وبلاگ

رابطه  ۳-۱ فرمول کوکران با حجم جامعه محدود
که در این فرمول داریم :
: N حجم جامعه آماری ( تعداد شرکت های دریافت کنندگان تسهیلات مالی در سالهای ۸۹ و ۹۰) ۳۳۰۰ N=
صفت مورد نظر : مشتریان خوش حساب
عدم برخورداری از صفت مورد نظر : مشتریان بدحساب
p: احتمال نسبت برخورداری از صفت مورد نظر( اگر۰.۵ در نظر گرفته شود حجم نمونه حداکثر خواهد شد)
۰.۵=p
q: احتمال نسبت عدم برخورداری از صفت مورد نظر ۰.۵=q
d: انحراف یا خطای مطلوب ۰.۰۵ d=
z: درجه یا ضریب اطمینان ۹۵ درصد ۱.۹۶Z=
در این صورت داریم :
از این تعداد فوق فقط ۳۰۰ پروند واجد شرایط بودند.
مسئله ای که درباره ی این مشتریان وجود داشت عدم وجود صورتهای مالی در پرونده آنها بود.
۳-۴- فرضیه های تحقیق
بررسی فرضیات تحقیق در پژوهشهای کاربردی از اهمیت ویژه ای برخوردار است در این پژوهش هدف اصلی تحقیق، اعتبارسنجی مشتریان بانکی می باشد که درصدد دریافت تسهیلات اعتباری میباشند. فرضیات تحقیق متناسب با این هدف مورد توجه قرار گرفته و بررسی گردید.
۳-۴-۱ : فرضیه اصلی
مدل های منتج از تکنیک های داده کاوی جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخوردار می باشند.
۳-۴-۱-۱ : فرضیه های فرعی
فرضیه فرعی ۱ : مدل منتج از تکنیک ماشین بردار پشتیبان جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخودار است.
فرضیه فرعی ۲ : مدل منتج از تکنیک درخت تصمیم جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخودار است.
فرضیه فرعی ۳ : مدل منتج از تکنیک شبکه های عصبی جهت اعتبارسنجی مبتنی بر صورت های مالی از کارآیی مناسبی برخودار است.
۳-۵- قلمرو تحقیق
قلمرو تحقیق از لحاظ زمانی، مکانی و موضوعی به شرح ذیل است :
قلمرو زمانی : اعتبارات اعطا شده در سالهای ۹۰ و ۸۹ بر مبنای اطلاعات موجود در صورتهای مالی سالهای مذکور
قلمرو مکانی : پرونده های اعتباری بانک ملی استان تهران
قلمرو موضوعی : از نظر موضوعی، تحقیق حاضر در مورد بررسی سنجش اعتبار مشتریان بانکی بر مبنای صورتهای مالی می باشد.
۳-۶- ابزار و روش گردآوری داده ها
روش گردآوری داده ها به صورت “مشاهده” و هم از طریق “مصاحبه” بوده است. بدین صورت که برای دستیابی به داده های مربوط به ورودی و خروجی مدل، از انواع پایگاه داده های موجود در بانک مانند پرونده ها و سیستم های کامپیوتری و همچنین استفاده از پایگاه قوانین بانک در ارتباط با ارزیابی وضعیت مالی شرکت ها از روش مشاهده و ثبت اطلاعات مورد نیاز در چک لیست استفاده شده است. ضمناً در ارتباط با مؤلفه های با اهمیت که در قوانین بانک در نظر گرفته نشده از مصاحبه و مشاوره با کارشناسان و کارکنان استفاده شده است.

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

ضمناً جهت مباحث تئوریک نیز از کتب و مقالات فارسی و لاتین استفاده گردیده است.
