تبیین متغیرهای مالی موثر در پیش بینی احیای مالی با استفاده از رویکرد هوش مصنوعی

مدلسازی اقتصادی

مقاله 5، دوره 17، شماره 61، خرداد 1402، صفحه 89-104   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.30495/eco.2023.1982463.2737

نویسندگان

کاظم هارونکلایی¹؛ قدرت الله برزگر^{* 2}

¹استادیار، گروه حسابداری، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران

²استادیار، گروه حسابداری، دانشگاه مازندران، بابلسر، ایران

چکیده

هدف اصلی مقاله شناسایی متغیرهای مالی موثر در پیش‌بینی احیای مالی شرکت­های پذیرفته‌شده در بورس اوراق بهادار تهران و بهره‌مندی از رویکرد هوش مصنوعی در تحلیل داده‌های مربوط به 173 شرکت درمانده احیاشده طی دوره زمانی 1383 – 1399 بود. در این رویکرد، نخست با استفاده از الگوریتم­های انتخاب ویژگی‌های لارس و رلیف، از میانِ 54 متغیر مالیِ منتخب، 10 متغیر مهم و موثر در احیای مالی شرکت­های نمونه، شناسایی شد. در ادامه، برای ارزیابی دقت نتایج متغیرهای شناسایی‌شده در پیش‌بینی احیای مالی از الگوریتم­های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شد. نتایج نشان داد متغیرهای برگزیده با روش انتخاب ویژگی‌ لارس و ارزیابی دقت با الگوریتم ماشین بردار پشتیبان نسبت به روش انتخاب ویژگی رلیف و ارزیابی دقت با الگوریتم درخت تصمیم، عملکرد بهتری در پیش‌بینی زمان خروج از درماندگی داشته است. همچنین، نتایج آشکار کرد که بدون لحاظ کردنِ روش­های انتخاب ویژگی، ماشین یادگیر بردار پشتیبان در مقامِ مقایسه با درخت تصمیم، در پیش­بینی زمان خروج از درماندگی، از قدرت پیش­بینی بالاتری برخوردار است. براساس نتایج، به سرمایه‌گذاران بازار سرمایه در انتخاب پرتفوی سرمایه‌گذاری پیشنهاد می‌شود برمبنای متغیرهای مالی موثر در پیش‌بینی احیای مالی و ماشین یادگیر بردار پشتیبان، شرکت‌های مستعد خروج از درماندگی را شناسایی و اقدام به سرمایه‌گذاری نمایند.

کلیدواژه‌ها

طبقه‌بندی JEL: B26؛ C58؛ D53؛ G34. واژگان کلیدی: درماندگی مالی؛ احیای مالی؛ متغیرهای مالی؛ رویکرد هوش مصنوعی؛ بورس اوراق بهادار تهران

اصل مقاله

1.‌ مقدمه                             
در طول فعالیت شرکت، رشد و موفقیت ، بدان ‌نحو که مدیران انتظار دارند، تحقق نمی‌یابد و دوران افول، به‌عنوان بخش اجتناب‌ناپذیری از «چرخه عمر سازمان‌ها» ، دیر یا زود فرا می‌رسد. «دوران افول»  دورانی است که در آن، بنگاه بخشِ قابل توجهی از منابع خود، اعم از منابع مالی، نیروی انسانی و مشتریان وفادار را از دست می‌دهد. با استمرار دوران افول، بنگاه با بحران مالی مواجه شده و در صورت غلبه‌ نیافتن بر آن، توقف کسب‌وکار و ورشکستگی رخ می‌دهد (بهشتی‌سرشت، دهقان دهنوی، مشایخی و امیری، 1400).
برای جلوگیری از زیان‌های ناشی از درماندگی  و ورشکستگی  به ذینفعان و نیز جلوگیری از پیامدهای اجتماعی و اقتصادی آن، یافتن روش‌هایی برای پیش‌بینی خروج از درماندگی و رسیدن به احیای مالی  اهمیت ویژه‌ای دارد. احیای مالی شرکت فرایند بسیار مهمی است که مدیران تلاش می‌کنند، روند عملکرد بسیار ضعیف شرکت را تغییر داده و بهبود و رونق اقتصادی را دوباره به شرکت بازگردانند (فیلاتوچف و تامز،  2006). احیای مالی شرکت اقدامِ کارآفرینانه مضاعفی است که با استفاده از راهبردهایی که توسط مدیریت اتخاذ می‌شود، شرکت را از نقطه منفی به نقطه سربه‌سر و سپس، به‌سمت رشد هدایت می‌کند (پانیکر و مانیمالا،  2015).
در زمینه پیش‌بینی احیای مالی، دو زمینه روش‌شناختی شامل مدل‌های پارامتریک  و ناپارامتریک  وجود دارد. در سال‌های اخیر و قبل از توسعه روش‌های هوش مصنوعی، همه محققان، از روش‌های پارامتریک مانند رگرسیون لوجستیک (LR)  و تحلیل ممیزی چندگانه (MDA)  استفاده کردند. با وجود سادگی و سهولت مدل‌های پارامتریک، در پیش‌فرض‌های مربوط به تبعیت از یک توزیع آماری خاص (اغلب، پیروی از توزیع نرمال) این احتمال وجود دارد که صحت ریاضی این روش‌ها مبهم باشد؛ زیرا داده‌های مالی در واقعیت از توزیع نرمال تبعیت نمی‌کنند. از موارد بسیار تأثیرگذار و مهم که در مطالعات به آن کمتر توجه شده است، فرایند انتخاب هوشمند متغیرهای ورودی است و با توسعه هوش مصنوعی، برای پیش‌بینی احیای مالی و خروج از درماندگی می‌توان از مدل‌های ناپارامتریک مانند شبکه عصبی مصنوعی (ANN) ، ماشین بردار پشتیبان (SVM)  و درخت تصمیم (DT)  استفاده کرد. این رویکردها، فرض‌های محدودکننده‌ای مانند نرمال بودن، خطی بودن و استقلال متغیرهای ورودی را که در میزانِ اثرگذاری و اعتبارِ پیش‌بینی، محدودیت ایجاد می‌کنند، ندارند. از‌این‌رو، رویکرد هوش مصنوعی ضعف ناشی از ضرورت تبعیت از توزیع آماری خاص موجود در روش‌های پارامتریک را پوشش می‌دهد. روش‌های ناپارامتریک با استفاده از مکانیزم آموزش و آزمایش و نیز روابط غیرخطی، مدل مدنظر را چندین‌بار اجرا می‌کنند تا به بهترین مدل پیش‌بینی دست یابند؛ بنابراین، از این دیدگاه برتری محسوسی نسبت به روش‌های پارامتریک دارند (مهرانی، کامیابی و غیور، 1398).
نوآوری این مقاله، استفاده از «رویکرد هوش مصنوعی»  در شناسایی متغیرهای موثر در احیای مالی و پیش‌بینی زمان خروج از درماندگی است. از این‌رو، در این مقاله سعی می‌شود  با استفاده از الگوریتم‌های هوش مصنوعی به شناسایی عوامل مالی موثر در احیای مالی و پیش‌بینی زمان خروج از درماندگی و احیای مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران پرداخته شود.
برای دست‌یابی به این هدف، مقاله در پنج بخش سازمان‌دهی می‌شود: در ادامه، پس از مقدمه، در بخش دوم، ادبیات پژوهش مرور می‌شود؛ در بخش سوم، روش پژوهش ارائه می‌شود؛ در بخش چهارم، یافته‌ها و نتایج عرضه می‌شود و بخش پنجم به نتیجه‌گیری و پیشنهادها اختصاص می‌یابد.

