مقاله رایگان درباره دارایی ها، تحلیل پوششی داده ها، تحلیل پوششی، نسبت های مالی

دانلود پایان نامه ارشد

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 استفاده 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 اين مدل براي پيش بيني ريسك اعتباري شركت هايي كه از بانك ها تسهيلات گرفته بودند، استفاده كردند و با بررسي هاي صورت گرفته مشخص شد كه اين مدل براي پيش بيني ريسك اعتباري از قدرت بالايي برخوردار است (ساندرز و آلن، 2002) استفاده از چنين مدلي در بانك، باعث مي شود که اگر نمره شركت وام گيرنده از حد بحراني Z پايين تر باشد، درخواست وام رد شود و يا كنترل و تسلط بيشتري براي افزايش ايمني وام اعطايي اعمال شود و از اين راه زيان هاي ناشي از عدم بازپرداخت وام به كمترين حد خواهد رسيد. نسبت هاي مالي وام گيرنده Z در اين مدل، به نمره و وزن هاي هر يك از نسبت ها بستگي خواهد (Xj) داشت. وزن هر يك از نسبت هاي مالي بستگي به تجارب موارد قصور وام گيرنده در بازپرداخت بالاتر باشد، طبقه ريسك Z وام دارد. هرچه ميزان عدم بازپرداخت وام گيرنده پايين تر خواهد بود. بيانگر Z بنابراين، مقدار پايين يا منفي شاخص اين است كه وام گيرنده از نظر ريسك عدم بازپرداخت در طبقه بالايي قرار خواهد داشت. (آلتمن، 1968)2
امروزه در بيشتر بانك هاي معتبر جهان از يك يا چند مدل براي اندازه گيري ريسك اعتباري وام ها استفاده مي شود. از جمله متداول ترين مدل هاي مورد استفاده مي توان به مدل تحليل مميزي، مدل لجستيك، مدل پروبيت، سيستم رتبه بندي داخلي و شبكه هاي عصبي مصنوعي اشاره كرد. (گوردي، 2001 )3
وست4 (2000) به مقايسه دقت طبقه بندي پنچ مدل شبكه عصبي MOE و FAR و LVQ و RBF و MLP و چهار مدل رگرسيون لجستيك، نزديك ترين همسايگي، آناليز مميزي و چگالي كرنل پرداخته است. نتايج تحقيق نشان داد كه از بين اين مدل ها، مدل هاي RBF, MLP, MOE به عنوان مدل هاي 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 لايه براي طبقه بندي مشتريان 12 مؤسسه مالي در آمريكا استفاده و نتايج آن را با تحلیل مميزي مقايسه كردند . نتايج تحقيق نشان داد كه مدل شبكه عصبي دقت بالاتري در طبقه بندي مشتريان نسبت به مدل آناليز مميزي دارد. (نيلساز و راسخ، 1385)
طراحي مدلي براي اندازه گيري و درجه بندي ريسك اعتباري براي نخستين بار در سال 1909 توسط “جان موري” بر روي اوراق قرضه انجام شد (گلانتز، 2003) مشابهت زياد تسهيلات اعتباري بانك ها به اوراق قرضه باعث شد تا درجه بندي ريسك اعتباري تسهيلات بانك ها يعني اندازه گيري ريسك عدم بازپرداخت اصل و بهرة وامها از سوي برخي از پژوهشگران مورد توجه قرار گيرد.
در اين ميان مي توان به مطالعه “فيشر”2 در سال1936 به عنوان اولين سيستم ارزيابي تقاضاي اعتبار و مطالعه “دوراند” در سال 1941 كه با استفاده از “تحليل مميزي” و با تكيه بر نتايج فيشر انجام گرفت، به عنوان بنيان گذار سيستم هاي امتيازدهي اعتباري حال حاضر اشاره نمود.
دانهم3 در سال 1938 اولين سيستم ارزيابي تقاضا نامه‌هاي اعتباري را با بكارگيري پنج معيار زير توسعه داد .
1ـ موقعيت
2ـ درآمد
3ـ وضعيت مالي
4ـ ضامن يا وثيقه
5ـ اطلاعات بازپرداخت وام از بانك‌ها
دانهم استدلال كرد كه اهميت معيارهاي مختلف بايد براساس تجربه مشخص گردد.

