نسبت مالی

بیست و یکمین سمپوزیوم اروپایی در زمینه مهندسی فرآیند به کمک رایانه

Pantelis longinidis ،. Panagiotis Tsiakis ، در مهندسی شیمی به کمک رایانه ، 2011

3. 1 نتیجه

مدل مالی پیشنهادی (FM) و یک مدل مشابه (NFM) که محدودیت های نسبت مالی را نادیده می گیرد با استفاده از حل کننده ILOG CPLEX 11. 2. 0 در نرم افزار GAMS 22. 9 حل شد. هر دو مدل دارای عملکرد یکسان هستند (حداکثر سازی EVA) اما NFM محدودیت ها (23) را به (34) نادیده می گیرد. برای FM ساختار شبکه بهینه در شکل 1 ارائه شده است در حالی که برای NFM در شکل 2. کل ارزش سهامدار ایجاد شده 1،756،627 واحد پول نسبی (RMU) برای FM است در حالی که برای NFM 534،988 RMU.

برتری FM در برابر NFM در ارزش های بهینه نسبت های مالی نشان داده شده است. در نسبت نقدینگی ، FM در تمام نسبت های فردی بسیار بهتر از NFM است. در نسبت های مدیریت دارایی ، NFM کمی بهتر از FM عمل می کند. در نسبت های پرداخت ، اشکال اصلی NFM مشهود است. NFM تصمیم می گیرد تا فعالیت های خود را با صندوق های خارجی از بازارهای سرمایه (تقریبا 90 ٪ از IC خود) تأمین کند و به میزان قابل توجهی بدهی های آن و سود پرداخت شده آن را افزایش می دهد. در مقابل ، FM به دلیل محدودیت های مالی تحمیل شده در عملکرد مالی آن ، هزینه بدهی های بالا را در نظر می گیرد و تنها 10 ٪ از IC آن از بازارهای سرمایه است. مبادله بین مدل ها ROE است که برای NFM بر خلاف FM بسیار زیاد است. اگرچه ، ROE یک نسبت محبوب برای تصمیمات سرمایه گذاری است ، اما در موارد تصمیمات مالی مؤثر ، ارزیابی جامع از وضعیت مالی شرکت مورد نیاز است.

بیشتر بخوانید URL: https://www. sciencedirect. com/science/article/pii/b97804445371195029

برنامه ریزی شرکتی

برنامه ریزی شرکتی کوتاه و متوسط

برنامه ریزی شرکتی با برد کوتاه مشتق برنامه ریزی شرکت های دارای محدوده متوسط است که به نوبه خود از برنامه ریزی شرکت های دوربرد ناشی می شود. در اصل ، برنامه ریزی شرکت های با برد کوتاه مربوط به استفاده کارآمد از منابع یک شرکت است. این یک برنامه مالی دقیق است که هم چگونگی دستیابی به اهداف و اهداف شرکت برای سال آینده و هم روشهای عملیاتی برای مدیریت عملیات روزانه را مشخص می کند. به همین ترتیب ، برنامه های کوتاه مدت مراحل خاص برای انجام برنامه های با برد متوسط را تشریح می کند. همچنین ، آنها با ترجمه برنامه های دوربرد به عمل ، نقش مهمی در اجرای استراتژی های تجاری ایفا می کنند و عوامل موفقیت اساسی یک شرکت را در نظر می گیرند.

علاوه بر این ، برنامه های شرکت های با برد کوتاه بر اهداف دقیق و اهداف و استراتژی های قابل اندازه گیری خاص شرکت و وسیله ای برای دستیابی به آنها ، معمولاً در قالب بودجه های انعطاف پذیر یا برنامه های سود. مدیریت نیاز به هزینه و اطلاعات حاشیه درآمد دارد تا بتواند زمینه های قدرت و ضعف را شناسایی کند. دانش در مورد حاشیه محصول یا اطلاعات مشارکت یک شرکت و رقبای آن با گذشت زمان نیز برای اندازه گیری تأثیر سود دوره های جایگزین عمل لازم است. برنامه های شرکت های با برد کوتاه تأیید شده به بودجه تبدیل می شوند به گونه ای که می توان نتایج واقعی را برای کنترل مؤثرتر با آنها اندازه گیری کرد و مقایسه کرد. به طور کلی ، این برنامه ها با مدت زمان کوتاه نشان دهنده برنامه ریزی و بودجه از بالا به پایین است که عملکرد را به دید استراتژیک پیوند می دهد. در اصل ، این برنامه های شرکت های کوتاه مدت نمایانگر برنامه های مداوم هستند که متعلق به روسای بخش است که برای نتایج پاسخگو خواهند بود.

VI. A استفاده از هوش استراتژیک برای تهیه و ارزیابی برنامه های سود کوتاه و متوسط

برای محصولات یک شرکت معمولی ، یک برنامه سود سالانه بخشی جدایی ناپذیر از برنامه ریزی شرکت های گسترده شرکت است. در یک روش مشابه ، برنامه های سود کلی برای دو ، سه و چهار سال تعیین می شود. بازده معمولی از نظر گزارش های کوتاه مدت (سال جاری) شامل ترازنامه دوره ای (یا ماهانه) صورتهای درآمد ، بودجه انعطاف پذیر ماهانه ، گزارش های استثناء بودجه ماهانه و KPI های دوره ای (یا ماهانه) و نسبت های مالی است. گزارش های دامنه متوسط (2 تا 4 سال در آینده) شامل ترازنامه و صورتحساب درآمد پیش بینی شده ، جریان نقدی پیش بینی شده ، KPI ها و نسبت های مالی ، منبع پیش بینی شده و استفاده از وجوه و محصولات پیش بینی شده ، تسهیلات تولیدی و الزامات پرسنل است. با در دسترس بودن اطلاعات که منعکس کننده زمان تغییر است ، باید برنامه های سود برای سال آینده تجدید نظر شود تا منعکس کننده تغییرات و تغییرات مورد انتظار در محیط کسب و کار باشد. بنابراین ، برنامه ریزی سود مؤثر باید یک تلاش مداوم باشد نه یک دوره دوره ای.