2. مروری بر ادبیات پژوهش
2-1.‌ مبانی نظری
-‌ احیای مالی
شِندل، پَتون و ریگز  (1976) به‌عنوان اولین محققانِ احیای مالی، احیای شرکت را فرایندی دو مرحله‌ای دانسته‌اند، بدین‌صورت که در مرحله اول، عملکرد شرکت، ضعیف است و روندی نزولی دارد؛ اما، پس از آن عملکرد شرکت رو به بهبود می‌رود. بسیاری از تعاریفِ مربوط به اصطلاحِ «احیای شرکت»  ماهیت مالی دارد و درآمد را معیاری برای احیای مالی لحاظ کرده‌اند؛ برای مثال، بیبو  (1982) مطرح کرده است که احیای موفق شرکت، زمانی ممکن می‌شود که شرکت با اجرای راهبردهای احیا، بهبود قابل توجهی به مدت دو یا سه سال در سودآوری ایجاد کند و در بازسازی موقعیت خود نیز در بازار موفق شود و برای کامل کردنِ «چرخه احیا»  در کارکنان خود ایجاد انگیزه نماید. اسلاتر  (1984) معتقد است که اگر بعد از یک دوره رکود شش‌ساله، سود قبل از مالیات شرکت برای چهار سال متوالی افزایش یابد، می‌توان احیای شرکت را موفقیت‌آمیز دانست. 
به‌زعمِ بیبو (1999)، احیای مالی، دوره‌ای غیرعادی در بستر تاریخی هر شرکت به‌شمار می‌آید و حاکی از وضعیتی است که مستلزم مداخله مدیریت با استفاده از رویکردهای مدیریتی منحصربه‌فردِ بسیار متفاوت با روش‌های رایج در دوره‌های عادی است. در این دوره، اصول مدیریتی تثبیت‌شده‌ای که به‌طورِ معمول در زمان‌های باثبات به‌کار می‌رود، دیگر معتبر نیست. دلایل عمده شکست راهبرد احیای مالی عبارت است از: مدیریت ناکارآمد، منابع مالی ناکافی و راهبرد احیای ضعیف.
در مرحله بحران، از یک‌سوی، تعارض و اختلاف در درون سازمان و نیز میان سازمان و ذینفعان بیرونی شدت می‌یابد و از سوی دیگر، نیاز به واکنش قاطع و شدیدتری احساس می‌شود تا بتوان از آخرین فرصت‌ها برای رهایی از انحلال استفاده کرد. در این مرحله، تغییرات بنیادین در رهبری، راهبرد، ساختار و ایدئولوژی ضرورت بیشتری می‌یابد. به‌دلیلِ از دست دادن کارکنان کلیدی، ترس و واهمه کارکنان فعلی و مقاومت در برابر تغییرات و حمایت نکردنِ ذینفعان بیرونی، در این مرحله، احیای شرکت دشوار خواهد بود. در این مرحله، تغییر مدیران ارشد احیابخش خواهد بود. در مرحله پایانی که انحلال و فروپاشی شرکت قطعی می‌شود، اقدامات اصلاحی به شکست می‌انجامد و در نهایت، با جداشدن کارکنان کلیدی که تصمیم به جدایی از سازمان داشته‌اند، ورشکستگی شرکت رخ می‌دهد. 
با افزایش دامنه بحران مالی و اقتصادی، مدیران شرکت‌های دارای بحران مالی تلاش گسترده‌ای کردند راهبردهایی را که به نجات آنها از ورشکستگی منجر می‌شود، اجرا کرده و روند افول شرکت را متوقف نمایند و از رهگذر آن، شرایط احیای شرکت را فراهم کنند. ازجمله راهبردهای احیای شرکت می‌توان به کاهش هزینه‌ها (پیرس و رابینز ، 1993 و بروتون و روبانیک ، 1997)، تجدید ساختار داراییها (سودارسانام و لای ، 2001 و هامبریک و شکتر ، 1983)، سازماندهی مجدد بدهیها، تغییر مدیران ارشد (بلچر و نیل ، 2000)، راهبرد تغییر در بازارها و محصولات و نیز انجام سرمایه‌گذاری برای بازسازی و نوسازی فرایندهای تولید و توزیع (هارکر ، 2001) اشاره کرد (رحمان‌سرشت، حساس یگانه، فلاح‌شمس و ایران‌دوست، 1393).
کاهش هزینه، رایج‌ترین راهبرد احیای شرکت است. این راهبرد، سریع‌تر از راهبردهای دیگری مانند تامین مالی خارجی، تغییر ساختار سرمایه، افزایش درآمد و کاهش و استقرار مجدد دارایی‌ها می‌تواند اجرایی شود. همچنین، صرفنظر از اینکه عامل افول بنگاه داخلی باشد یا خارجی، فنی باشد یا مدیریتی، اقتصادی باشد یا سیاسی، این راهبرد، به‌طور کلی، راهی موثر برای توقف افول بنگاه است. بااین‌حال، پژوهش‌های مختلف نشان می‌دهد راهبرد کاهش هزینه تحت چه شرایطی موثرتر و تحت چه شرایطی، بهتر است به‌کار گرفته نشود (بهشتی‌سرشت و همکاران، 1400).