۳-۷- روش تجزیه و تحلیل داده ها
در این تحقیق پس از جمع آوری داده های شرکت های دریافت کننده تسهیلات بانک مورد نظر از پایگاه داده مربوطه و پس از آن، پالایش داده ها، به شناسایی متغیرهای تأثیرگذار در ارزیابی وضعیت مالی شرکت ها پرداخته که این کار از طریق مصاحبه با کارشناسان و مستندات علمی، انجام می شود. بعد از این مرحله برای تمامی مشتریان نمونه انتخاب شده، با توجه به تعریفی که از خوش- حساب یا بدحساب بودن شرکت ها بر اساس وضعیت مالی ارزیابی شده توسط صورت های مالی وجود دارد، یک برچسب مربوط به آن بخش (طبقه) با همان تعریف در نظر می گیریم.
در مرحله بعد با بهره گرفتن از تکنیک های داده کاوی مورد نظر و با کمک نرم افزارهای مربوطه، شرکت ها را بر اساس ویژگی های شان و اطلاعات صورتهای مالی آنها ارزیابی می نماییم بعد با تسهیلات اعطاء شده تطبیق می دهیم تا میزان تفاوت در تصمیم گیری در اعطای تسهیلات توسط بانک ها مشخص شود که در نهایت این مدل جهت تصمیم گیری راجع به اعطاء یا عدم اعطای تسهیلات استفاده خواهد شد.
برای ساخت مدل لازم است ابتدا تکنیک مدل سازی و نرم افزارهای لازم برای اعمال تکنیک ها انتخاب شود. برای اعمال تکنیک ها در تحقیق حاضر از نرم افزارهای Microsoft SQL Server V 2008 وMicrosoft Excel V 2007 وSPSS Clementine V 12 استفاده شده است.
۳-۸- تکنیکهای داده کاوی جهت اعتبارسنجی
۳-۸-۱ : شبکه های عصبی
در اواخر هزاره دوم در هوش مصنوعی^[۷۲] پیشرفت عمده ای صورت گرفت. بدین صورت که کاربرد هر مدل پیش بینی به عنوان بخشی از فرایند تصمیم گیری می تواند به صورت هوش مصنوعی تفسیر شود. اما یک تکنیک وجود دارد که هوش مصنوعی را در بطن خود دارد، این تکنیک شبکه عصبی است. 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.(بیگاس^[۷۳]،۱۹۹۶، ۱۴)
این تکنیک از جدیدترین تکنیکهای اندازه گیری اعتبار مشتریان به شمار می آید که در دهه اخیر مطرح شده ولی متأسفانه هنوز به اندازه کافی از آن بهره گرفته نشده است (لی و همکاران^[۷۴]،۲۰۰۲، ۲۴۹). شبکه های عصبی (که در واقع نوعی رگرسیون غیر خطی نیز به حساب می آیند) در حل بسیاری از مسائل بکار گرفته شده اند (چنگ و تیترینگتون^[۷۵]،۱۹۹۴، ۱۸). لویدز^[۷۶] چنین ادعا نموده که با کاربرد شبکه های عصبی اغلب در خصوص ارزیابی اعتبار مشتریان می توان صحت ارزیابی ها را تا ۱۰ درصد افزایش داد. آلتمن (۱۹۹۴)، تام و کیونگ^[۷۷] (۱۹۹۲) از شبکه های عصبی در خصوص ارزیابی اعتبار شرکتها استفاده کرده اند.
پیشرفت واقعی در شبکه‌های عصبی در دهه ۷۰ اتفاق افتاد. در سال ۱۹۷۲ تئوری کوهونن^[۷۸] و جیمز اندرسون^[۷۹] مستقل از هم، شبکه‌های جدیدی که قادر بودند مثل عناصر ذخیره ساز عمل کنند معرفی کردند. در دهه ۸۰ با رشد تکنولوژی میکروپروسسورها، تحقیقات روی شبکه‌های عصبی فزونی یافت. شبکه‌های برگشتی^[۸۰] و الگوریتم پس از انتشار خطا^[۸۱] نتایج این تحقیقات بودند.