اگرچه بودجه های انعطاف پذیر برای برنامه ریزی سود به طور کلی توسط بخش حسابداری تهیه می شود ، مسئولیت آن بر عهده کارکنان برنامه ریزی شرکت ها است ، که نه تنها باید اطلاعات مالی مناسب را برای تصمیم گیری های خاص برای برنامه ریزی انتخاب کنند ، بلکه باید این اطلاعات را از پایگاه داده های شرکت ها و انبارهای داده در هم ترکیب کنند. روشهای مفید و معنی دار. بسیاری اوقات ، شرکت ها برای استخراج روند و الگوهای مالی باید از تکنیک های کشف دانش استفاده کنند. اعضای کارکنان همچنین باید تخمین های ارائه شده توسط مدیران عملکردی درگیر در یک تصمیم خاص را بررسی و هماهنگ کنند. آنها باید معیار تأثیر سود دوره های جایگزین عمل و مشاوره در مورد معنی و اهمیت تحلیل مالی را ارائه دهند. به طور خلاصه ، برنامه های شرکت های دوربرد برای یک شرکت معمولی برای چند سال آینده به برنامه های با برد متوسط ترجمه می شوند و سرانجام به برنامه های شرکت های کوتاه مدت ، یعنی برنامه های سود سالانه (از جمله بودجه) برای سال آینده تبدیل می شوند.

بودجه های انعطاف پذیر یا برنامه های سود تفصیلی برای سال آینده ایجاد می شوند که برنامه ریزی برای بازاریابی، تولید، و مالی و همچنین منابع انسانی را که بر سال جاری تأثیر دارند، در نظر می گیرد. به طور مشابه، برنامه های سود کلی برای طرح های شرکتی میان برد می تواند توسعه یابد. برای کمک به کارکنان برنامه ریزی شرکت، یک سری سؤالات «چه می شد» در مورد برنامه ریزی باید پرسیده شود و به آنها پاسخ داده شود که در آن ها می توان از تحلیل حساسیت برای تعیین تأثیر تغییر یک یا چند متغیر بر برنامه های سود نهایی استفاده کرد. مدیران و کارکنان آن ها می توانند با اطلاعات و دانش شرکت برای پاسخ به سؤالات «چه می شود» و تحلیل حساسیت تعامل داشته باشند.

به عنوان مثال، یک تجزیه و تحلیل شش ماهه از پنج محصول جدید را می توان انجام داد که با سود آنها شروع می شود که به شرح زیر است:

این داده ها را می توان نمودار کرد (مانند شکل 2). اگرچه نشان داده نشده است، نمودارهای دایره ای برای بهترین و بدترین سود یک شرکت در پنج محصول جدید را می توان توسعه داد (مانند شکل 3). به نوبه خود، سودآوری این پنج محصول جدید طی شش ماه آینده را می توان به شرح زیر رتبه بندی کرد:

اساساً به دلیل عوامل متعددی از جمله حجم فروش بیشتر به دلیل استقبال از محصول، کاهش زمان تولید و کاهش ضایعات با بهبود منحنی یادگیری، سود در طول ماه ها افزایش می یابد. علاوه بر این، درصدهای سودآوری را می توان برای پنج محصول به همراه نمودار و رتبه بندی مناسب محصولات برای دیدی متفاوت بیان کرد.

مربوط به برنامه های شرکتی با برد کوتاه (و با برد متوسط) اندازه گیری عملکرد واقعی در برابر این برنامه ها است. این می تواند به شکل استفاده از شاخص های کلیدی عملکرد و نسبت های مالی باشد. همچنین ، نرم افزار کارت امتیازی (که قبلاً ذکر شد) می تواند در این مرحله به مدیریت کمک کند. علاوه بر دریافت یک مرور کلی در مورد نحوه انجام یک شرکت ، می توان زمینه های خاص یک شرکت را برای عملکرد آن اندازه گیری و ارزیابی کرد. به عنوان مثال ، نرم افزار کارت امتیازی می تواند در حال نقص گیاه توسط گیاه باشد و نشان می دهد که چگونه کیفیت هر گیاه بهبود می یابد. این می تواند اندازه گیری هایی مانند تحویل به موقع را به شاخص های مالی خاص پیوند دهد. این نرم افزار می تواند درصد فروش را به دلیل معرفی محصولات جدید و حاشیه ناخالص محصولات جدید به همراه شاخص های گسترده شرکت مانند درآمد و بازده سرمایه گذاری اندازه گیری کند. لازم به ذکر است که شرکت های مختلف در زمان های مختلف نیازها و اهداف متفاوتی دارند. به عنوان مثال ، یک شرکت خدماتی که به تازگی ادغام شده است ، یک مدل کاملاً مالی ایجاد نمی کند که مثلاً بر بهره وری متمرکز باشد. خروجی برای هر کارمند محرک آن تجارت نیست. ارزش واقعی نرم افزار کارت امتیازی این است که یک شرکت را وادار می کند تا فرضیات خود را در مورد آنچه واقعاً باعث عملکرد می شود ، دوباره بررسی کند. این شرکت را وادار می کند تا در مورد آنچه برای مشتریان خود مهم است و در نهایت ، آنچه برای کل فعالیت های یک شرکت مهم است ، تمرکز کند و صریح تر شود.