2-2.‌ پیشینه پژوهش
در ادامه، به اهم پژوهش‌های داخلی و خارجی مرتبط به موضوع بحث پرداخته می‌شود. بهشتی‌سرشت و همکاران (1400) در پژوهش خود، «راهبردِ کاهش هزینه و دارایی»  در احیای مالی بنگاه‌ها را با استفاده از «نظریه رانت اقتصادی»  و «مدل‌سازی دینامیک سیستم‌ها»  بررسی کردند. در این پژوهش از روش مدل‌سازی دینامیک سیستم‌ها - که روشی قدرتمند در شناسایی و تحلیل سیستم‌های پیچیده است- به‌عنوان یکی از راهبردهای احیای مالی بنگاه برای واکاوی راهبرد کاهش هزینه و دارایی، استفاده شده است. نتایج نشان داد که میزان اثربخشی راهبرد کاهش هزینه و دارایی، وابستگی زیادی به دلایل افول دارد. افزون‌براین، در برخی شرایط، راهبردِ کاهش هزینه و دارایی نه‌تنها باعث توقف افول نمی‌شود، بلکه آن را تشدید می‌کند. 
رحیمی، مینویی و فتحی (1400) در پژوهش خود به انتخاب متغیرهای مالی موثر برای پیش‌بینی درماندگی مالی شرکت‌های پذیرفته‌ شده در بورس اوراق بهادار تهران و سپس پیش‌بینی درماندگی مالی با روش شبکه عصبی مصنوعی پرداختند. آنها در وهله نخست، با روش نمونه‌گیری تصادفی ساده، 106 شرکت را انتخاب و اطلاعات مالی آن‌ها را طی دوره زمانی 1386 - 1398 استخراج کردند. در این پژوهش، رابطه بین متغیرها با استفاده از آزمون هم‌بستگی پیرسون مورد بررسی قرار گرفت و از میانِ 34 نسبت مالی، 24 نسبت که رابطه معنادار داشت، انتخاب شد و در نهایت، با روش شبکه عصبی مصنوعی، پیش‌بینی درماندگی مالی شرکت‌ها اجرا گردید که درماندگی یا عدمِ‌درماندگی 103 شرکت به‌درستی پیش‌بینی گردید. با مقایسه پیش‌بینی توسط روش شبکه عصبی مصنوعی با مقادیر واقعی متغیر وابسته در سال 1398، آشکار شد که در بیش از 97 درصدِ موارد، این روش، درماندگی مالی شرکت‌ها را به‌درستی پیش‌بینی کرده است.
ناظمی اردکانی، زارع مهرجردی و محمدی ندوشن (1397) در پژوهشی، الگوی پیش‌بینی ورشکستگی مناسب شرکت‌ها را برحسب صنایع منتخب (صنایع خودرو و ساخت قطعات، محصولات شیمیایی و محصولات غذایی به‌جز قند و شکر) با استفاده از «الگوی درخت تصمیم»  برای هرصنعت یادشده طراحی و تبیین نمودند. قلمرو زمانی این پژوهش شامل دوره زمانی 1380 - 1392 بود. یافته‌های پژوهش نشان داد الگوی طراحی‌شده برای صنایع خودرو و ساخت قطعات، محصولات شیمیایی، محصولات غذایی به‌جز قند و شکر به‌ترتیب، دقت پیش‌بینی 95/95، 83/96، 83/97 درصد را داشته است که این ارقام، دقت بالای الگوی طراحی‌شده را برای سه صنعت مذکور نشان می‌داد.
فلاح‌پور، نوروزیان ‌لکوان و هندیجانی‌زاده (1396) در پژوهش خود برای پیش‌بینی درماندگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران از «روش ترکیبی ماشین بردار پشتیبان و انتخاب ویژگی»  استفاده کردند. در ایـن تحقیق، ماشین بردار پشتیبان با چهار تابع کرنل خطی، شعاعی، چند جمله‌ا‌ی و سیگمویید  به‌عنوان مـدل طبقه‌بندی‌کننده و ترکیب آن با روش رلیف  به‌عنوان انتخاب ویژگی فیلترکننده و الگوریتم ژنتیک به‌عنوان یکی از انواع روش‌های پوشش‌دهنده انتخاب ویژگی مورد استفاده قرار گرفته است. نتایج نشـان داد عملکرد روش الگـوریتم ژنتیک در مقایسه با روش‌های فیلترکننـده، بهتـر است. همچنـین، دقـت ماشـین بـردار پشتیبان با توابع کرنل خطی، شعاعی، چندجمله‌ا‌ی و سیگمویید در ترکیب با الگوریتم ژنتیک، بـا سطح اطمینان 95 درصد تفاوت معناداری باهم ندارند.
بحرایی، اعتمادی و گرامی اصل (1395) در پژوهشی سیستم‌های هوش مصنوعی (ANN و ANFIS) و رگرسیون لجیت (LR) را در پیش‌بینی ورشکستگی مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران مقایسه کردند. آنها در دوره زمانی 1389 - 1394 تعداد 71 شرکت ورشکسته و 74 شرکت سالم و برای پیش‌بینی ورشکستگی شرکت‌ها، سه روش شبکه‌های عصبی - فازی (ANFIS)، شبکه‌های عصبی مصنوعی (ANN) و رگرسیون لجیت را انتخاب کردند. نتایج نشان داد، در پیش‌بینی ورشکستگی، مدل مبتنی‌بر شبکه‌های عصبی مصنوعی نسبت به مدل مبتنی‌بر شبکه‌های عصبی- فازی و رگرسیون لجیت دقت بیشتری دارد.
نیاتسومبار و پو  (2022) چالش‌ها و تجربه‌های مرتبط با راهبرد احیا را در صنعت هوایی کنیا در دوره زمانی 2004 – 2016 به‌صورت کیفی و از طریق مصاحبه بررسی کردند. یافته‌های پژوهش نشان داد، عوامل موثر در احیای مالی شامل مشارکت کارکنان، عوامل بیرونی، هزینه‌های بالای عملیاتی، تضاد مدیریت و اتحادیه، تجدید ساختار بدهی و رهبری است.   
یونیس و ماینا  (2019) در پژوهشی توصیفی اثر راهبرد‌های احیا را بر عملکرد شرکت‌های لبنی منتخب  کشور کنیا طی دوره زمانی 2015 – 2017 بررسی کردند. به‌طور خاص، این مطالعه به‌دنبال ارزیابی تأثیر راهبرد تجدید ساختار مالی، راهبرد سازمان‌دهی مجدد، راهبرد تغییر موقعیت و راهبرد تعریف مجدد بازار بر عملکرد شرکت‌ یادشده بود. آنها با بررسی کامل ادبیات و مبانی نظری احیا، راهبرد‌های احیا و خروج از درماندگی شرکت یادشده را تجزیه و تحلیل نمودند. یافته‌های پژوهش نشان داد، راهبردهای تجدید ساختار مالی  و سازمان‌دهی مجدد  بر عملکرد شرکت‌ مذکور تاثیر دارد.
مجیسون، ملس، سمپاگنرو و وردولیوا  (2019) در پژوهش خود با استفاده از ماشین بردار پشتیبان، ریسک درماندگی مالی شرکت‌های عرضه اولیه را در کشور آمریکا (نمونه‌ای شامل 1593 شرکت) طی دوره زمانی 1990 – 2007 بررسی کردند و نتایج آن را  با مدل شبکه‌های مصنوعی مقایسه نمودند. نتایج این مقایسه حاکی از تعمیم‌پذیری و دقت کلی بیشتر مدل ماشین بردار پشتیبان در مقایسه با شبکه عصبی بوده است.
قزاوی  (2018) در پژوهشی اقدام به بررسی چشم‌اندازهای نظری راهبرد‌های احیا کرده است. وی نخست به‌طور جامع مبانی نظری احیا و نوسازی را بررسی کرد و سپس، برای توسعه چارچوب نظری احیا، بر زمینه‌های رفتاری مدیریت ارشد سازمان، در زمان نزول عملکرد و بحران تمرکز کرد. نتایج پژوهش نشان داد که فرایند احیا بر کارایی، عملکرد و شناخت مدیریتی متمرکز است. مدیریت ارشد شرکت برای حمایت از فرایند احیا باید دلایل ایجاد بحران را شناسایی کرده و برای احیای شرکت با مدیریت راهبردی پایدار اقدام نموده تا به جلب حمایت ذی‌نفعان منجرگردد. 
هویی-یونگ‌کیم، ‌ما و آنیه‌ژو  (2016) در پژوهش خود پیش‌بینی احیای مالی شرکت‌های درمانده در بورس چین را طی سال‌های 1998 - 2011 بررسی کردند. تعداد 441 شرکت درمانده انتخاب و از سه متغیر اصلی نسبت‌های حسابداری، متغیرهای بازار و اطلاعات ساختار مالکیت و تغییر ساختار استفاده کردند. یافته‌های پژوهش نشان داد، احیای شرکت‌های درمانده با مدت زمان رابطه منفی دارد؛ بدین معنا که با طولانی شدن مدت درماندگی، احتمال موفقیت شرکت برای احیا کم‌تر می‌شود. نتایج آشکار کرد که از میانِ سه متغیر، متغیرهای حسابداری، قوی‌ترین شاخص برای پیش‌بینی احیای شرکت است.
چین  (2016) در پژوهشی به پیش‌بینی احیای مالی شرکت‌های درمانده در بورس اوراق بهادار آفریقای جنوبی که دارای پتانسیل احیا هستند، اقدام کرد. در این پژوهش، از متغیر مالی کارایی، اندازه، دارایی‌های آزاد و تغییر مدیریت ارشد در دوره زمانی 2007 - 2014 برای پیش‌بینی استفاده شد. برای تفاوت معنا‌داری نسبت‌های مالی بین دو گروه از شرکت‌ها، از آزمون t,f استفاده گردید. یافته‌ها نشان داد «کارایی»  متغیر کلیدی برای پیش‌بینی احیای موفقیت‌آمیز است.