1-Malhotra, R. and Malhotra
2-Fisher
3-Dunham

مدلسازي نرون براي نخستين بار در سال 1943 توسط وارن مك كلوث1 فيزيولوژيست اعصاب، والترپيتز منطقدان صورت گرفت. تمامي مكتب شبكه‌هاي عصبي از همين جا آغاز شد. بعضي از پيش زمينه‌هاي شبكه‌هاي عصبي را مي‌توان به اوايل قرن 20 و اواخر قرن 19 برگرداند. در اين دوره كارهاي اساسي توسط دانشمنداني چون هرمان فون هلمهالتز، ارنست ماخ و ايوان پاولوف صورت پذيرفت. اين كارهاي اوليه عموماً بر تئوري‌هاي كلي يادگيري و شرطي تاكيد داشتند و اصلا به مدل‌هاي مشخص رياضي و عملكرد نورون‌هاي عصبي اشاره نداشتند.
ديدگاه جديد شبكه‌هاي عصبي در دهه قرن بيستم شروع شد زماني كه وارن مك كلوث و والتر پيتز نشان دادند كه شبكه‌هاي عصبي در اصل مي‌توانند هر تابع حسابي و منطقي را محاسبه نمايند. كار اين افراد را مي‌توان نقطه شروع حوزه علمي شبكه‌هاي عصبي مصنوعي ناميد.
نخستين كاربرد عملي شبكه‌هاي عصبي اواخر دهه 50 قرن 20 مطرح شد زماني كه روزنبلات و همكارانش شبكه‌اي ساختند كه قادر بود الگوها را از هم شناسايي نمايد در همين زمان بود كه برنارد ويدرو در سال 1960 شبكه عصبي تطبيقي آدلاين را با قانون يادگيري جديد مطرح نمود. پيشرفت شبكه‌هاي عصبي تا دهه 70 قرن بيستم ادامه يافت كه در خلال دهه 80 رشد تكنولوژي ميكروپرسسورها روند صعودي يافت و تحقيقات روي شبكه‌هاي عصبي افزايش يافت و ايده‌هاي جديد مطرح شد .
ايده استفاده از مكانيسم‌هاي تصادفي جهت توضيح عملكرد يك طبقه وسيع از شبكه‌هاي برگشتي كه مي‌توان آنها را درجهت ذخيره سازي اطلاعات استفاده نمود. ايدة بعدي كه كليد توسعة شبكه‌هاي عصبي، الگوريتم پس انتشار بود كه توسط راملهارت مك لند ارائه شد. او اولين استفاده كننده از تحلیل مميزي براي رتبه بندي اعتباري بود كه شايد بتوان او را بنيانگذار سيستم‌هاي رتبه بندي امروز دانست.

1- baron McCulloch

با آمدن كارت‌هاي اعتباري در اواخر دهه 60 اهميت اعتباردهي براي بانك‌ها و ديگر ارائه كنندگان كارت‌هاي اعتباري مشخص شد. همچنين مدل‌هاي طبقه بندي اعتبارات در بانك چيس ـ مانهتان در سال 1990 طراحي شد. اين بانك كه از گذشته از فنون كمّي براي كمك به مديران ارشد اعطاي تسهيلات استفاده مي‌كرد در اين سال با طراحي مدل کردیت ویو، پلم كوشيد تا براساس سيستم عصبي مصنوعي كار طبقه بندي حساب مشتريان اعتباري را نظم و شتاب بيشتري بخشد.
با آمدن كارت‌هاي اعتباري در اواخر 1960 اهميت رتبه بندي اعتباري براي بانك‌ها و ديگر ارائه كنندگان كارت‌هاي اعتباري نمايان شد. وقتي اين سازمان‌ها رتبه بندي اعتبار را به كار بردند دريافتند كه اين كار از هر تدبير قضاوتي مفيدتر است، زيرا نرخ اشتباه به ميزان 50 درصد يا بيشتر پايين آمده بود.
بوكس 1 در سال 1967 اولين فردي بود كه استفاده از پس زمينه كامپيوتر براي استفاده از مجموعه بزرگي از داده‌ها را معرفي كرده همچنين او سعي در تركيب ابزارهاي آماري چند متغيره را داشت. اتفاقي كه پذيرش كامل رتبه بندي اعتبار را تضمين كرد تصويب قانون فرصت برابر اعتبار در آمريكا در سال‌هاي 1975 و 1976 بود.
پيشرفت در محاسبات اجازه داد تا سعي شود تكنيك‌هاي ديگري براي ساختن كارت امتياز به كار رود. در حال حاضر با به كارگيري شیوه ‌هاي هوش مصنوعي مانند سيستم‌هاي خبره و شبكه‌هاي عصبي و الگوريتم ژنتيك تاكيد بر روي تغيير واقع بينانه از سعي در حداقل كردن شانس يك مشتري در درخواست ناجور (ريسك بالا)‌ در مورد يك محصول خاص به تحقيق در مورد اينكه چگونه شركت مي‌تواند سود خود را از آن مشتري بیشینه كند رخ داده است .
هربرت سايمون و آلن نول2 در انيستيتو تكنولوژي كاربن در سال 1950 تئوري را توسعه دادند كه قضايا را با به كارگيري منطق، اثبات مي‌كرد.

