نسبت آنی : این نسبت از تقسیم دارایی های آنی بر بدهی های جاری بدست می آید.
برای تعیین اینکه دارایی آنی تا چه اندازه بدهی جاری را فرا می گیرد از نسبت آنی استفاده میشود. دارایی های آنی آن دسته از دارایی های جاری است که به سرعت قابل تبدیل به نقد است. در این بررسی برای محاسبه دارایی های آنی، موجودی مواد و کالا، پیش پرداخت ها، سپرده و سفارشات از داراییهای جاری کسر شده است.

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

نسبت های فعالیت و کارآیی : این نسبت ها کارآیی مدیران را در استفاده از منابع مالی در اختیار نشان می دهند. این نسبت ها از حاصل تقسیم فروش به یکی از اقلام ترازنامه بدست می آیند. به عبارت دیگر، این نسبت ها میزان مشارکت حسابها در تحقق فروش را نشان میدهند. که مهمترین این نسبتها عبارتند از :
نسبت متوسط دوره وصول مطالبات : هرگاه حاصل ضرب متوسط مطالبات در تعداد روز سال (۳۶۵ روز) را بر فروش نسیه سالانه تقسیم کنیم این نسبت بدست می آید. با محاسبه این نسبت میتوان زمان یا تعداد روزهایی که طول می کشد تا شرکت مطالبات خود را وصول کند مشخص کرد. و با این نسبت می توان رابطه بین فروش های نسیه و مطالبات کوتاه-مدت شرکت را تعیین کرد و یا به عبارت دیگر می توان گفت متوسط مدتی را که فروش شروع و به وصول مطالبات می انجامد را می توان با بهره گرفتن از نسبت دوره وصول مطالبات نشان داد.
نسبت گردش دارایی : این نسبت از تقسیم فروش خالص بر کل دارایی ها بدست می آید.
این نسبت میزان و اثر گردش دارایی را در تحصیل درآمد نشان می دهد و در مقایسه با گذشته حکایت از این می کند که آیا افزایش دارایی ها با افزایش فروش ملازمه داشته است یا خیر.
با فرض ثابت ماندن قیمت ها هنگامی که شرکت ها به ظرفیت تولیدی خود برسند، این نسبت به حداکثر خواهد رسید. کاهش این نسبت احتمالاً نشانه کاهش حجم فعالیت شرکت است و پایین آمدن گردش کل دارایی ها می تواند نوعی اخطار تلقی گردد.
۱-۱۵-۲: ریسک اعتباری
ریسک اعتباری عبارت است از احتمال تعویق، مشکوک بودن وصول یا عدم وصول اصل و سود تسهیلات مالی که در قالب تسهیلات به متقاضیان ارائه می گردد. از مهمترین رویکرد جهت کاهش خسارت های ریسک اعتباری، شناسایی، سنجش درجه و طبقه بندی اعتباری مشتریان میباشد که اصطلاحاً به آن اعتبارسنجی گویند. برآن اساس هرکدام از متقاضیان تسهیلات دارای یک درجه اعتبار می باشد که آن نوعی برآورد از عملکرد و بازپرداخت تسهیلات درخواستی متقاضی می باشد.
اساس کار اعتبار سنجی بر مبنای داده کاوی بنیان نهاده شده است و در فرایند اعتبار سنجی، مشتریان بر اساس شاخص ها و ویژگی های مختلفی مورد ارزیابی و رتبه بندی قرار می گیرند. این رتبه یا امتیاز در واقع نمایانگر اعتبار مالی مشتری است که بانک می تواند بر اساس آن نسبت به ارائه خدمات به مشتری خیلی سریع و دقیق تر تصمیم گیری کند.
۱-۱۵-۳: داده کاوی
تعریف های متفاوتی از داده کاوی وجود دارد ولی تعریفی که در اکثر مراجع به اشتراک ذکر شده عبارت است از “استخراج اطلاعات و دانش و کشف الگوهای پنهان از یک پایگاه داده های بسیار بزرگ و پیچیده".
هدف داده کاوی این است که ارتباطات و الگوهای معتبر، جدید، قابل استفاده، و قابل درک را از میان داده ها استخراج کند.
فرایند داده کاوی به دو قسمت تقسیم می شود : ۱- داده کاوی توصیفی ۲- داده کاوی پیش گویانه
داده کاوی توصیفی به توصیف روابط الگوها و مدل های پنهان در حجم زیادی از داده میپردازد. در صورتی که داده کاوی پیش گویی کننده به کشف الگوها و روابط ناشناخته در میان انبوه داده ها اشاره دارد. فرایند داده کاوی دارای ابزارهایی است که می توان آنها را در این دو قسمت قرار داد. بدین ترتیب که فعالیت های طبقه بندی، رگرسیون، تحلیل سری های زمانی و تخمین در حوزه داده کاوی پیش گویی کننده هستند و فعالیت های خوشه بندی، خلاصه سازی، کشف توالی و قوانین وابستگی در بخش داده کاوی توصیفی قرار دارند.