3.‌ روش تحقیق
از آنجا که هدف این پژوهش، تبیین عوامل موثر بر احیای مالی است، از نظر هدف، کاربردی و از منظر روش پژوهشی توصیفی - تبیینی است. برای گردآوری مبانی نظری از روش کتابخانه‌ای استفاده شده است. همچنین، اطلاعات متغیرهای مالی، با استفاده از نـرم‌افـزار ره‌آورد نـوین و صـورت‌های مالی حسابرسی‌شده و سایت کدال استخراج‌شده است. برای تجزیه و تحلیل داده‌ها نیز از نرم‌افـزار آماری متلب (نسخه 2015) بهره‌برداری شد.   
جامعه آماری شامل تمامی شرکت‌های تولیدی پذیرفته‌شده در بـورس اوراق بهـادار تهـران طی دوره زمانی 1383 - 1399 است. برای تعیین نمونه آماری، از روش حذف سیستماتیک استفاده گردید. بدین‌منظور، آن‌دسته از شرکت‌های جامعه آماری ‌که از ویژگی‌های زیر برخوردار بودند، به‌عنوان نمونه آماری، مناسب دانسته شدند و مابقی شرکت‌ها حذف شدند. ویژگی‌های تعیین‌کننده عبارتند از: 
1)‌ شرکت در دوره زمانی مورد بررسی، تغییر سال مالی نداشته باشد؛
2)‌ شرکت‌های مورد بررسی جزو شرکت‌های واسطه‌گر مالی، سرمایه‌گذاری و هلدینگ نباشند؛
3)‌ اطلاعات و داده‌های شرکت دردسترس باشد؛
4)‌ شرکت‌هایی به‌عنوان نمونه انتخاب می‌شوند که براساس مدل تعدیل‌شده درماندگی کردستانی – تاتلی (1393)، نخست در طبقه شرکت-های درمانده قرار گرفته و سپس، از درماندگی خارج شده و در طبقه شرکت‌های سالم قرار گیرد.
براین‌اساس، تعداد نمونه شامل 173 شرکت درمانده‌ای است که در سال‌های آتی از درماندگی خارج و در طبقه شرکت سالم قرار گرفته است. دراین‌راستا، اطلاعات مالی دوره‌های زمان درماندگی هرشرکت و اولین دوره مالی که هرشرکت از درماندگی خارج شده و سالم گردیده است، جمع‌آوری شد. از مجموع داده‌های نمونه این پژوهش، تعداد 265داده مربوط به دوره سلامت مالی است و تعداد 485 داده به دوره درماندگی تعلق دارد.
متغیرهای مستقلِ پژوهش عبارت از «عوامل مالی‌» است که پس از مرور جامع ادبیات پژوهش مرتبط و بررسی متغیرهای مالی مورد استفاده در تحقیقات پیشین به‌دست آمد و در مجموع، مشتمل ‌بر 54 متغیر مالی است.  فهرست متغیرها و چگونگی محاسبه آنها در جدول (1) عرضه شده است.

