منبع پایان نامه ارشد درباره تحلیل پوششی داده ها
بهمن 17, 1397 Comments..0
دانلود پایان نامه

است که می توان به پژوهش های هوآنگ وهمکارانش در سال 2006 برای طراحی برنامه ریزی دو مرحله ای ژنتیک برای مدل های و لونگ هوانگ و همکارانش در سال 2007 برای رتبه بندی اعتباری ، به کارگیری ماشین های بردار پشتیبانی برای رتبه بندی اعتباری با رویکرد داده کاوی اشاره کرد.

در اواخر سال 1990 به منظور “تحلیل گروه همسالان” همراه با ویژگی های مالی خاصی که میان دو یا چند گروه تفاوت قائل شود، تحلیل پوششی داده ها معرفی شد. بر خلاف رویکرد های تجزیه و تحلیل ممیزی چند گانه، شبکه های عصبی و تحلیل رگرسیون خطی، رویکرد تحلیل پوششی داده ها صرفاً به اطلاعات واقعی (مجموعه مشاهده شده داده های ورودی-خروجی) برای محاسبه رتبه های اعتباری نیازمند است. یه یکی از پیشگامان ترکیب تحلیل پوششی داده ها با تحلیل نسبت های مالی است. او از تحلیل پوششی داده ها برای ارزیابی عملکرد بانک بهره گرفت و مطالعه او به طور تجربی نشان داد که تحلیل پوششی داده ها در ارتباط با تحلیل نسبت های مالی، قادر است به جمع آوری نسبت های پیچیده پرداخته و آن ها را در ابعاد مالی معناداری طبقه بندی کند. این ویژگی، تحلیلگر را قادر می سازد تا به بینشی برای استراتژی های عملیاتی بانک دست پیدا کند.
1-Lee TS & et al
هوانگ، چن، هسو1 (2004) به مقایسه ی ماشین بردارپشتیبان با شبکه های عصبی در پیش بینی رتبه های اعتباری سازمان ها پرداختند. ولی به تفاوت ناچیزی در عملکرد به نتایج دست یافتند.
امل و همکارانش 2 در سال 2003 یک متدولوژی امتیازدهی اعتباری براساس تحلیل پوششی داده ها پیشنهاد کردند. آن ها داده های مالی جاری 82 شرکت تولیدی/ صنعتی را که تشکیل دهنده پرتفولیوی اعتباری یکی از بزرگ ترین بانک های ترکیه بود، برای رتبه بندی اعتباری به کار گرفتند. در این پژوهش براساس ادبیات موضوع، 42 نسبت مالی انتخاب شد و از میان آن ها 6 نسبت مهم مالی مورد توجه قرار گرفت. امل و همکارانش پس از اعتبارسنجی مدل با تجزیه و تحلیل رگرسیون دریافتند که روش تحلیل پوششی داده ها قادر به تخمین رتبه های، اعتباری شرکت ها بوده و از کارایی لازم برای امتیازدهی اعتباری برخوردار است.
یولالان و همکاران 3( 2003 ) در مقاله ای تحت عنوان “امتیازدهی اعتباری رهیافتی در بانکداری تجاری” به امتیازدهی اعتباری مشتریان بانک ترکیه در هفت مرحله به این شرح پرداختند:
– انتخاب مجموعه مشاهدات: در آغاز مطالعه تقریباً اطلاعات 100 بنگاه وجود داشت. به منظور ایجاد درجه همگنی میان شرکت ها در مجموعه مشاهدات، شرکت هایی که اطلاعات آماری آنها تفاوت معناداری با میانگین صنعت داشت را از مطالعه حذف و در نهایت 82 شرکت تولیدی صنعتی اصلی برای بررسی نهایی باقی ماندند.
– تعیین ابعاد مالی اصلی: ابعاد مالی پذیرفته شده مانند نسبت های نقدینگی، فعالیت، ساختار مالی، سوددهی، رشد و جریان وجوه برای تعیین نسبت های مالی بالقوه یا مناسب با بهره گرفتن از معیار c5 مورد استفاده قرار گرفتند.
1-Huang,Chun

 

اینجا فقط تکه های از پایان نامه به صورت رندم (تصادفی) درج می شود که هنگام انتقال از فایل ورد ممکن است باعث به هم ریختگی شود و یا عکس ها ، نمودار ها و جداول درج نشوند.

برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید

رشته روانشناسی و علوم تربیتی همه موضوعات و گرایش ها :روانشناسی بالینی ، تربیتی ، صنعتی سازمانی ،آموزش‌ و پرورش‌، کودکاناستثنائی‌،روانسنجی، تکنولوژی آموزشی ، مدیریت آموزشی ، برنامه ریزی درسی ، زیست روانشناسی ، روانشناسی رشد

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

2-Emel AB. & et al
3-Yolalan, Reha
– تعیین نسبت های مالی مناسب: در نهایت، به منظور رتبه بندی اعتباری مشتریان بانک ها از 46 نسبت مالی استفاده شد. گرچه نسبت های مالی بیشتری نیز می توانست مورد استفاده قرار گیرد، بحث وجود همگنی و تجانس میان شرکت های مورد مطالعه تعداد نسبت های مالی را به 46 نسبت محدود کرد.
– تصفیه نسبت های مالی مناسب جهت به دست آوردن مولفه های مالی اصلی: در این مرحله 46 نسبت مالی به دست آمده در مرحله قبل به عنوان ورودی (نهاده) تحلیل عاملی مورداستفاده قرار گرفتند.
عوامل با بهره گرفتن از روش مولفه های اصلی (اجزای دارای مقادیر ویژه بیشتر از 1) استخراج شدند. تناوب عوامل با بهره گرفتن از روش وریمکس متعامد صورت گرفت. به دلیل وجود همبستگی کامل میان برخی نسبت ها، در این مرحله 4 نسبت از تحلیل عاملی کنار گذارده شده و درنهایت 42 نسبت در مجموعه باقی ماند که در 11 عامل گروه بندی شده و برحسب مشخصات مشترک میان نسبت ها به هفت عامل وام های بانکی، دارایی های ثابت، سود دهی، نسبت بدهی به حقوق صاحبان سهام، ساختار بدهی از بعد زمان، نقدینگی و هزینه های فروش طبقه بندی شدند.
انتخاب نسبت های مالی نهایی با توجه به قضاوت های کارشناسان: درنهایت با توجه به قضاوت های کارشناسان، 6 نسبت مالی انتخاب شدند. از میان این نسبت ها، نهاده های مدل شامل وام های کوتاه مدت بانک/بدهی جاری؛ بدهی جاری/ خالص فروش؛ 1 قدرمطلق (دارایی های ثابت/حقوق صاحبان سهام) و ستانده های آن شامل (دارایی های جاری- موجودی کالا)/ بدهی های جاری، حقوق صاحبان سهام/ کل دارایی ها، خالص سود/ کل دارایی ها می باشد.
– محاسبه رتبه های اعتباری به روش تحلیل پوششی داده ها: با بکارگیری نهاده ها و ستانده های با بازدهی ثابت استفاده شد. CCR مرحله پنجم، کارایی شرکت های مورد بررسی با بهره گرفتن از مدل درصد قرار داشتند. رتبه های اعتباری به دست آمده در محدوده 100- 75/2 در میان شرکت های مورد بررسی تنها 16 شرکت کاملاً کارا بودند.
– اعتباربخشی از طریق رگرسیون، تحلیل ممیزی، تحلیل های قضاوتی: در این مرحله به منظور اعتبار بخشی به نتایج حاصل از تحلیل پوششی داده ها از سه روش تحلیل رگرسیونی، تحلیل ممیزی و تحلیل های قضاوتی استفاده شد.
الف) تحلیل رگرسیون: در این مرحله، رتبه های اعتباری تحلیل پوششی داده ها به عنوان متغیر وابسته و نسبت های مالی مورد استفاده به عنوان متغیر مستقل در رگرسیون مورد استفاده قرار گرفتند.
نتایج حاصل از رگرسیون نشان دادکه تمام متغیرها به جزء سود خالص/ کل دارایی ها بر مسیرهای موردانتظار قرار داشته و به لحاظ آماری در سطح 5 درصد معنادار هستند.