1-grey box
2-Herbert Alexander Simon & Allen Newell
در سال 1956 اولين كنفرانس پيشگامان هوش مصنوعي به نام كنفرانس دارت موث با حضور پيشگامان اين رشته كه حوزه مشترك فعاليت كنفرانس اولين برنامه كامپيوتري هوش مصنوعي بود، به نام “نگرش‌گر منطقي” ارائه گرديد. در سال‌هاي بعد مك كارتي زبان برنامه نويسي ليسپ را ارائه نمود. از نيمه دوم دهه 40 به بعد سيستم‌هاي عملي هوش مصنوعي (سيستم‌هاي خبره) آغاز گرديد. در سال 1965 فين بام و باچانا دندريت‌ها را توسعه دادند.
در سال 1969، مارتين و موسيز1 يك سيستم خبره رياضي را توسعه دادند. در دهه 70 ل تي ـ وهرسايت، سيستم خبره براي شناسايي سخن توسعه داد و در اين سال‌ها سيستم‌هاي مختلفي براي مسائل پزشكي و مهندسي و زمين شناسي توسعه داده شد. در اواخر دهه 70 موج جديدي از نرم افزارهاي كامپيوتري هوش مصنوعي (سيستم‌هاي خروجي) مثل پرولوك ارائه گرديد به موازات فعاليت‌هاي مربوط به سيستم‌هاي خبره، فعاليت در حوزه شبكه‌هاي عصبي نيز جريان داشت بعد از كارهاي اوليه، وقتي مك كلوث و والتر پيتز نشان دادند كه شبكه‌هاي عصبي مي‌توانند هر تابع حسابي و منطقي را محاسبه نمايند، دوره جديدي براي شبكه‌هاي عصبي آغاز گرديد. سپس دونالدهب شرط گذاري كلاسيك را به عنوان خواص نرون‌های معرفي نموده و مكانيسمي براي يادگيري نرون‌هاي بيولوژيكي ارائه نمود. اولين كاربرد عملي شبكه‌هاي عصبي با معرفي شبكه 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 استفاده 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 استفاده 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 دفتری مجموع بدهی ها به ارزش بازاری سهام شرکت و مجموع دارایی ها به سود قبل از کسر بهره و مالیات دارای آثار معناداری بر موفقیت شرکت ها بودند. نتایج این مطالعه نشان داد که نسبت سود انباشته به مجموع دارایی ها دارای حداکثر سهم در تابع تعیین ممیزی و درنتیجه تفکیک شرکت ها از نظر بالا و پایین بودن ریسک داشته است.
پيشرفت واقعي در شبكه‌هاي عصبي در دهه 70 اتفاق افتاد. در سال 1972 تئوري كوهونن و جيمز اندرسون مستقل از هم، شبكه‌هاي جديدي كه قادر بودند مثل عناصر ذخيره ساز عمل كنند معرفي كردند. در دهه 80 با رشد تكنولوژي ميكروپروسسورها، تحقيقات روي شبكه‌هاي عصبي فزوني يافت. شبكه‌هاي برگشتي و الگوريتم پس از انتشار خطا نتايج اين تحقيقات بودند.
تحقيقات روي شبكه‌هاي عصبي چند لايه پيشخور، به كارهاي اوليه فرانك 1959 شبكه عصبي پرسپترون تك لايه، با تابع محرك دو مقداره حدي غير خطي و قانون SLPR بر مي‌گردد.
شبكه‌هاي تك لايه از اين مشكل اساسي برخوردارند كه تنها توانايي حل آن دسته از مسائل طبقه بندي را دارند كه به طور خطي از هم مستقل اند. هم روزنبلات و هم ويدرو از اين امر واقف بودند و شبكه‌هاي چند لايه را پيشنهاد كرده بودند. هر چند استفاده از عبارت پس انتشار عملاً پس از 1985 متداول گشت، ليكن نخستين توصيف الگوريتم BP توسط پاول وربز در سال 1974 در رساله دكترايش مطرح شد. در اين رساله، الگوريتم BP تحت عنوان شبكه‌هاي عمومي

پایان نامه
Previous Entries مقاله رایگان درباره نسبت های مالی، دارایی ها، رگرسیون، تحلیل پوششی داده ها Next Entries مقاله رایگان درباره شبکه عصبی، رگرسیون، شبیه سازی، ریسک اعتباری