 

 

جدول 1. معرفی متغیرهای مالی
ردیف    نماد متغیر    نام متغیر    ردیف    نماد متغیر    نام متغیر
1    WC    سرمایه در گردش    28    EXP.CHANGE    تغییرات هزینه
2    CF. L    بدهی/ گردش نقدی    29    EBIT.INT    پوشش بهره
3    QA.TA    دارایی/ دارایی سریع    30    CL.TA    دارایی/ بدهی جاری
4    WC.TA    دارایی/ سرمایه در گردش    31    CA.TL    بدهی/ دارایی جاری
5    EBITDA.S    فروش/ استهلاک + سود عملیاتی    32    EBT.CL    بدهی جاری/ سود قبل از کسر مالیات
6    EBITDA.TA    دارایی/ استهلاک + سود عملیاتی    33    FA.TE    حقوق صاحبان سهام/ دارایی ثابت
7    CA.TA    دارایی/دارایی جاری    34    INT.S    فروش/ هزینه بهره
8    NCI    مدت تداوم عملیات بدون درآمد    35    EBT.TE    حقوق صاحبان سهام/ سود قبل از کسر مالیات
9    QA.CL    بدهی جاری/ دارایی سریع    36    EBIT.TL    بدهی/ سود عملیاتی
10    CA.CL    نسبت جاری    37    TL.TA    دارایی/ بدهی
11    WC. FA    دارایی ثابت/ سرمایه در گردش    38    TE.TA    دارایی/ حقوق صاحبان سهام
12    S. TA    نسبت گردش دارایی    39    CAP.CHANGE    تغییرات سرمایه
13    S.TE    حقوق صاحبان سهام / فروش    40    EBT.TA    دارایی/ سود قبل از کسر مالیات
14    S. FA    نسبت گردش دارایی ثابت    41    NI.TA    دارایی/ سود خالص
15    S.CA    نسبت گردش دارایی جاری    42    NI. S    فروش/ سود خالص
16    DOWN SIZING    کوچک سازی شرکت    43    EBIT.TA    دارایی/ سود عملیاتی
17    INVENTORY.S    فروش/ موجودی کالا    44    INT.TL    بدهی/ هزینه بهره
18    TR. I    کالا / مطالبات    45    EBIT.S    فروش/ سود عملیاتی
19    DAYS TO PAY A. P    دوره پرداخت بدهی    46    GP. S    فروش/ سود ناخالص
20    DAY TO SELL INVENT    دوره فروش کالا    47    TL.TE    حقوق صاحبان سهام/ بدهی
21    TR.AP    حساب‌های پرداختنی/ مطالبات    48    GP. O EX    هزینه عملیاتی/ سود ناخالص
22    O.E CHANGE    تغییرات هزینه عملیاتی    49    ROE    بازده حقوق صاحبان سهام
23    REV CHANGE    تغییرات درآمد    50    RE.TA    دارایی/ سود انباشته
24    SELL EFF    کارایی فروش    51    GP.TA    دارایی/ سود ناخالص
25    EXP. EFF    کارایی هزینه    52    AGE    عمر شرکت
26    INCOME. EFF    کارایی سود    53    SIZE.I    لگاریتم دارایی
27    REC.TURN    دوره وصول مطالبات    54    SIZE.II    لگاریتم فروش
منبع: گردآوری محقق

متغیر وابسته این پژوهش، «احیای مالی» است. بـرای تبـدیل احیای مالی به متغیر کمی از مقادیر صـفر و یـک اسـتفاده شـده اسـت که برای شرکت‌های درمانده مقدار «صفر» و برای شرکت‌های احیاشده مقدار «یک» لحاظ شده است.
مدل مفهومی احیای شرکت‌های درمانده
مرحله 3: احیای مالی    مرحله 2: درماندگی    مرحله 1: سلامت مالی

    
عوامل مالی:  1: نقدینگی      2: کارایی        3: اهرمی      4: سودآوری         5: سایر
منبع: یافته‌های پژوهش

4.‌ تجزیه و تحلیل یافته‌های پژوهش
در این مقاله، برای شناسایی متغیرهای مالی موثر بر احیای مالی از روش‌های هوش مصنوعی استفاده شده است. براساس مطالعات، «سیستم-های یادگیری ماشین مبتنی‌بر هوش مصنوعی»  با استفاده از داده‌ها و مکانیسم یادگیری خودکار، پیش‌بینی‌های دقیقی ارائه کرده‌اند. چگونگی پیش‌بینی سیستم‌های یادگیری به طور کامل به انتخاب کارآمدِ ویژگی‌ها بستگی دارد. انتخاب متغیرهای کلیدی یا ویژگی‌ها، مرحله‌ای مهم و چالش‌برانگیز در مدل‌سازی آماری است. در این پژوهش برای به‌دست آوردن متغیرهای مهم و موثر بر احیای مالی شرکت-ها از الگوریتم‌های استخراج ویژگی لارس  و رلیف استفاده شده است. «روش‌های استخراج ویژگی»  ماهیت‌های متفاوتی دارند و هرکدام با توجه به معیارهای خاص خود، متغیرهای تاثیرگذار را استخراج می‌کنند. برای ارزیابی و دقت پیش‌بینی ویژگی‌های استخراج‌شده ، دو روش «ماشین یادگیر (ML)»  شامل ماشین بردار پشتیبان و درخت تصمیم به‌کار گرفته شده است.

-‌ یافته‌های مبتنی‌بر الگوریتم‌ انتخاب ویژگی لارس
با استفاده از این الگوریتم، 10 متغیر - که تاثیرگذاری آنها نسبت به 54 متغیر بیشتر بوده است- انتخاب گردید که براساس اولویت اثرگذاری آنها در جدول (2) آمده است. 

جدول 2. انتخاب ویژگی‌های اثرگذار با استفاده از الگوریتم لارس
متغیرهای استخراج‌شده با الگوریتم لارس براساس اولویتِ اثرگذاری
شماره    شاخص    نماد    وزن
1    جمع دارایی/جمع بدهی    TD.TA    8174/5
2    جمع بدهی/ سود عملیاتی    EBIT.TD    6759/4
3    جمع دارایی/جمع حقوق ص س    TE.TA    6246/2
4    فروش/ هزینه بهره    INT.S    7236/1
5    فروش/ موجودی کالا    INVTRNI.S    6141/0
6    جمع دارایی/ دارایی جاری    CA.TA    4913/0
7    جمع دارایی/فروش    S.TA    2911/0
8    بدهی جاری / سود قبل از کسر مالیات    PBT.CL    2788/0
9    دارایی مشهود سال قبل/ دارایی مشهود سال قبل - دارایی مشهود جاری    DOWNSIZING    2463/0
10    فروش/استهلاک + سود عملیاتی    EBITDA.S    1938/0
                     منبع: یافته‌های پژوهش

-‌ یافته‌های مبتنی‌بر الگوریتم انتخاب ویژگی رلیف
با استفاده از این الگوریتم، 10 متغیر که تاثیرگذاری آنها نسبت به 54 متغیر بیشتر است، انتخاب شد که به‌ترتیبِ تاثیرگذاری در جدول (3) آمده است.