۱-۱۵-۴: ماشین بردارپشتیبان
متد دیگری که در سالهای گذشته در زمینه ارزیابی وضعیت اعتبار مشتریان بسیار مورد توجه محققان بوده است، ماشین بردارپشتیبان است. این متد یک متد ریاضی قوی در دسته بندی است. متدی شبیه به شبکه های عصبی که به جای خط جدا کننده بدنبال بهترین خط جدا کننده است که دارای حداکثر حاشیه باشد. یعنی بهترین خط جدا کننده ای که با نزدیکترین نقطه کمترین فاصله را داشته باشد. در ماشین بردارپشتیبان انتخاب بهینه ویژگی ها در دقت مدل تأثیر بسزایی دارد از این رو در سالهای گذشته بسیاری از تحقیقات بر روی ماشین بردارپشتیبان، بر روی انتخاب بهینه پارامترها متمرکز می باشند.
تکنیک های یادگیری ماشینی بخشی از علم هوش مصنوعی به شمار می آیند. هوش مصنوعی به طور مؤثر و موفقی در گستره وسیعی از شاخه های تجاری همچون بازاریابی، حسابداری، سیستمهای اطلاعاتی مدیریت و مدیریت تولید بکار گرفته می شود. در اکثر تحقیقات از روش های یادگیری ماشینی برای پیش بینی تغییرات آتی سهام، بحران های مالی، ورشکستگی، شناسایی کلاهبرداری کارت های اعتباری بکار گرفته می شود.
۱-۱۵-۵: درخت تصمیم
درخت تصمیم یکی از ابزارهای قوی و متداول برای دسته بندی و پیش بینی می باشد. درخت- تصمیم گیری بر خلاف شبکه های عصبی به تولید قانون می پردازد. یعنی درخت تصمیم گیری پیش بینی خود را در قالب یک سری قوانین توضیح می دهد در حالیکه در شبکه های عصبی تنها پیش بینی نهایی بیان می شود و چگونگی آن در خود شبکه پنهان باقی می ماند.
درختان تصمیم گیری تنها مقادیر ویژگی های گسسته را توسط متغیر هدف (ویژگی کلاس یا ویژگی وابسته) پیش گویی می کند. این پیش گویی توسط متغیر کلاس که ویژگی هدف یا ویژگی وابسته نیز نامیده می شود، صورت می گیرد. مقادیر ویزگی هدف، وابسته به مقادیر متغیرهای (ویژگیهای) مستقل (توصیف کننده) و وجود آنها در ساختار درخت تصمیم گیری است.
۱-۱۵-۶: شبکه های عصبی
این شبکه ها ابزارهایی هستند که در موارد پیش بینی ، خوشه بندی و تخمین کاربرد دارند. جذابیت شبکه های عصبی در این است که آنها بوسیله مدلسازی ارتباطات عصبی مغز انسان در کامپیوترهای دیجیتالی پلی برای فاصله موجود ایجاد می کنند.
برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.
شبکه های عصبی روش محاسبه ای متفاوت با روش های متداول می باشند. محاسباتی که با روش های معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.
فصل دوم
ادبیات تحقیق
مقدمه
در سیستم بانکی ایران، تجهیز منابع و تخصیص آن در قالب تسهیلات مالی کماکان اصلی ترین وظیفه بانک های تجاری را تشکیل می دهد. در بخش تخصیص منابع، توجه به این نکته حائز اهمیت است که نرخ سود تسهیلات اعطایی فراتر از سیاست های پولی به عنوان ابزاری جهت اعمال سیاستهای اقتصادی در بخش های مختلف اقتصادی مورد استفاده قرار می گیرد و این امکان که ریسک عدم بازپرداخت تسهیلات از طریق نوسانات نرخ سود جبران شود تا حد زیادی از بانکهای اعطا کننده تسهیلات سلب شده است. لذا هنگام تصمیم گیری نسبت به اعطای تسهیلات، بررسی همه جانبه درخواست تسهیلات به منظور به حداقل رساندن ریسک عدم بازپرداخت از اهمیت خاصی برخوردار است. (حسینی پور عزآبادی،۱۰،۱۳۸۲)
بانک ها به عنوان بخش اصلی نظام مالی همواره با ریسک های متفاوتی روبرو هستند که یکی از عمده ترین آنها ریسک اعتباری است. حجم قابل ملاحظه ای از تسهیلات اعطایی سوخت شده یا معوقه بانک ها، گویای فقدان مدل های مناسب اندازه گیری اعتباری و سیستم های مدیریت ریسک در شبکه بانکی است. (اخباری،۱۳۸۷، ۱۰)
یکی از ابزارهایی که بانک ها می توانند جهت مدیریت و کنترل ریسک اعتباری از آنها بهره­ گیری نمایند، “سیستم اعتبارسنجی مبتنی بر صورت های مالی مشتریان” است. بخش قابل توجهی از منابع سیستم بانکی، جهت تأمین نیازهای مالی شرکت ها تخصیص می یابد که عمدتاً در قالب شرکتهای تجاری، متقاضی استفاده از تسهیلات بانکی هستند.