بیشتر بخوانید URL: https://www. scienceirect. com/science/article/pii/b012272404000216

سیستم های اطلاعاتی شناختی هوشمند در برنامه های مدیریتی

6. 2 طبقه بندی سیستم های شناختی هوشمند در برنامه های مدیریتی

سیستم های مدیریت شناختی به تجزیه و تحلیل معنایی نسبت های اقتصادی/ مالی اختصاص داده شده و تجزیه و تحلیل اطلاعات ساده را تکمیل می کنند. به این ترتیب ، این سیستم ها نقش حمایت از تحلیل مالی/استراتژیک نهاد (شرکت ، سازمان و غیره) را ایفا می کنند. وظیفه اصلی سیستم های مدیریت شناختی ، انجام تجزیه و تحلیل مالی یک شرکت با استفاده از جنبه های تجزیه و تحلیل داده های شناختی است. این کلاس از سیستم ها می تواند برای تجزیه و تحلیل معنایی داده های انجام شده با درک حس (معنی) گروه های مورد بررسی نسبت ، به ویژه مالی یا کلان اقتصادی استفاده شود.

از هر گروهی از نسبت ها می توان برای تجزیه و تحلیل شناختی با هدف درک اطلاعات معنایی موجود در این مجموعه ها استفاده کرد.

سیستمهایی که از روند مدیریت داده های مالی پشتیبانی می کنند به چهار کلاس زیر تقسیم شده اند [15]:

UBMLRS های شناختی - درک نسبتاً نقدینگی مدیریت مبتنی بر سیستم پشتیبانی از سیستم های پشتیبانی از تجزیه و تحلیل نسبت نقدینگی شرکت ، که در مورد مبلغ و کفایت سرمایه در گردش شرکت و همچنین در مورد فعالیت های فعلی شرکت دلیل دارد.

UBMARSS شناختی - درک نسبت فعالیت های مدیریتی مبتنی بر درک سیستم های پشتیبانی - سیستم برای تجزیه و تحلیل نسبت گردش مالی ، که دلیل در مورد چرخش سریع دارایی ها و چقدر تولید کننده آنها است.

UBMPRSS شناختی ubmprss - درک نسبت به سودآوری مدیریت مبتنی بر سیستم های پشتیبانی - سیستم های شناختی برای تجزیه و تحلیل نسبت سودآوری ، که در مورد کارآیی مالی عملکردهای تجاری یک واحد خاص بر اساس رابطه بین نتایج مالی ، فروش کالاها و خدمات و هزینه دلیلفروش

UBMFLRS های شناختی-درک مبتنی بر مدیریت مبتنی بر مدیریت اهرم های مالی سیستم های پشتیبانی-سیستم های تجزیه و تحلیل نسبت اهرم های مالی (نسبت بدهی های مالی) ، که در مورد منابع تأمین مالی دارایی شرکت و نسبت سرمایه خارجی با تجزیه و تحلیل بدهی های کوتاه مدت و بلند مدت ، دلیلآنها همچنین در مورد اثربخشی هزینه و سود پرداخت شده استدلال می کنند.

طبقه بندی سیستم های مالی شناختی در شکل 6. 5 نشان داده شده است.

شکل 6. 5 گروههای اصلی سیستم های مدیریت شناختی و انواع انتخاب شده نسبت در هر زیر کلاس از سیستم های شناختی را نشان می دهد. در هر گروه از نسبت های مالی ، بسیاری از نسبت های مورد استفاده برای تجزیه و تحلیل جایگاه یک شرکت متمایز هستند.

اولین گروه از نسبت ها کسانی هستند که نقدینگی مالی شرکت را توصیف می کنند. نقدینگی یک شرکت به عنوان توانایی آن در پرداخت بدهی های فعلی خود به عنوان مثال ، کارمندان ، تأمین کنندگان یا بانک ها در زمان بلوغ درک می شود. این توانایی هم با ایستادن شرکت و هم از وضعیت خارجی مستقل در خارج از کنترل آن تعیین می شود.

نسبت های زیر در گروه نسبت های اندازه گیری نقدینگی متمایز است:

نسبت پرداخت بالغ ،

نشانگر جریان نقدی ،

پوشش جریان نقدی.

در گروه نسبت هایی که جریان نقدی شرکت را توصیف می کنند ، نسبت جریان نقدی به مقادیر زیر متمایز است:

در گروه نسبت هایی که پوشش جریان نقدی را تعریف می کنند ، شاخص های زیر پوشش جریان نقدی متمایز هستند:

نقدی عملیاتی برای پرداخت کل بدهی ها ،

نقدی عملیاتی برای پرداخت بدهی های جاری ،

پول نقد برای پرداخت بدهی های بلند مدت ،

پوشش کلی جریان نقدی عملیاتی ،

جریان نقدی عملیاتی برای خرید دارایی ثابت.

در گروه نسبت هایی که نقدینگی یک شرکت را توصیف می کنند ، شاخص های زیر برای تجزیه و تحلیل معنایی نسبت ها به تصویب رسید:

مقدار نسبت فعلی ،

مقدار نسبت سریع ،

ارزش نسبت نقدی ،

ارزش نسبت خزانه داری ،

ارزش نسبت پرداختهای بالغ.

گروه بعدی نسبت ها آنهایی هستند که چرخه گردش مالی را در شرکت توصیف می کنند. گردش مالی به عنوان کارآیی شرکت ، یعنی توانایی استفاده بهینه از منابع موجود توسط شرکت در شرایط خارجی خاص درک می شود. در نتیجه ، گردش مالی نشان دهنده توانایی دارایی ها در تولید درآمدها است.