جدول 3. انتخاب ویژگی‌های تاثیرگذار با استفاده از الگوریتم رلیف
متغیرهای استخراج‌شده با الگوریتم رلیف به‌ترتیب اولویت تاثیرگذاری
شماره    شاخص    نماد    وزن
1    دارایی مشهود سال قبل/ دارایی مشهود سال قبل - دارایی مشهود جاری    DOWNSIZING    011/0
2    حقوق صاحبان سهام/بدهی    TD.TE    005/0
3    درآمد سال قبل/(درآمد سال قبل- درآمد سال جاری)    REV.CHNG    0024/0
4    بهای تمام‌شده کالای  فروش رفته/365*میانگین حساب‌های پرداختنی    ACC.PAYABLE    0023/0
5    365*{(استهلاک + سود قبل مالیات –فروش)/(بدهی جاری - م کالا- دارایی جاری)}    NCI    002/0
6    فروش / موجودی کالا    INVTRNI.S    002/0
7    حقوق صاحبان سهام/دارایی ثابت    FA.TE    0018/0
8    365/بهای تمام‌شده کالای فروش‌رفته/متوسط موجودی کالا    DAY.SLL.INVENT    0016/0
9    (365 /فروش)/متوسط مطالبات    REC.TURN    0013/0
10    جمع حقوق صاحبان سهام/سود قبل از کسر مالیات    EBT.TE    0009/0
                       منبع: یافته‌های پژوهش
-‌ یافته‌های مبتنی‌بر الگوریتم‌های یادگیر
برای تحلیل و بررسی یک سیستم، ابتدا رفتار آن سیستم را براساس نمونه‌های فعلی که دردسترس است، تبدیل به مدل کرده و سپس، از آن مدل برای تشخیص رفتارهای آینده سیستم استفاده می‌شود. بدین‌ترتیب، سیستم، مدل رفتارها و تجربیات گذشته را یاد می‌گیرد. توسعه و گسترش روش‌های یادگیری، هدف حوزه‌ای از دانش است که با عنوان  «یادگیری ماشین» شناخته می‌شود.
در این پژوهش، برای ارزیابی متغیرهای استخراجی که از الگوریتم‌های استخراج ویژگی لارس و رلیف به‌دست آمده‌اند، از الگوریتم-های یادگیر ماشین بردار پشتیبان و درخت تصمیم استفاده شده است. آزمایش‌ها بدین‌شکل اجرا گردید که نخست، نمونه‌ها به دو دسته «داده-ها‌ی آموزش» و «داده‌های آزمون» تقسیم شدند. داده‌های آموزش و آزمون با نسبت 80 درصد داده آموزش و 20 درصد داده آزمون و به‌صورت تصادفی تقسیم‌بندی شد. با توجه به اینکه داده‌های آموزش و آزمون به‌صورت تصادفی انتخاب می‌شوند، هریک از روش‌ها 10 مرتبه تکرار شدند و میانگین تکرارها به‌عنوان «نتیجه نهایی» ثبت گردید. برای محاسبه دقت الگوریتم‌ها، ابتدا نتیجه برآوردشده توسط الگوریتم، گرد شد و سپس با مقدار واقعی مقایسه گردید. نتایج آموزش ویژگی‌های استخراجی از دو الگوریتم انتخاب لارس و رلیف توسط ماشین‌های بردار پشتیبان و درخت تصمیم بر داده‌های آموزش و آزمون، به‌ترتیب، در جدول‌ (4) گزارش شده است.

جدول 4. نتایج اجرای الگوریتم‌ها براساس معیار دقت
انتخاب ویژگی    دوره    پیش‌بینی    درخت تصمیم    ماشین بردار پشتیبان
لارس    یک سال    تعداد پیش‌بینی صحیح    32    37
        تعداد پیش‌بینی اشتباه    12    8
        درصد پیش‌بینی    72/0    82/0
    دو سال    تعداد پیش‌بینی صحیح    15    17
        تعداد پیش‌بینی اشتباه    10    8
        درصد پیش‌بینی    6/0    68/0
    سه سال    تعداد پیش‌بینی صحیح    9    11
        تعداد پیش‌بینی اشتباه    6    4
        درصد پیش‌بینی    6/0    73/0
    بیش از سه سال    تعداد پیش‌بینی صحیح    8    10
        تعداد پیش‌بینی اشتباه    7    5
        درصد پیش‌بینی    53/0    66/0
    کل

    تعداد پیشبینی صحیح    64    75
        تعداد پیش‌بینی اشتباه    35    25
        درصد پیش‌بینی    65/0    75/0
رلیف    یک سال    تعداد پیش‌بینی صحیح    30    36
        تعداد پیش‌بینی اشتباه    14    8
        درصد پیش‌بینی    68/0    82/0
    دو سال    تعداد پیش‌بینی صحیح    16    16
        تعداد پیش‌بینی اشتباه    9    9
        درصد پیش‌بینی    64/0    64/0
    سه سال    تعداد پیش‌بینی صحیح    8    9
        تعداد پیش‌بینی اشتباه    7    6
        درصد پیش‌بینی    0.53    0.6
    بیش از سه سال    تعداد پیش‌بینی صحیح    8    10
        تعداد پیش‌بینی اشتباه    7    5
        درصد پیش‌بینی    53/0    67/0
    کل    تعداد پیش‌بینی صحیح    62    71
        تعداد پیش‌بینی اشتباه    37    28
        درصد پیش‌بینی    63/0    72/0
                             منبع: یافته‌های پژوهش

