متوازن استفاده می کنند.
عنوان کامل انگلیسی:
Bankruptcy prediction for small- and medium-sized companies using severely imbalanced datasets
برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید
وضعیت ترجمه: این مقاله به صورت کامل و تخصصی ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)
مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه) بر روی دکمه ذیل کلیک نمایید
چکیده فارسی:
پیش بینی ورشکستگی هنوز موضوع بسیار مهمی است که توجهات زیادی را به خود جلب می کند. اطلاعات موجود در مورد تهدیدات ورشکستگی حتمی یک جنبه مهم در تصمیم گیری مدیران ، نهادهای مالی و سازمانهای دولتی است. در این مقاله ، ما از یک مجموعه داده جدید جمع آوری شده که شامل پارامترهای مالی برگرفته از گزارش های سالانه شرکت های کوچک و متوسط است، استفاده می کنیم. داده ها ، که نشان دهنده نسبت واقعی بین شرکت های ورشکسته و غیر ورشکسته است ، به شدت نامتوازن هستند و فقط بخش کوچکی از آن شامل شرکت های ورشکسته هستند. راه حل ما برای حل این سناریو چالش برانگیز مرتبط با یادگیری نامتوازن ، اتخاذ سه روش طبقه بندی منحصر به فرد بود: رویکرد حداقل مربعات برای تشخیص انحرافات ، الگوریتم جنگل ایزوله و ماشینهای بردار پشتیبانی یک طبقه برای مقایسه با ماشینهای بردار پشتیبانی متعارف. ما یک تجزیه و تحلیل جامع از ویژگی های مالی ارائه می دهیم و مواردی که بیشترین ارتباط را با پیش بینی ورشکستگی دارند ، شناسایی می کنیم. بالاترین عملکرد پیش بینی از نظر میانگین امتیاز هندسی ۹۱٪ است. نتایج در دو مجموعه داده مربوط به صنایع تولیدی و ساختمانی تأیید شده است.
واژه‌های کلیدی: ورشکستگی ، یادگیری نامتوزان ، تشخیص انحرافات ، گزارش های سالانه
۱.مقدمه
بحران مالی اخیر، افزایش آسیب پذیری شرکت های دخیل در روابط تجاری پیچیده، روابط با موسسات مالی، تعهدات نسبت به نهادهای مالیاتی و غیره را نشان داد. تهدید به همه گیری مالی با افزایش پیچیدگی اقتصاد رو به افزایش است. این تجربه افزایش پیچیدگی اقتصاد، باعث بوجود آمدن شواهد پایداری مالی شکننده در شرکت های متعدد شده است. این شرکت ها مستعد شوک های مالی متلاطم هستند که منشاشان از محیط بیرونی است. حتی اگر مطالعات بسیاری به پیش بینی ورشکستگی اختصاص داده شوند، یک رویکرد عمومی که یک شرکت را قادر به شناسایی شریکان تجاری در زمان مشکلات مالی می کند، هنوز پیشنهاد نشده.
منحصربفرد بودن مسئله پیش بینی ورشکستگی را می توان در ماهیت داده های قرار گرفته در معرض تحلیل ملاحظه نمود. اکثریت مطالعات براساس یک سری نسبت های مالی هستند که از صورت های مالی سالیانه استخراج می شوند. صورت های مالی سالیانه معمولاً شامل دو سند می باشند- ترازنامه و صورت درآمد. اولی حاوی اطلاعات مرتبط با دارایی ها، بدهی ها و دارایی ویژه مالکان است، درحالی که صورت درآمد، هزینه ها، درآمدها و سود یا زیان نهایی را در نظر می گیرد. بخاطر اینکه فراوانی داده ها سالانه است، اطلاعات درون نسبت های مالی، فشرده می شوند و ممکن است نوسانات مهم بین دو دوره گزارشگری را آشکار کنند….
Abstract
Bankruptcy prediction is still important topic receiving notable attention. Information about an imminent bankruptcy threat is a crucial aspect of the decision-making process of managers, financial institutions, and government agencies. In this paper, we utilize a newly acquired dataset comprising financial parameters derived from the annual reports of small- and medium-sized companies. The data, which reveal the true ratio between bankrupt and non-bankrupt companies, are severely imbalanced and only contain a small fraction of bankrupt companies. Our solution to overcome this challenging scenario of imbalanced learning was to adopt three oneclass classification methods: a least-squares approach to anomaly detection, an isolation forest, and one-class support vector machines for comparison with conventional support vector machines. We provide a comprehensive analysis of the financial attributes and identify those that are most relevant to bankruptcy prediction. The highest prediction performance in terms of the geometric mean score is 91%. The results are validated on two datasets from the manufacturing and construction industries.
Keywords: Bankruptcy, Imbalanced learning, Anomaly detection, Annual reports
۱.Introduction
The recent financial crisis showed the increasing vulnerability of firms involved in complex business relations, relations with financial institutions, obligations toward tax agencies, etc. The threat of financial contagion is rising with the growing complexity of the economy. The latter experience brought evidence of the fragile financial stability of numerous firms. These companies are prone to turbulent financial shocks with their origins in the external environment. Even though many studies have been devoted to bankruptcy prediction, a general methodology that would enable a firm to identify business partners in financial distress has not yet been proposed.
The uniqueness of the bankruptcy prediction problem can be found in the nature of the data that are the subject of analysis. The majority of studies are based on a variety of financial ratios that are derived from annual financial statements. The annual financial statements usually consist of two documents –- the balance sheet and income statement. The first contains information regarding the assets, liabilities, and owners’ equity, whereas the income statement considers the costs, revenues, and eventual profit or loss. Because the frequency of data is annual, the information in the financial ratios is condensed and may conceal important fluctuations between two reporting periods…
| مقالات مرتبط با این موضوع |