نسبت های زیر در گروه شاخص های گردش مالی متمایز است:

گردش مالی دارایی ثابت ،

گردش مالی دارایی ،

گردش دارایی مایع.

در گروه شاخص های توصیف چرخه گردش مالی یک شرکت ، موارد زیر برای تجزیه و تحلیل معنایی داده های شاخص به تصویب رسید:

کل گردش مالی دارایی ،

گردش مالی دارایی کار ،

گردش مالی دارایی مایع.

گروه بعدی نسبت ها آنهایی هستند که سودآوری (نرخ بازده) شرکت را توصیف می کنند. سودآوری این شرکت به عنوان توانایی آن در تولید درآمد از عملیات خود ، که درآمد بیش از هزینه عملیاتی شرکت است ، درک می شود. شاخص های سودآوری اثربخشی فعالیت های نهاد را در دوره زمانی داده شده (تجزیه و تحلیل شده) اندازه گیری می کنند. نسبت سودآوری اغلب برای ارزیابی تجارت شرکت از منظر توانایی آن در تولید سود از وسیله ای که استفاده می کند استفاده می شود. این نسبت ها برای اندازه گیری میزان دستیابی شرکت به هدف استراتژیک خود از افزایش ارزش خود با افزایش سودآوری استفاده می شود.

نسبت های زیر در گروه سودآوری/نرخ شاخص های بازده متمایز است:

بازده فروش ،

سودآوری عملیاتی فروش ،

سودآوری عملیات تجاری ،

بازده فروش ناخالص ،

بازده فروش خالص ،

بازگشت دارایی،

بازگشت به دارایی های ناخالص ،

بازگشت دارایی های خالص ،

بازگشت دارایی های ناخالص از جمله بهره ،

بازگشت دارایی های ثابت ،

بازگشت به دارایی های کار ،

بازگشت به دارایی های روشن ،

بازده حقوق صاحبان سهام،

شاخص های بازار سهام.

در گروه شاخص های اندازه گیری سودآوری یک شرکت ، موارد زیر برای تجزیه و تحلیل معنایی داده های شاخص تصویب شده است:

بازده دارایی خالص ،

بازگشت دارایی ناخالص ،

بازده دارایی ناخالص از جمله بهره ،

بازگشت دارایی های ثابت ،

بازگشت دارایی های کار ،

بازده دارایی های روشن.

آخرین گروه از نسبت ها کسانی هستند که بدهی شرکت را توصیف می کنند. بدهی سازمانی در مورد وضعیتی اعمال می شود که در آن شرکت از هر نوع پشتیبانی مالی و نه صرفاً سرمایه خود استفاده می کند. از این رو ، هر موقعیتی را که شرکت در خارج از سرمایه از آن استفاده می کند ، توصیف می کند ، که منجر به شرکت در بدهی می شود.

ارزیابی وضعیت بدهی بنگاه اقتصادی با هدف تعیین میزان تأمین مالی شرکت با وجوه خود و تأمین بودجه آن با وجوه خارجی است. اگر عملیات نهاد با صندوق های خارجی تأمین شود ، می توان نسبت سهام خود را به سرمایه خارجی در کل تأمین اعتبار شرکت ارزیابی کرد. مهمترین عنصر در ارزیابی وضعیت بدهی ، تعیین تأثیر سرمایه خارجی بر عملیات شرکت و میزان استقلال مالی شرکت در معرض خطر است. این نوع ارزیابی منجر به محاسبه هزینه های استفاده از سرمایه خارجی و مقرون به صرفه بودن این راه حل می شود.

تجزیه و تحلیل ارزش نسبت بدهی می تواند مربوط به شاخص های سطح بدهی و توانایی شرکت در ارائه خدمات به این بدهی باشد. نسبت های زیر در گروه نسبت هایی که سطح بدهی را مشخص می کنند متمایز می شوند:

نسبت بدهی کل ،

بدهی بلند مدت به عدالت ،

پوشش مسئولیت طولانی مدت با دارایی های ثابت خالص ،

نسبت های زیر در گروه نسبت های اندازه گیری توانایی شرکت در ارائه بدهی خود متمایز است:

پوشش خدمات بدهی ،

پوشش خدمات بدهی با مازاد نقدی.

سیستم های تجزیه و تحلیل داده های معنایی برای ارزیابی وضعیت فعلی شرکت بر اساس تفسیر معنایی از یک گروه منتخب از داده های نسبت استفاده می شود.

این کلاسهای سیستم های مدیریت شناختی ممکن است تجزیه و تحلیل کنند [3]

وضعیت اقتصادی شرکت ،

محیط بنگاه اقتصادی ،

وضعیت و وضعیت: ●

و تأثیر محیط شرکت.

در سیستم های شناختی برای تجزیه و تحلیل معنایی داده های اختصاص داده شده به درک نسبت بدهی ، می توان تعیین کرد:

میزان تأمین اعتبار عملیات شرکت با وجوه خود ،

میزان تأمین اعتبار عملیات شرکت با صندوق های خارجی - بدهی شرکت ،

نسبت سرمایه خود به سرمایه خارجی در امور مالی شرکت ها ،

وضعیت بدهی - با تعیین تأثیر سرمایه خارجی بر عملیات شرکت و میزان استقلال مالی شرکت در معرض خطر است ،

هزینه ها و سودآوری استفاده از سرمایه خارجی برای عملیات سازمانی.

در گروه شاخص های اندازه گیری اهرم مالی یک شرکت ، موارد زیر برای تجزیه و تحلیل معنایی داده های شاخص به تصویب رسید:

نسبت کل بدهی ،

نسبت بدهی بلند مدت ،

نسبت پوشش خدمات بدهی ،

ارزش نسبت پوشش بهره.