با توجه به نتایج به‌دست آمده، ویژگی‌های استخراج‌شده لارس با الگوریتم‌های یادگیر ماشین بردار پشتیبان با دقت 75 درصد، زمان خروج شرکت درمانده را از درماندگی پیش‌بینی می‌نماید و براساس معیار دقت از بهترین نتیجه برخوردار است. 
با مقایسه نتایج الگوریتم ماشین بردار پشتیبان و الگوریتم درخت تصمیم، میزان دقت ماشین بردار پشتیبان از درخت تصمیم برای پیش‌بینی احیای مالی و زمان خروج از درماندگی در همه وضعیت‌های موجود بهتر است.
-‌ میزان خطا و دقتِ ویژگی‌های استخراج‌شده 
در این پژوهش برای تعیین میزان خطا و دقت ویژگی‌های استخراج‌شده از ریشه میانگین مربعات خطا (RMSE) و میانگین مطلق خطا (MAE) که معیارهایی برای تفاوت بین مقادیر پیش‌بینی‌شده و واقعی هستند و همچنین، ضریب تعیین (R^2) استفاده شده است. ضریب تعیین، مشخص‌کننده قدرت توجیه‌کنندگی رگرسیون است. هرچه این ضریب به یک نزدیک‌تر باشد، قدرت توجیه‌کنندگی رگرسیون بالاتر است. 
از آنجا که نمونه‌های آزمون به‌صورت تصادفی انتخاب شدند، هرکدام از روش‌ها 10 مرتبه اجرا شد. دراین‌راستا، میانگین نتایج اجرا در جدول (5) آمده است.

 

جدول 5. میزان خطا و دقت معیارهای مختلف اندازه‌گیری
معیار الگوریتم    MAE    RMSE    R2    P-value
لارس + درخت تصمیم    742/0    998/0    577/0    0021/0
لارس + ماشین بردار    512/0    769/0    789/0    0033/0
رلیف + درخت تصمیم    711/0    947/0    629/0    0003/0
رلیف + ماشین بردار    527/0    818/0    748/0    0024/0
                      منبع: یافته‌های پژوهش

با توجه به نتایج به‌دست آمده مشخص می‌شود که شاخص‌های استخراجی با استفاده از روش لارس به‌همراه ارزیابی دقت الگوریتم یادگیر ماشین بردار پشتیبان، از لحاظ معیار MAE و RMSE، کمترین خطا (به‌ترتیب، 512/0 ، 769/0) را دارند. با بررسی معیار R2  نیز روش لارس به‌همراه الگوریتم یادگیر ماشین بردار پشتیبان از وضعیت مناسب‌تری برخوردار است. همچنین، با مقایسه روش‌های ماشین بردار پشتیبان و درخت تصمیم این نتیجه به‌دست می‌آید که بدون لحاظ کردنِ نوع ویژگی‌های استخراجی، ماشین یادگیر بردار پشتیبان نسبت به درخت تصمیم، از قدرتِ پیش‌بینیِ بالاتری برخوردار است. در ماشین بردار پشتیبان برای ویژگی‌های استخراجی از لارس و رلیف، به‌ترتیب، معیار MAE برابر با 512/0 و 527/0 است که برای درخت تصمیم این معیارها، به‌ترتیب، 742/0  و 711/0 می‌باشد. این نتیجه برای معیار RMSE نیز صادق است.
برای معناداری نتایج حاصل‌شده، آزمونِ تی - تست (T-Test) اجرا شد. مقادیر p به‌دست آمده از آزمون آماری t با درصد اطمینان 95 درصد نشان می‌دهد، نتایجِ کسب‌شده با توجه به معیارهای مختلف اندازه‌گیری، معنادار است.

5. نتیجه‌گیری و پیشنهادها
هدف اصلی این مقاله، طراحی و تبیین الگوی پیش‌بینی احیای مالی شرکت‌های درمانده با استفاده از متغیرهای مالی بود. با توجه به عملکرد بهتر مدل‌های هوش مصنوعی در قیاس با مدل‌های رگرسیونی تحلیل ممیزی، لاجیت و پروبیت در پیش‌بینی درماندگی مالی، برای پیش‌بینی احیای مالی نیز از این مدل‌ها استفاده شد. 
در این مقاله، براساس نتایج پژوهش‌های پیشین، 54 نسبت مالی برای متغیرهای پیش‌بین انتخاب گردید. در وهله نخست، برای به‌دست آوردن متغیرهای بااهمیت و موثر در خروج از درماندگی شرکت‌ها، از الگوریتم‌های استخراج ویژگی لارس و رلیف استفاده شد و 10 متغیر تاثیرگذار در خروج از درماندگی در قالب هریک از این الگوریتم‌ها شناسایی گردید. سپس، برای ارزیابی دقت نتایج حاصل از متغیرهای استخراجی روش‌های لارس و رلیف، از الگوریتم‌های یادگیر ماشین بردار پشتیبان و درخت تصمیم بهره‌برداری شد. نتایج نشان‌دهنده عملکرد بهتر متغیرهای استخراجی روش انتخاب ویژگی لارس با روش ارزیابی دقت الگوریتم ماشین بردار پشتیبان در قیاس با روش انتخاب ویژگی رلیف با روش ارزیابی درخت تصمیم است. همچنین، صرفنظر از الگوهای انتخاب ویژگی، برای ارزیابی دقت نتایج، ماشین یادگیر بردار پشتیبان نسبت به درخت تصمیم، در پیش‌بینی خروج از درماندگی، از قدرتِ پیش‌بینی بالاتری برخوردار است.
نتایج حاصل از پژوهش با یافته های بینتی و امیر (2010)، چو پ و یانگ کیما و شیگونگ ما (2016) مطابقت دارد، در حالی که با یافته های سیتم (2015) و چنچهن و منشا (2014) مطابقت ندارد. این ناسازگاری یافته‌ها ممکن است به دلیل تعدد نمونه انتخاب شده، تعدد متغیرها و دامنه زمانی متفاوت باشد.
براساس نتایج، پیشنهاد می‌شود که سرمایه‌گذاران بازار سرمایه در انتخاب پرتفوی مناسب برای سرمایه‌گذاری، براساس انتخاب ویژگی لارس و الگوریتم ماشین بردار پشتیبان از میانِ شرکت‌های درمانده، شرکت‌هایی را برای سرمایه‌گذاری انتخاب کنند که زمان خروج از درماندگی سریع‌تری نسبت به سایر شرکت‌های درمانده دارند؛ زیرا شرکت‌های درمانده در دوره مالی احیاشده، بازده قیمتی بالایی دارند.  ‌  
همچنین، شرکت‌های تولیدی دارای وضعیت درماندگی با استفاده از الگوهای این پژوهش، می‌توانند زمان احیای مالی خود را پیش‌بینی کرده و درصورتِ طولانی بودن زمانِ احیای مالی، اقدامات لازم را برای احیای مالی اجرا نمایند. 