ب) تحلیل ممیزی: در این روش، شرکت ها با توجه به کارایی حاصل از تحلیل پوششی داده ها به دو گروه تقسیم می شوند. براین اساس، 41 شرکت با بالاترین رتبه های تحلیل پوششی داده ها به عنوان شرکت های خوب و دیگر شرکت ها درگروه بد طبقه بندی شدند. در تحلیل ممیزی با بهره گرفتن از نسبت های مالی (نهاده ها و ستانده ها) به عنوان متغیر مستقل و طبقه بندی شرکت ها به عنوان متغیر وابسته مدل برآورد شد.
نتایج به دست آمده حاکی از موفقیت (5/91 درصدی ) (41 + 41 ) / ( 38 + 37) مدل بود. در این روش تنها نسبت سود خالص/ کل دارایی ها به لحاظ آماری معنادار نبوده و در تابع تحلیل ممیزی لحاظ نشد.
ج) قضاوت کارشناسان: بررسی سازگاری نتایج حاصل از تحلیل پوششی داده ها و دیدگاه های کارشناسان اعتباری نیز موردبررسی قرارگرفت. براین اساس، نسبت موفقیت میان دو طبقه بندی 78 درصد درنهایت، نتایج حاصل از این مطالعه نشان داد که رابطه معکوسی میان استفاده از تسهیلات کوتاه مدت بانک با کارایی وجود دارد. بنگاه هایی با رتبه بالاتر کارایی از سودآوری بیشتر، نسبت اهرمی پایینتر و نقدینگی بیشتر برخوردارند.
در سال 2001 “ساندرز” و “آلن” 1از این مدل برای پیش بینی ریسک اعتباری شرکت هایی که از بانک ها تسهیلات گرفته بودند، استفاده کردند و با بررسی های صورت گرفته مشخص شد که این مدل برای پیش بینی ریسک اعتباری از قدرت بالایی برخوردار است (ساندرز و آلن، 2002) استفاده از چنین مدلی در بانک، باعث می شود که اگر نمره شرکت وام گیرنده از حد بحرانی Z پایین تر باشد، درخواست وام رد شود و یا کنترل و تسلط بیشتری برای افزایش ایمنی وام اعطایی اعمال شود و از این راه زیان های ناشی از عدم بازپرداخت وام به کمترین حد خواهد رسید. نسبت های مالی وام گیرنده Z در این مدل، به نمره و وزن های هر یک از نسبت ها بستگی خواهد (Xj) داشت. وزن هر یک از نسبت های مالی بستگی به تجارب موارد قصور وام گیرنده در بازپرداخت بالاتر باشد، طبقه ریسک Z وام دارد. هرچه میزان عدم بازپرداخت وام گیرنده پایین تر خواهد بود. بیانگر Z بنابراین، مقدار پایین یا منفی شاخص این است که وام گیرنده از نظر ریسک عدم بازپرداخت در طبقه بالایی قرار خواهد داشت. (آلتمن، 1968)2
امروزه در بیشتر بانک های معتبر جهان از یک یا چند مدل برای اندازه گیری ریسک اعتباری وام ها استفاده می شود. از جمله متداول ترین مدل های مورد استفاده می توان به مدل تحلیل ممیزی، مدل لجستیک، مدل پروبیت، سیستم رتبه بندی داخلی و شبکه های عصبی مصنوعی اشاره کرد. (گوردی، 2001 )3
وست4 (2000) به مقایسه دقت طبقه بندی پنچ مدل شبکه عصبی MOE و FAR و LVQ و RBF و MLP و چهار مدل رگرسیون لجستیک، نزدیک ترین همسایگی، آنالیز ممیزی و چگالی کرنل پرداخته است. نتایج تحقیق نشان داد که از بین این مدل ها، مدل های RBF, MLP, MOE به عنوان مدل های برتر شناخته شدند.
1-Saunders, A. and Allen, L
2-Altman, E
3-Gordy Michael
4-West D
مالهترا و مالهترا1 (2003) از یک مدل شبکه عصبی پرسپترون چند لایه برای طبقه بندی مشتریان 12 مؤسسه مالی در آمریکا استفاده و نتایج آن را با تحلیل ممیزی مقایسه کردند . نتایج تحقیق نشان داد که مدل شبکه عصبی دقت بالاتری در طبقه بندی مشتریان نسبت به مدل آنالیز ممیزی دارد. (نیلساز و راسخ، 1385)

طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال 1909 توسط “جان موری” بر روی اوراق قرضه انجام شد (گلانتز، 2003) مشابهت زیاد تسهیلات اعتباری بانک ها به اوراق قرضه باعث شد تا درجه بندی ریسک اعتباری تسهیلات بانک ها یعنی اندازه گیری ریسک عدم بازپرداخت اصل و بهره وامها از سوی برخی از پژوهشگران مورد توجه قرار گیرد.
در این میان می توان به مطالعه “فیشر”2 در سال1936 به عنوان اولین سیستم ارزیابی تقاضای اعتبار و مطالعه “دوراند” در سال 1941 که با بهره گرفتن از “تحلیل ممیزی” و با تکیه بر نتایج فیشر انجام گرفت، به عنوان بنیان گذار سیستم های امتیازدهی اعتباری حال حاضر اشاره نمود.
دانهم3 در سال 1938 اولین سیستم ارزیابی تقاضا نامه‌های اعتباری را با بکارگیری پنج معیار زیر توسعه داد .
1ـ موقعیت
2ـ درآمد
3ـ وضعیت مالی
4ـ ضامن یا وثیقه
5ـ اطلاعات بازپرداخت وام از بانک‌ها
دانهم استدلال کرد که اهمیت معیارهای مختلف باید براساس تجربه مشخص گردد.
1-Malhotra, R. and Malhotra
2-Fisher
3-Dunham
مدلسازی نرون برای نخستین بار در سال 1943 توسط وارن مک کلوث1 فیزیولوژیست اعصاب، والترپیتز منطقدان صورت گرفت. تمامی مکتب شبکه‌های عصبی از همین جا آغاز شد. بعضی از پیش زمینه‌های شبکه‌های عصبی را می‌توان به اوایل قرن 20 و اواخر قرن 19 برگرداند. در این دوره کارهای اساسی توسط دانشمندانی چون هرمان فون هلمهالتز، ارنست ماخ و ایوان پاولوف صورت پذیرفت. این کارهای اولیه عموماً بر تئوری‌های کلی یادگیری و شرطی تاکید داشتند و اصلا به مدل‌های مشخص ریاضی و عملکرد نورون‌های عصبی اشاره نداشتند.
دیدگاه جدید شبکه‌های عصبی در دهه قرن بیستم شروع شد زمانی که وارن مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه‌های عصبی مصنوعی نامید.
نخستین کاربرد عملی شبکه‌های عصبی اواخر دهه 50 قرن 20 مطرح شد زمانی که روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی نماید در همین زمان بود که برنارد ویدرو در سال 1960 شبکه عصبی تطبیقی آدلاین را با قانون یادگیری جدید مطرح نمود. پیشرفت شبکه‌های عصبی تا دهه 70 قرن بیستم ادامه یافت که در خلال دهه 80 رشد تکنولوژی میکروپرسسورها روند صعودی یافت و تحقیقات روی شبکه‌های عصبی افزایش یافت و ایده‌های جدید مطرح شد .
ایده استفاده از مکانیسم‌های تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه‌های برگشتی که می‌توان آنها را درجهت ذخیره سازی اطلاعات استفاده نمود. ایده بعدی که کلید توسعه شبکه‌های عصبی، الگوریتم پس انتشار بود که توسط راملهارت مک لند ارائه شد. او اولین استفاده کننده از تحلیل ممیزی برای رتبه بندی اعتباری بود که شاید بتوان او را بنیانگذار سیستم‌های رتبه بندی امروز دانست.
1- baron McCulloch
با آمدن کارت‌های اعتباری در اواخر دهه 60 اهمیت اعتباردهی برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری مشخص شد. همچنین مدل‌های طبقه بندی اعتبارات در بانک چیس ـ مانهتان در سال 1990 طراحی شد. این بانک که از گذشته از فنون کمّی برای کمک به مدیران ارشد اعطای تسهیلات استفاده می‌کرد در این سال با طراحی مدل کردیت ویو، پلم کوشید تا براساس سیستم عصبی مصنوعی کار طبقه بندی حساب مشتریان اعتباری را نظم و شتاب بیشتری بخشد.