بر اساس گروه های شاخص های انتخاب شده و اتخاذ شده برای تجزیه و تحلیل ، سیستم های تجزیه و تحلیل معنایی شناختی ارائه شده است که بر اساس تجزیه و تحلیل ارزش گروه های منتخب از نسبت های مشخصه برای عملکرد شرکت ها است.

تجزیه و تحلیل معنایی به ویژه برای [1،2،17،18] مهم است:

شرح وضعیت فعلی شرکت ،

حمایت از فرآیندهای مدیریت سازمانی ،

درک وضعیت فعلی شرکت ،

درک دلایل وضعیت فعلی شرکت ،

شرح وضعیت آینده شرکت.

فرآیند داده کاوی در سیستم های مدیریت شرکتهای به کمک رایانه در شکل 6. 6 نشان داده شده است.

فرآیندهای دستیابی به داده ها به جمع آوری اطلاعات قابل توجه در مورد جایگاه موجود در تجزیه و تحلیل اشاره دارد. در مورد سیستم های مدیریت شناختی ، این اطلاعات در مجموعه ای از نسبت های اقتصادی/مالی که در معرض فرآیندهای تجزیه و تحلیل داده های معنایی قرار دارند ، یافت می شود. اطلاعاتی که اساس این فرآیندها را تشکیل می دهد ، اجازه می دهد تا جایگاه نهاد (شرکت ، سازمان و غیره) به طور کامل درک شود ، و همچنین فرایندهای مدیریت داده های تجزیه و تحلیل شده را بهبود بخشد. تکمیل فرآیندهای تصمیم گیری با مرحله استدلال معنایی به گروههایی از داده ها کمک می کند که از اهمیت ویژه ای برای عملکرد صحیح شرکت برخوردار هستند و تأثیر سایر عوامل را محدود می کنند (یا از بین می برند).

بیشتر بخوانید URL: https://www. scienceirect. com/science/article/pii/b9780128038031000069

بررسی سیستماتیک مدل های پیش بینی ورشکستگی: به سمت چارچوبی برای انتخاب ابزار

Hafiz A. Alaka ،. محمد بلال ، در سیستم های خبره با برنامه ها ، 2018

5. 3. 2 ویژگی خاص/تمایل بیش از حد و تعمیم پذیری ابزارها

استفاده متداول از روش انتخاب متغیر گام به گام و عمدتاً مالی به عنوان متغیرهای ابزارهای آماری گاهی اوقات به یک مدل خاص نمونه منجر می شود که در آن مدل به طور عالی بر روی نمونه های مورد استفاده برای ساخت آن عمل می کند اما با احتیاط در نمونه های نگهدارنده از این طریق دارای تعمیم پذیری پایین است (Agarwal & Taffler، 2008 ؛ ادیستر ، 1972 ؛ لاول ، 1983 ؛ زاگرن ، 1985). با این وجود LR قابلیت تعمیم نسبتاً معقول دارد (Dreiseitl & Ohno-Machado ، 2002).

معادل ویژگی نمونه در ابزارهای AI بیش از حد نامیده می شود و یک مشکل شایع است. همچنین زیرنویس هایی وجود دارد که برعکس بیش از حد مناسب است. اکنون با آزمایش مدل های روی یک نمونه اعتبار سنجی (و در صورت لزوم) که در بیشتر مطالعات بررسی شده نشان داده شده است ، از این مشکل (در ابزارهای آماری و AI) جلوگیری می شود ، همانطور که در بیشتر مطالعات بررسی شده نشان داده شده است (شکل 13 A). بیش از یک سوم از مطالعات مورد بررسی همچنین این مشکل را در اوایل فعال کرد (شکل 13 B) و آن را از مرحله توسعه مدل اولیه در نظر گرفت. بیش از حد و زیرنویس لزوماً توسط روش انتخاب متغیر یا انواع متغیر در مورد ابزارهای AI ایجاد نمی شود. جدا از مورد CBR ، به طور کلی مشخص است که هرچه تصمیم گیری طولانی تر (کوتاه تر) باشد ، احتمال بیش از حد (زیرنویس) بیشتر (Brodley & Utgoff ، 1995 ؛ Clark & Niblett ، 1989 ؛ Ravi Kumar & Ravi ، 2007 ؛رن ، 2012). CBR ها تمایل به افزایش بیش از حد ندارند زیرا آنها به سادگی با یک مورد جدید با یک یا چند مورد بسیار مشابه در کتابخانه خود مطابقت دارند (واتسون ، 1997). CBR با این حال تعمیم ضعیفی دارد اما این به دلیل دقت ضعیف آن است (راوی کومار و راوی ، 2007).

بیش از حد یک مشکل شناخته شده از آن است و در نتیجه غلبه بر شبکه است (Ahn & Kim ، 2009 ؛ Cheng et al. ، 2006 ؛ Jackson & Wood ، 2013 ؛ Min & Le ، 2005 ؛ Tseng & Hu ، 2010). پیشنهاداتی در مورد چگونگی ساخت شبکه های قابل تعمیم در ANN توسط هرتز و همکاران ارائه شده است.(1991). بیش از حد (زیرنویس) در SVM ناشی از مقدار بیش از حد بزرگ (کوچک) بالایی است که معمولاً با "C" مشخص می شود (Min & Lee ، 2005 ؛ Shin et al. ، 2005). بنابراین ، یافتن تعداد بهینه آموزش و مقدار بهینه C برای ANN و SVM به ترتیب برای عملکردهای بهینه آنها مهم است. این مفهوم که به حداقل رساندن خطر ساختاری (SRM) مورد استفاده SVM به آن کمک می کند تا احتمال افزایش بیش از حد و افزایش تعمیم را کاهش دهد ، مطابق با Burges (1998) به خوبی اثبات نشده است. با این حال ، گرایش بیش از حد در SVM پایین تر از ANN و MDA است (Cristianini & Shawe-Taylor ، 2000 ؛ Kim ، 2003 ؛ Shin et al. ، 2005).