مراجع

-‌ بحرایی، علیرضا، اعتمادی، کیوان و گرامی اصل، امیر (1395). مقایسه سیستم­های هوش مصنوعی و رگرسیون لجیت در پیش‌بینی ورشکستگی مالی. فصلنامه تحقیقات بازاریابی نوین، 20(21)، 153-166.

-‌ بهشتی‌سرشت، مصطفی، دهقان دهنوی، محمدعلی، مشایخی، علینقی و امیری، میثم (1400). واکاوی راهبرد کاهش هزینه و دارایی در احیای مالی بنگاه‌ها با استفاده از نظریه رانت اقتصادی و مدل‌سازی دینامیک سیستم‌ها. مجله مهندسی مالی و مدیریت اوراق بهادار،12(47)، 137-160.

-‌ پورزمانی، زهرا و کلانتری، حسن (1392). مقایسه قدرت پیش­بینی بحران مالی توسط تکنیک‌های مختلف هوش مصنوعی. پژوهش­های حسابداری مالی و حسابرسی، 5(17)، 33- 64.

-‌ راموز، نجمه و محمودی، مریم (1396). پیش­بینی ریسک ورشکستگی مالی با استفاده از مدل ترکیبی در بورس اوراق بهادار تهران. راهبرد مدیریت مالی، 5(16)، 51-75.

-‌ رحمان‌سرشت، حسین، حساس یگانه، یحیی، فلاح‌شمس، میرفیض و ایران‌دوست، منصور (1393). طراحی مدل راهبردی فرایند احیای شرکت‌های بحران‌زده، نشریه مدیریت بازرگانی، 6(3)، 497-516.

-‌ رحیمی، حمید، مینویی، مهرزاد و فتحی، محمدرضا (1400). تبیین متغیرهای مالی موثر در پیش‌بینی درماندگی مالی: کاربرد شبکه عصبی مصنوعی. صنعت لاستیک ایران، 25(101)، 65-84.

-‌ کردستانی، غلامرضا و تاتلی، رشید (1393). ارزیابی توان پیش‌بینی مدل‌های ورشکستگی، فصلنامه دانش حسابرسی، 14(55)، 51-70.

-‌ فلاح­‌پور، سعید، نوروزیان لکوان، عیسی و هندیجانی‌زاده، محمد (1396). مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله تحقیقـات مـالی، 19(1)، 156-139.

• مهرانی، ساسان، کامیابی، یحیی و غیور، فرزاد (1398). بررسی توانایی شاخص‌های حسابداری و غیرحسابداری مؤثر بر پیش‌بینی درماندگی مالی و مقایسه روش‌های پارامتریک و ناپارامتریک، پژوهش‌های تجربی حسابداری، 9(34)، 49-71.

-‌ ناظمی اردکانی، مهدی، زارع مهرجردی، وحید، محمدی ندوشن، علیرضا (1397). طراحی و تبیین الگوی پیش‏بینی ورشکستگی شرکت‏ها برحسب صنایع منتخب با استفاده از الگوی درخت تصمیم. مجله مدیریت دارایی و تامین مالی، 6(2)، 121-138. 

-‌ Belcher, T. & Nail, L. (2000). Integration problems and turnaround strategies in a cross border-merger: A clinical examination of the Pharmacia-Upjohn merger. International Review of Financial Analysis, 9(2), 219-234.

-‌ Bibeault, D.B. (1999). Corporate turnaround: How managers turn losers into winners! Beard Books, Washington, DC.

-‌ Bibeault, D.B. (1982) Corporate Turnaround: How Managers Turn Losers into Winners, NewYork: McGraw-Hill.

-‌ Bruton, G. D. & Rubanik. Y. T. (1997). Turnaround of high technology firms in Russia: The case of Micron. Academy of Management Executive, 11(2), 68-79.

-‌ Chin, Ch. (2016). Predicting corporate turnaround of listed companies in South Africa. University of Cape Town., http://hdl.handle.net/11427/22915.

-‌ Filatotchev, I. & Toms, S. (2006). Corporate governance and financial constraints on strategic turnarounds. Journal of Management Studies, 43 (3), 407-433.

-‌ Eunice, K., & Maina, S. (2019). Turnaround strategies and performance of dairy companies. International Journal of BUSINNESS & Management, 7(6), 284-294.

-‌ Manimala, M. (1991). Turnaround management, lessons from successful cases, ASCI Journal of Management, 20(4), 234-254.

-‌ Ghazzawi, I. (2018). Organizational turnaround: A conceptual framework and research agenda. American Journal of Management, 17(7), 10-24.

-‌ Hambrick, D. C. & Schecter, S. M. (1983). Turnaround strategies for mature industrial-product business units. Academy of Management Journal, 26(2), 231-248.

-‌ Harker, M. (2001). Market manipulation: A necessary strategy in the company turnaround process? Qualitative Market ResearchJournal of Managerial Issues; summer 2007; 19, 2; ABI/INFORM Global pg. 253 4(4), 197-206.

-‌ Heui-Yeong Kima, M., & Ma., Sh. (2016). Survival prediction of distressed firms. Journal of the Asia Pacific Economy, 21, 418-443.

-‌ Megginson, W. Meles, A. Sampagnaro, G & Verdoliva, V. (2019). Financial distress risk in initial public offerings: How much do venture capitalists matter? Journal of Corporate Finance, 25(1), 10-30.

-‌ Nyatsumba, K., & Pooe, D. (2022). Turbulences associated with the implementation of turnaround strategies at Kenya Airways. Africa’s Public Service Delivery & Performance Review, 10(1), 11 pages.

-‌ Panicker, S. & Manimala, M.J. (2015). Successful turnarounds: The role of appropriate entrepreneurial strategies. Journal of Strategy and Management, 8(1), 21–40.

-‌ Pearce, J. A. & Robbins, K. (1993). Toward improved theory and research on business turnaround. Journal of Management, 19(3), 613-636.

-‌ Schendel, D., Patton, G. R., & Riggs, J. (1976). Corporate turnaround strategies: A study of profit decline and recovery. Journal of general Management, 3(3), 3-11.

-‌ Slatter, S. (1984). Corporate recovery: Successful turnaround strategies and their implementation. Singapore: Penguin Books.

-‌ Sudarsanam, S. & Lai, J. (2001). Corporate financial distress and turnaround strategies: An empirical analysis. British Journal of Management, 12(3), 183-199.