تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > أثر استخدام المراجع الخارجي لأ...>الوصف

أثر استخدام المراجع الخارجي لأساليب التنقيب في البيانات على دقة التنبؤ بالتعثر المالي للشركات المقيدة بالبورصة المصرية: دراسة تطبيقية

المصدر: المجلة العلمية للبحوث التجارية
الناشر: جامعة المنوفية - كلية التجارة
المؤلف الرئيسي: وهدان، محمد علي محمد (مؤلف)
المؤلف الرئيسي (الإنجليزية): Wahdan, Mohammed Ali
مؤلفين آخرين: البغدادي، رجب محمد عمران أحمد (م. مشارك) , علي، شيماء حمدي مصطفى (م. مشارك)
المجلد/العدد: س12, ع1
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2025
الشهر: يناير
الصفحات: 383 - 440
ISSN: 2682-387X
رقم MD: 1550600
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
تحليل البيانات | المخاطر المالية | البورصة المصرية
كلمات المؤلف المفتاحية:
أساليب التنقيب في البيانات | التعثر المالي | خوارزمية الشبكة العصبية الاصطناعية | خوارزمية الغابة العشوائية | خوارزمية الجار الأقرب | خوارزمية الانحدار اللوجستي | Data Mining Techniques | Financial Distress | Artificial Neural Network Algorithm | Random Forest Algorithm | K-Nearest Neighbor Algorithm | Logistic Regression Algorithm
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

5

حفظ في:
المستخلص: استهدفت الدراسة قياس أثر استخدام المراجع الخارجي لأساليب التنقيب في البيانات على دقة التنبؤ بالتعثر المالي للشركات المقيدة بالبورصة المصرية مقارنة بالأساليب التقليدية. وذلك من خلال إجراء دراسة تطبيقية على عينة مكونة من (٥٠) شركة من الشركات المقيدة في البورصة المصرية في مؤشر EGX100، بإجمالي مشاهدات (235) مشاهدة على مدار الفترة من ٢٠١٨م حتى 2022م. وتناولت الدراسة كل من خوارزمية الشبكة العصبية الاصطناعية، وخوارزمية الغابة العشوائية، وخوارزمية الجار الأقرب كأحد أساليب التنقيب في البيانات، وخوارزمية الانحدار اللوجستي كأحد الأساليب التقليدية، وذلك لقياس دقة التنبؤ بالتعثر المالي. وتم تقييم هذه الخوارزميات باستخدام ثلاثة معايير لتقييم الأداء وهم (معيار الدقة Accuracy، ومعيار Kappa، ومعيار Score.Fl). وتم الاعتماد على (٢٣) متغير مستقل للتنبؤ بالتعثر المالي، ثم تم استخلاص أهم (٩) مؤشرات من بينهم تساعد المراجع الخارجي بدرجة كبيرة في التنبؤ بدقة بالتعثر المالي للشركات. بينما تم قياس التعثر المالي للشركات من خلال تحليل محتوى تقرير المراجع الخارجي للشركات محل الدراسة، حيث تم إعطاء القيمة (١) في حالة وجود تعثر مالي (عدم وجود استقرار مالي)، والقيمة (صفر) في حالة عدم وجود تعثر مالي (وجود استقرار مالي). وتوصلت الدراسة إلى أن أساليب التنقيب في البيانات (خوارزمية الشبكة العصبية الاصطناعية، وخوارزمية الغابة العشوائية، وخوارزمية الجار الأقرب) كانت جميعها أكثر دقة في عملية التنبؤ بالتعثر المالي للشركات مقارنة بالأساليب التقليدية (خوارزمية الانحدار اللوجستي). وأن أكثر الأساليب دقة في عملية التنبؤ كانت خوارزمية الشبكة العصبية الاصطناعية، يليها في المرتبة الثانية خوارزمية الغابة العشوائية، والمرتبة الثالثة خوارزمية الجار الأقرب، وأخيرا خوارزمية الانحدار اللوجستي.

The study aimed to measure the effect of the external auditor’s use of data mining techniques on the accuracy of predicting financial distress for companies listed on the Egyptian Stock Exchange compared to traditional methods. This is done by conducting an empirical study on a sample of (50) companies listed on the Egyptian Stock Exchange in the EGX100 index, with 235 views over the period from 2018 to 2022. The study examined the artificial neural network algorithm, the random forest algorithm, and the knearest neighbor algorithm as one of the data mining techniques, and the logistic regression algorithm as one of the traditional methods, in order to measure the accuracy of predicting financial distress. These algorithms were evaluated using three performance evaluation criteria: (Accuracy criterion, Kappa criterion, and F1.Score criterion). (23) Independent variables were relied upon to predict financial distress, and then the most important (9) indicators were extracted from among them, which greatly assist the external auditor in accurately predicting companies’ financial distress. While the financial distress of companies was measured by the content analysis of the external auditor’s report for the companies under study, the value was given (1) in the event of financial distress (lack of financial stability), and the value (zero) in the absence of financial distress (presence of financial stability). The study found that data mining techniques (artificial neural network algorithm, random forest algorithm, and k-nearest neighbor algorithm) were all more accurate in the process of predicting companies' financial distress compared to traditional techniques (logistic regression algorithm). The most accurate technique in the prediction process was the artificial neural network algorithm, followed in second place by the random forest algorithm, third place by the k-nearest neighbor algorithm, and finally the logistic regression algorithm.
ISSN: 2682-387X

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.