با آمدن کارت‌های اعتباری در اواخر 1960 اهمیت رتبه بندی اعتباری برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری نمایان شد. وقتی این سازمان‌ها رتبه بندی اعتبار را به کار بردند دریافتند که این کار از هر تدبیر قضاوتی مفیدتر است، زیرا نرخ اشتباه به میزان 50 درصد یا بیشتر پایین آمده بود.
بوکس 1 در سال 1967 اولین فردی بود که استفاده از پس زمینه کامپیوتر برای استفاده از مجموعه بزرگی از داده‌ها را معرفی کرده همچنین او سعی در ترکیب ابزارهای آماری چند متغیره را داشت. اتفاقی که پذیرش کامل رتبه بندی اعتبار را تضمین کرد تصویب قانون فرصت برابر اعتبار در آمریکا در سال‌های 1975 و 1976 بود.
پیشرفت در محاسبات اجازه داد تا سعی شود تکنیک‌های دیگری برای ساختن کارت امتیاز به کار رود. در حال حاضر با به کارگیری شیوه ‌های هوش مصنوعی مانند سیستم‌های خبره و شبکه‌های عصبی و الگوریتم ژنتیک تاکید بر روی تغییر واقع بینانه از سعی در حداقل کردن شانس یک مشتری در درخواست ناجور (ریسک بالا)‌ در مورد یک محصول خاص به تحقیق در مورد اینکه چگونه شرکت می‌تواند سود خود را از آن مشتری بیشینه کند رخ داده است .
هربرت سایمون و آلن نول2 در انیستیتو تکنولوژی کاربن در سال 1950 تئوری را توسعه دادند که قضایا را با به کارگیری منطق، اثبات می‌کرد.
1-grey box
2-Herbert Alexander Simon & Allen Newell
در سال 1956 اولین کنفرانس پیشگامان هوش مصنوعی به نام کنفرانس دارت موث با حضور پیشگامان این رشته که حوزه مشترک فعالیت کنفرانس اولین برنامه کامپیوتری هوش مصنوعی بود، به نام “نگرش‌گر منطقی” ارائه گردید. در سال‌های بعد مک کارتی زبان برنامه نویسی لیسپ را ارائه نمود. از نیمه دوم دهه 40 به بعد سیستم‌های عملی هوش مصنوعی (سیستم‌های خبره) آغاز گردید. در سال 1965 فین بام و باچانا دندریت‌ها را توسعه دادند.
در سال 1969، مارتین و موسیز1 یک سیستم خبره ریاضی را توسعه دادند. در دهه 70 ل تی ـ وهرسایت، سیستم خبره برای شناسایی سخن توسعه داد و در این سال‌ها سیستم‌های مختلفی برای مسائل پزشکی و مهندسی و زمین شناسی توسعه داده شد. در اواخر دهه 70 موج جدیدی از نرم افزارهای کامپیوتری هوش مصنوعی (سیستم‌های خروجی) مثل پرولوک ارائه گردید به موازات فعالیت‌های مربوط به سیستم‌های خبره، فعالیت در حوزه شبکه‌های عصبی نیز جریان داشت بعد از کارهای اولیه، وقتی مک کلوث و والتر پیتز نشان دادند که شبکه‌های عصبی می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند، دوره جدیدی برای شبکه‌های عصبی آغاز گردید. سپس دونالدهب شرط گذاری کلاسیک را به عنوان خواص نرون‌های معرفی نموده و مکانیسمی برای یادگیری نرون‌های بیولوژیکی ارائه نمود. اولین کاربرد عملی شبکه‌های عصبی با معرفی شبکه پرسپترون در سال 1958 توسط روزنبلات شروع شد .
آلتمن ( 1968 ) در مقاله ای با عنوان “تحلیل تفاوت نسبت های مالی و پیش بینی ورشکستگی شرکت ها” با بهره گرفتن از 22 شاخص (نسبت مالی) که در 5 گروه نسبت نقدینگی، نسبت سو دآوری، نسبت اهرمی، نسبت کفایت بازپرداخت بدهی و نسبت های فعالیت درصدد ارزیابی موفقیت شرکت ها و واحدهای تولیدی آمریکا با بهره گرفتن از روش تحلیل ممیزی برآمد.
1-Martin & mosiz.
تنها 5 نسبت سود انباشته به مجموع دارایی ها، سرمایه در گردش به مجموع دارایی ها، مجموع بدهی ها به فروش، ارزش

مطلب مشابه :  دانلود پایان نامه رشته روانشناسی در مورد اضطراب اجتماعی

دیدگاهتان را بنویسید

فوکا | Postmag سبز فایل.