بیشتر بخوانید URL: https://www. sciencedirect. com/science/article/pii/s0957417417307224

شبکه های عصبی در تجارت: بررسی برنامه ها (1992-1998)

یک ولیدو ،. J Vaughan ، در سیستم های متخصص با برنامه ها ، 1999

این مشکل طبقه بندی مستلزم پیش بینی احتمال عدم موفقیت یک شرکت است ، با توجه به تعدادی از نسبت های مالی که "وضعیت سلامتی" آن را شکل می دهد. چقدر زود می توان ضعف یک تجارت را مشاهده کرد؟آیا می توان عواملی را که باعث شکست آن می شوند جدا کنیم؟در چارچوب تحت نظارت ، شبکه های عصبی علیه گروهی از روشهای طبقه بندی ، شامل تجزیه و تحلیل تبعیض آمیز (Tam & Kiang ، 1992 ؛ Udo ، 1993 ؛ Altman et al. ، 1994 ؛ Wilson & Sharda ، 1994 ؛ Markham & Ragsdale ، 1995 ؛Boritz & Kennedy ، 1995 ؛ Boritz et al. ، 1995 ؛ Ignizio & Soltys ، 1996 ؛ Jo & Han ، 1996 ؛ Leshno & Spector ، 1996 ؛ Jo ، Han ، & Lee ، 1997 ؛ Olmeda & Feandez ، 1997 ؛ Kiviluoto ، 1998)؛رگرسیون لجستیک (Tam & Kiang ، 1992 ؛ Hansen ، McDonald ، & Stice ، 1992 ؛ Salchenberger ، Cinar ، & Lash ، 1992 ؛ Fletcher & Goss ، 1993 ؛ Boritz & Kennedy ، 1995 ؛ Boritz et al. ، 1995 ؛ Lenard et al.، 1995 ؛ Leshno & Spector ، 1996 ؛ Olmeda & Feandez ، 1997) ؛تجزیه و تحلیل پروبیت (هانسن و همکاران ، 1992 ؛ بوریتز و کندی ، 1995 ؛ بوریتز و همکاران ، 1995) ؛درختان تصمیم گیری: ID3 (Tam & Kiang ، 1992 ؛ Hansen et al. ، 1992) و C4. 5 (Olmeda & Feandez ، 1997) ؛ K-nearest همسایه (Tam & Kiang ، 1992 ؛ Kiviluoto ، 1998) ؛رگرسیون رگرسیون سازگار چند متغیره (مریخ) (Olmeda & Feandez ، 1997) و سیستم های پیش بینی مبتنی بر مورد (جو و هان ، 1996 ؛ جو و همکاران ، 1997). با این وجود ، جایگزین ادغام مدل فقط در چند مطالعه مورد استفاده قرار می گیرد: در مارکام و راگسدیل (1995) با استفاده از اقدامات فاصله Mahalanobis (MDM) به عنوان ورودی های اضافی به شبکه عصبی. در Piramuthu ، Ravagan and Shaw (1998) با یک الگوریتم مبتنی بر درخت تصمیم در مراحل قبل از پردازش. و در جو و هان (1996) با استفاده از میانگین وزنی مقادیر خروجی فردی به عنوان مقدار خروجی یک مدل یکپارچه. این روش آخر یک قدم بیشتر توسط Olmeda و Feandez (1997) انجام می شود ، جایی که تجزیه و تحلیل تبعیض آمیز ، ورود ، مریخ ، C4. 5 و یک شبکه عصبی جمع می شوند. یک نمایش بصری اصلی از SOFM ، LDA و MLP در یک سیستم پشتیبانی یکپارچه تصمیم گیری بانکی ، توسط Serrano-Cinca (1996) ارائه شده است. سرانجام ، ترکیبی از کارشناسان محلی توسط ون بوسسل و Veelenturf (1997) مورد تجزیه و تحلیل قرار می گیرد.

بیشتر بخوانید URL: https://www. sciencedirect. com/science/article/pii/s0957417499000160

انتشارات توصیه شده

نماد اطلاعات مجله مجله مجله مجله

یک رویکرد الگوریتم ژنتیکی برای پیش بینی ورشکستگی SMES: شواهد تجربی از ایتالیا

3. 2 داده

مجموعه داده های مورد استفاده در این مطالعه از پایگاه داده CARED به دست می آید. این بانک اطلاعاتی شامل سوابق حسابداری و نسبت های مالی کلیه شرکتهای محدود ایتالیایی است که توسط شبکه اتاق های محلی تجارت جمع آوری شده است. مجموعه داده های اولیه ما با استفاده از نمونه گیری تصادفی طبقه بندی شده متناسب انتخاب شد و شامل 3. 584 SME ایتالیایی است که در شمال ، مرکزی و ایتالیا جنوبی و در بخش تولید ، با نسبت های مالی یک (T-1) ، دو (T-2) کار می کنند. و سه سال (T-3) قبل از ورشکستگی ، در سال 2012 رخ داده است. با این حال ، نسبت های مالی SME ها ممکن است با درجه ای از خطا آلوده شوند زیرا بیشتر SME ها ثبات مالی ضعیف را نشان می دهند. بنابراین ، برای ساختن یک مدل پیش فرض پیش فرض پایدار و دقیق تر ، مواردی که دارای 1 ٪ برتر و 1 ٪ پایین هر نسبت مالی بودند ، حذف شدند. پس از حذف این داده ها ، مجموعه داده های ما شامل 3. 100 SME ایتالیایی است. در میان آنها ، 1. 500 مورد پیش فرض و 1. 600 نفر نبودند. طبق گفته های Ciampi و Gordini (2013a) ما پیش فرض را آغاز دادرسی قانونی برای بدهی مانند ورشکستگی یا انحلال تعریف می کنیم. نسبت های مالی موارد ورشکسته و غیر بانکی همیشه از همان سالهای تقویم است (یعنی در T-1 از ترازنامه 2011 ، در T-2 از ترازنامه 2010 و در T-3 از ترازنامه 2009).

