ارائه یک روش ترکیبی به منظور پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران

آقایی، آرزو؛ سعیدی، علی (1388). پیش بینی درماندگی مالی شرکت‌های پذیرفته شده در بورس تهران با استفاده از شبکه‌های بیز. بررسی­های حسابداری و حسابرسی، 16 (3)، 59-78.

بردبار، غلامرضا؛ موسوی، سید­محمد؛ مرادی، بهرنگ (۱۳۹۱). تحلیلی بر نیازهای آموزشی کارکنان با استفاده از TOPSIS فازی، دیماتل فازی (مورد مطالعه: استانداری خراسان جنوبی). دو فصلنامه مطالعات برنامه‌ریزی آموزشی، 1 (1)، 105-129.

تاج مزینانی، مائده؛ فلاح­ پور، سعید؛ باجلان، سعید (1394). کاربرد روش انتخاب ویژگی هارک در پیش­بینی درماندگی مالی شرکت­ها در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 3 (2)، 77-106.

جمالی، غلامرضا؛ هاشمی، مهدی (۱۳۹۵). استفاده از تکنیک دیمتل فازی برای رتبه‌بندی راهبردهای مدیریت دانش. پژوهشنامه پردازش و مدیریت اطلاعات، 32 (3)، 761-788.

جمالی، غلامرضا؛ هاشمی، مهدی (۱۳۹۰). سنجش روابط بین عوامل مؤثر بر ریسک پروژه‌­های فناوری اطلاعات در بانک ملت استان بوشهر با استفاده از تکنیک دیمتل فازی. مدیریت فناوری اطلاعات، ۳ (۹)،21-40.

راعی، رضا؛ فلاح پور، سعید (1387). کاربرد ماشین بردار پشتیبان در پیش­بینی درماندگی مالی شرکت­ها با استفاده از نسبت­های مالی. بررسی­های حسابداری و حسابرسی، 15(4)، 17-34.

کریمخانی، مهرداد (1395). شناسایی و رتبه‌بندی عوامل مؤثر بر نوآوری در شرکت‌های حمایت‌شده توسط شتاب‌دهنده‌ها و صندوق‌های مخاطره‌پذیر. پایان­نامه کارشناسی ارشد. دانشکده علوم مالی. دانشگاه خوارزمی. تهران.

مرادی، محسن؛ شفیعی سردشت، مرتضی؛ ابراهیم­ پور، ملیحه (1391). پیش­بینی درماندگی مالی شرکت­ها بوسیله مدل­های ماشین بردار پشتیبان و تحلیل ممیزی چندگانه. فصلنامه بورس اوراق بهادار، 5 (18)، 118-136.

References

Aghaie, A. & Saeidi, A. (2010). Predicting Financial Distress of firms Listed in Tehran Stock Exchange Using Bayesian networks. Journal of the accounting and auditing review, 16 (3): 59-78. (in Persian)

Akyuz, E. & Celik, E. (2015). A fuzzy DEMATEL method to evaluate critical operational hazards during gas freeing process in crude oil tankers. Journal of Loss Prevention in the Process Industries, 38 (3): 243–253.

Altman, E. I. (1968). Financial ratios, discriminant analysis and the Prediction of corporate bankruptcy. The Journal of Finance, 23 (4): 589-609.

Bordbar, GH. & Mosavi. S.M. & Moradi Karbolandi. B. (2012). An analysis of employee training needs using fuzzy TOPSIS and DEMATEL techniques: A case study in southern Khorasan governer-general office. Journal of educational planning studies, 1(1): 105-129. (in Persian)

Dash, M. & Liu, H. (1997). Feature selection for classification. Journal of Intelligent data analysis, 1 (1): 131-156.

Gomes L. F. A. M. & Machado, M. A. S. & da Costa, F. F. & Rangel, L. A. D. (2013). Criteria interactions in multiple criteria decision aiding: A choquet formulation for the TODIM method. Journal of Procedia Computer Science, 17: 324-331.

Gomes, L. F. A. M. & Rangel, L. A. D. (2009). An application of the TODIM method to the multicriteria rental evaluation of residential properties. European Journal of Operational Research, 193 (1): 204–211.

Gomes, L. F. A. M. & Rangel, L. A. D. & and Maranhao, F. J. C. (2009). Multi criteria analysis of natural gas destination in Brazil: An application of the TODIM method. Journal of Mathematical and ComputerModelling, 50 (2): 92-100.

Jamali, GH. & Hashemi, M. (2012). Measuring Relationship between Factors Affecting Risk of Mellat Bank IT Projects in Bushehr Province Using Fuzzy DEMATEL. Journal of information technology management. 3 (9): 21-40. (in Persian)

Kahneman, D. & Tversky, A. (1979). Prospect theory: an analysis of decision under risk. Journal of Econometrica. 47 (2): 263-292.

Karimkhani, M. (2016). Identifying And Prioritizing The Effective Factors On Innovation Of Protected Firms By Venture Capital Funds And Accelerators. M. S. Thesis. Faculty of Finance. Kharazmi University. Tehran. (in Persian)

Liang, D. & Tsai, C. f. & Wu, H. T. (2015). The effect of feature selection on financial distress prediction. Journal of Knowledge-Based Systems, 73 (1): 289-297.

Liu, P. & Teng, F. (2014). An extended TODIM method for multiple attribute group decision-making based on 2-dimension uncertain linguistic variable. Journal of Complexity, 21 (5): 20-30.

Mentes, A. & Akyildiz, H. & Yetkin, M. & Turkoglu, N. (2015). A FSA based fuzzy DEMATEL approach for risk assessment of cargo ships at coasts and open seas of Turkey. Safety Science, 79 (9): 1–10.

Moradi, M. & Shafiee Sardasht, M. & Ebrahimpour, M. (2013). Bankruptcy Prediction by Support Vector Machines and Multiple Discriminate Analysis Models. Journal of securities exchange, 5 (18): 113-136. (in Persian)

Raei, R. & Fallahpour, S. (2009). Support Vector Machines Application in Financial Distress Prediction of Companies Using Financial Ratios. Journal of the accounting and auditing review, 15 (4): 17-34. (in Persian)

Shin, K. S. & Lee, T. S. & Kim, H. J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28 (1): 127-135.

Taj mazinani, M. & Fallahpour, S. & Bajelan, S. (2015). The Use of Feature Selection Method (HARC) in Predicting Financial Distress in Tehran Stock Exchange. Journal of financial management strategy, 3 (2): 77-106. (in Persian)

Tsai, C. F. (2008). Feature selection in bankruptcy prediction. Knowledge-Based Systems, 22 (2): 120-127.

Wei, C., Zhiliang, R. & Rodríguez, R.M. (2015). A hesitant fuzzy linguistic TODIM method based on a score function. International Journal ofComputational Intelligence Systems, 8 (4): 701-712.

Yadegari, M. & Tarokh, M. (2017). Journal of information processing and management, 32 (3): 761-788. (in Persian)