در تحقیق حاضر بررسی خواهیم نمود که آیا تکنیکهای داده کاوی جهت اعتبارسنجی صورتهای مالی واحدهای تجاری در اعطای تسهیلات کارآ می باشد یا خیر؟ ، زیرا بر اساس شواهد موجود از جمله حجم تسهیلات سوخت شده و معوقه می توان ادعا نمود بانک ها در اعطای وام به ریسک مربوطه توجه نمی کنند و براساس سیستم وثیقه محوری و قضاوتی وام به مشتریان می دهند.
در این فصل از تحقیق سعی شده است ضمن بیان تاریخچه داده کاوی و ریسک اعتباری ، مبانی نظری و علمی رتبه بندی اعتبار و امتیاز بندی اعتباری و کاربرد داده کاوی در حوزه اعتبارسنجی به صورت تفصیلی ذکر گردد.

چارچوب نظری تحقیق
همانطوری که گفته شد، داده کاوی در بسیاری از شاخه ها همچون بازاریابی، امور مالی، بانکداری، تولید، پزشکی، مدیریت ارتباط با مشتری، ردیابی، پیش بینی خرابی ها، آموزش سازمانی و… کاربرد دارد. که در این میان کاربرد داده کاوی در صنعت بانکداری از اهمیت بالایی برخوردار است که میتوان به موارد زیر اشاره کرد :
۱- پایگاه داده عظیم و بسیاری وجود دارند. ۲- اطلاعات تجاری ارزشمندی می تواند از این پایگاه داده استخراج شوند. ۳- استفاده از روش های سنتی گذشته برای پشتیبانی تصمیم و تحلیلها اجرا شدنی نیست. ۴- تحلیلهای انسانی تحت تأثیر ابعاد و حجم داده ها قرار میگیرد. ۵- متدهای آماری سنتی رتبه قادر به رتبه بندی نیستند و نیاز به کارشناسان و تحلیلگران مهم و قابل توجه دارد.
یکی از مباحث مهم در صنعت بانکداری تشخیص توانائی یا ارزیابی قدرت شرکت ها در بازپرداخت بدهی، جهت کاهش خسارت های ناشی از ناتوانی آنان در بازگرداندن تسهیلات دریافتی است. که برخی از مزایای آن عبارت است از: ۱- کاهش هزینه تحلیل ۲- تصمیم گیری سریع۳- تضمین تسهیلات و حذف ریسک های احتمالی. ۴- تعیین اولویت در مجموعه اعطاء تسهیلات
در نتیجه ما می توانیم از مدل های مختلفی جهت ارزیابی وضعیت مالی مشتریان استفاده کنیم که این مدل ها به دو گروه اصلی تقسیم می شوند که عبارتند از :
گروه اول: مدلهای پارامتریک: شامل ۱- مدل احتمال خطی ۲- مدل لاجیت و پروبیت ۳- مدلهای تحلیل متمایز کننده
گروه دوم: مدلهای ناپارامتریک: شامل ۱- برنامه ریزی خطی ۲- شبکه های عصبی ۳- درخت های تصمیم ۴- مدل نزدیکترین همسایگی ۵- فراگرد تجزیه و تحلیل سلسله مراتبی ۶- سیستم های خبره ۷- الگوریتم ژنتیک
در این پژوهش سه روش برای ارزیابی مشتریان بانک از نقطه نظر اعتبار آنها، مورد استفاده قرار خواهد گرفت. همچنین سعی شد تا با بهره گرفتن از یک مجموعه داده، مدلی مناسب برای پیش بینی وضعیت اعتباری مشتریان جدید طراحی شود. مدلی که بتواند با کمترین خطا مشتریان را اعتبارسنجی کند. از آنجایی که پیشرفت صحت حتی به میزان کم می تواند منجر به کاهش هزینه های کلان برای بانک در زمینه ریسک اعتباری شود، در این پژوهش از روش های ماشین بردار پشتیبان، درخت تصمیم و شبکه های عصبی برای اعتبارسنجی مشتریان استفاده می شود.
پس از بررسی میزان اتکای بانک ها به اطلاعات صورت های مالی شرکت در ارزیابی توان مالی آنان در بازپرداخت بدهی ها و نیز قابلیت پاسخگوئی این صورت ها به نیاز های اطلاعاتی جهت انجام این ارزیابی و با توجه به چارچوب نظری ارائه شده ، مدل مفهومی تحقیق حاضر به شکل زیر مدنظر قرار می گیرد.
شکل ۲-۱ : مدل مفهومی تحقیق
بازخورد
تعریف مسأله
( ارزیابی وضعیت کمی و کیفی شرکت ها جهت اعطای تسهیلات)
آنالیز پایگاه داده
انتخاب و تعدیل داده ها