برای آزمایش قدرت پیش بینی کننده مدل ها ، مجموعه داده ها به طور تصادفی به دو زیر مجموعه تقسیم شد: یک مجموعه آموزش و یک نمونه نگهدارنده. مجموعه آموزش از 2. 170 بنگاه (1. 050 پیش فرض و 1. 120 غیر پیش فرض) تشکیل شده است و برای قوانین یادگیری استفاده شده است. نمونه نگهدارنده از 930 بنگاه (450 پیش فرض و 480 غیر پیش فرض) ساخته شده است و برای آزمایش و برآورد صحت پیش بینی مدل ها استفاده می شود. با این حال ، گاز ممکن است با مشکلات بیش از حد روبرو شود. بیش از حد یک مشکل اساسی در کارهای گاز تحت نظارت است. این زمانی اتفاق می افتد که پارامترها به خوبی داده های آموزش را متناسب می کنند که سر و صدا و خصوصیات داده های آموزش به یادگار مانده است ، اما آنها با یک نمونه ناشناخته (نگهدارنده) به خوبی مطابقت ندارند.(دوس سانتوس و همکاران ، 2009). در نتیجه ، عملکرد مدل هنگام آزمایش در یک نمونه نگهدارنده کاهش می یابد. اندازه بزرگ نمونه ما برای کنترل بیش از حد اساسی اساسی می شود. در حقیقت ، یک مجموعه داده بزرگ نسبت به یک مجموعه داده کوچک کمتر مستعد ابتلا به بیش از حد است ، اگرچه به دلیل پیچیدگی برخی از مشکلات یادگیری ، حتی مجموعه داده های بزرگ نیز می تواند تحت تأثیر قرار دادن بیش از حد باشد (Dos Santos et al. ، 2009). برای کاهش بیشتر خطر بیش از حد ، داده های آموزش را دوباره به دو بخش تقسیم کرده ایم: یکی برای مدل آموزش و دیگری برای جلوگیری از بیش از حد (مین و همکاران ، 2006). سرانجام ، این سیستم پارامترهای تعیین شده توسط گاز را به نمونه نگهدارنده به منظور بررسی تعمیم پذیری پارامترها اعمال کرده است (Ahn & Kim ، 2009). جدول 1 نمونه نگهدارنده ما را نشان می دهد.

میز 1 . نمونه نگهدارنده (درصد).

بیشتر بخوانید URL: https://www. scienceirect. com/science/article/pii/s0957417414002486

شبکه های عصبی و تکنیک های آماری: بررسی برنامه ها

Mukta Paliwal ، Usha A. Kumar ، در سیستم های متخصص با برنامه ها ، 2009

پیش بینی های ورشکستگی مشکلات طبقه بندی است که با توجه به تعدادی از نسبت مالی که به وضعیت آن شکل می گیرد ، پیش بینی احتمال عدم موفقیت یک شرکت را شامل می شود. در تعداد چنین مطالعاتی ، شبکه های عصبی در برابر روشهای طبقه بندی سنتی مانند تجزیه و تحلیل تبعیض آمیز ، رگرسیون لجستیک ، تجزیه و تحلیل پروبیت ، درختان تصمیم گیری ، همسایه K و استدلال مبتنی بر پرونده مورد آزمایش قرار گرفته و آزمایش شده است. Odom و Sharda (1990) توانایی پیش بینی شبکه های عصبی و تجزیه و تحلیل تبعیض آمیز چند متغیره را در پیش بینی های خطر ورشکستگی مقایسه کردند. شبکه عصبی بهتر عمل کرده و ثابت شده است که قوی تر از روش تجزیه و تحلیل تبعیض آمیز در کاهش اندازه نمونه است. روی و کاست (1990) همچنین از شبکه های عصبی مصنوعی و مدل های رگرسیون لجستیک در پیش بینی رتبه بندی ریسک کشور با استفاده از شاخص های اقتصادی و سیاسی استفاده کردند. مدل های شبکه عصبی مصنوعی میانگین خطای مطلق برای پیش بینی رتبه بندی خطر کشور داشتند و نسبت به همتایان لجستیک آنها نسبت به تغییرات در شاخص های خطر حساس تر بودند. دلیبا (1991) مدلهای شبکه عصبی مصنوعی را با چهار نوع مدل رگرسیون در پیش بینی عملکرد مالی یک گروه واحد از شرکتهای حمل و نقل مقایسه کرد. وی دریافت که برای این تصمیم ، مدل شبکه عصبی مصنوعی از مدل رگرسیون اثرات تصادفی بهتر عمل می کند ، اما مدل جلوه های ثابت نیست. Salchenberger ، Cinar و Lash (1992) یک مدل شبکه عصبی را تهیه کردند که داده های ورودی را متشکل از سلامت مالی موسسات پرشور پردازش می کند. در ابتدا آنها 29 متغیر را انتخاب کردند و سپس یک رگرسیون گام به گام انجام دادند تا تعداد متغیرها را به پنج متغیر آزمون نهایی کاهش دهند. با مجموعه داده های بانکی از دوره ژانویه 1986 تا دسامبر 1987 ، آزمایش آنها آزمایش اختلاف عملکرد احتمالی شبکه های عصبی انتشار پشت بر روی رگرسیون لجستیک بود و نتایج نشان می دهد که مدل شبکه عصبی عملکرد و یا بهتر از مدل رگرسیون لجستیک را انجام می دهد. برای آزمایش حساسیت شبکه به مقادیر مختلف قطع در تصمیم طبقه بندی ، آنها نتایج آستانه 0. 5 و 0. 2 را مقایسه کردند. این اطلاعات زمانی مفید است که فرد انتظار هزینه های مختلف مربوط به خطاهای نوع I و Type II را داشته باشد. تام و کیانگ (1992) برای بررسی عدم موفقیت بانک ها از مدل شبکه عصبی استفاده کرده اند. آنها تجزیه و تحلیل مفصلی از پتانسیل ها و محدودیت های طبقه بندی کننده شبکه های عصبی برای تحقیقات تجاری ارائه داده اند. با استفاده از داده های ورشکستگی بانکی ،

بیشتر بخوانید نشان داده شده است که عملکرد شبکه های عصبی نسبت به انتخاب متغیرهای انتخاب شده حساس است و از این رو ممکن است تعدادی از تکرارها برای به دست آوردن یک اندازه گیری قابل اعتماد از عملکرد مدل انجام شود. در حالی که عملکرد مدل های شبکه عصبی مطابق با تکنیک های متعارف تر مانند تجزیه و تحلیل تبعیض آمیز و ورود به سیستم/ پروبیت است ، قابل توجه است که عملکرد آنها پیشرفت چشمگیر نسبت به آن تکنیک های معمولی نیست. Leshno و Spector (1996) توانایی پیش بینی شبکه عصبی را با تجزیه و تحلیل تبعیض آمیز خطی و تجزیه و تحلیل تبعیض آمیز درجه دوم مقایسه کرده اند و نتایج آنها نشان می دهد که قابلیت های پیش بینی مدل شبکه عصبی مورد نظر به وضوح دقیق تر از مدل های تجزیه و تحلیل تبعیض آمیز کلاسیک است. جو ، هان و لی (1997) از سه تکنیک مختلف یعنی تجزیه و تحلیل تبعیض آمیز چند متغیره ، پیش بینی مورد مبتنی بر مورد و شبکه عصبی برای پیش بینی بنگاههای ورشکسته کره و غیر بانکی استفاده کردند. میانگین نسبت ضربه از سه روش از 81. 5 ٪ تا 83. 8 ٪ است. شبکه عصبی بهتر از تجزیه و تحلیل تبعیض آمیز و سیستم پیش بینی مبتنی بر مورد انجام شده است. با استفاده از یک طرح اعتبار سنجی متقاطع پنج برابر ، ژانگ ، هو ، پاتوو و ایندرو (1999) یک بررسی جامع از یک رویکرد شبکه عصبی در مورد خرابی شرکت ارائه داد. آنها از شش متغیر ورودی (متغیرهای آلتمن به علاوه نسبت فعلی) با مجموعه داده ای که یک دوره 12 ساله را در بر می گیرد استفاده کردند و تأیید کردند که شبکه انتشار پشت از یک مدل رگرسیون لجستیک در پیش بینی و همچنین تخمین نرخ طبقه بندی بهتر است. علاوه بر این ، آنها نتیجه گرفته اند که شبکه های عصبی نسبت به نمونه گیری از تغییرات در عملکرد کلی طبقه بندی قوی هستند. لی ، غرفه و علم (2005) در پیش بینی ورشکستگی بنگاه های کره ای از شبکه های عصبی تحت نظارت و بدون نظارت استفاده کرده اند. تجزیه و تحلیل تبعیض آمیز و رگرسیون لجستیک برای ارائه معیارهای عملکرد از نظر دقت پیش بینی انجام می شود. این یافته ها حاکی از آن است که وقتی یک بردار هدف حتی در صورت کوچک بودن اندازه نمونه در دسترس است ، شبکه انتشار پشتی انتخاب بهتری است. Pendharkar (2005) روش آستانه متغیر (تلویزیون) را برای شبکه عصبی مصنوعی انتشار پشتی سنتی (BP-ANN) ارائه داده است و عملکرد ANN مبتنی بر تلویزیون با عملکرد رویکردهای طبقه بندی محبوب مانند طبقه بندی درخت رویکرد C4 مقایسه شده است. 5 ، تجزیه و تحلیل تبعیض آمیز خطی ،

BP-ANN و الگوریتم ژنتیکی مبتنی بر ANN (GA-ANN). با استفاده از مجموعه ای از داده های شبیه سازی شده و واقعی در دنیای واقعی برای پیش بینی ورشکستگی ، آنها نشان داده اند که TV-ANN پیشنهادی به خوبی ، چه برای نمونه های آموزش و چه برای نمونه های نگهدارنده ، در مقایسه با BP-ANN و تجزیه و تحلیل تبعیض آمیز خطی آماری. مقایسه عملکرد TV-ANN با الگوریتم ژنتیکی مبتنی بر ANN و C4. 5 منجر به نتایج مختلط شد.

بیشتر بخوانید

URL: https://www. scienceirect. com/science/article/pii/s0957417407004952

یک کشور از بررسی ادبیات هنری ویکور و پسوندهای فازی آن در برنامه ها