تحقیقات روی شبکه‌های عصبی چند لایه پیشخور، به کارهای اولیه فرانک ۱۹۵۹ شبکه عصبی پرسپترون تک لایه، با تابع محرک دو مقداره حدی غیر خطی و قانون SLPR بر می‌گردد.
شبکه‌های تک لایه از این مشکل اساسی برخوردارند که تنها توانایی حل آن دسته از مسائل طبقه بندی را دارند که به طور خطی از هم مستقلند. هم روزنبلات و هم ویدرو از این امر واقف بودند و شبکه‌های چند لایه را پیشنهاد کرده بودند. هر چند استفاده از عبارت پس انتشار عملاً پس از ۱۹۸۵ متداول گشت، لیکن نخستین توصیف الگوریتم BP توسط پاول وربز^[۸۲] در سال ۱۹۷۴ در رساله دکترایش مطرح شد. در این رساله، الگوریتم BP تحت عنوان شبکه‌های عمومی ارائه شد. این الگوریتم در دنیای شبکه‌های عصبی ظاهر نشد تا اینکه در اواسط دهه ۸۰ الگوریتم BP‌ دوباره کشف و به طور وسیعی مطرح شد. این الگوریتم به طور مستقل توسط دیوید راملهارت^[۸۳] ، جفری هینتون ^[۸۴] و رونالد ویلیامز^[۸۵] در سال ۱۹۸۶، دیوید پارکر و یان لی چون در سال ۱۹۸۵ دوباره مطرح و در دنیای شبکه عصبی معروف گردید.
یک سیستم عصبی مصنوعی در حقیقت، فرایند یادگیری انسانی را شبیه سازی می کند و می کوشد تا کارکرد مغز انسان را به عنوان شبکه ای از نرون های متصل به هم در فرایند تصمیم گیری تقلید کند. نرون ها، کوچکترین واحدهای محاسب و تصمیم گیری در شبکه های عصبی هستند. در هریک از نرون ها یک معادله ی تبدیل تعریف شده است. معادله تعریف شده در هریک از نرون ها می تواند یک مدل اقتصادسنجی یا هر مدل ریاضی دیگر مثل توابع سیگموئیدی باشند. در هریک از نرون ها با بهره گرفتن از این معادله سعی می شود که وزن هریک از متغیرها تعیین شود، به گونه ای که ارتباط معنی داری بین بردار داده ها و بردار ستاده ها (نتایج) برقرار کند. به گونه ای معمول تعیین ضرایب در هریک از نرون ها به صورت آزمون و خطا می باشد. بدین ترتیب که ابتدا وزن های کوچک به هریک از متغیرها ارائه می شود و سپس با بهره گرفتن از الگوریتم بازخورد خطاها، ضرایب تعدیل میشوند. این کار تا زمانی ادامه می یابد که خطاها به حداقل ممکن تعیین شده از سوی پژوهشگر برسد. بنابراین فرایند تصمیم گیری در شبکه های عصبی مصنوعی به روش آزمون و خطا میباشد.(لوپز^[۸۶]،۱۹۹۹، ۱۳)
به عبارت دیگر سیستم شبکه ی عصبی مصنوعی با تقلید از سیستم عصبی انسان می کوشد که ارتباط بین داده ها (نسبتهای مالی، روند اقتصادی، کیفیت مدیریت و….) و ستاده ها (وضعیت اعتباری وام گیرنده) را از راه تکرار نمونه برداری از مجموعه ی داده های گذشته داده / ستاده یاد گیرد. یک شبکه عصبی بر اساس سه ویژگی داده های ورودی، وزن ها و لایه های پنهان مشخص می شود (ساندرز و آلن،۲۰۰۲، ۱۲). برای ایجاد شبکه های عصبی چندین روش وجود دارد که شبکه عصبی پرسپترون، بویژه پرسپترون چند لایه^[۸۷]، در زمره ی کاربردی ترین شبکه های عصبی مصنوعی میباشند. این شبکه ها می توانند با گزینش شماره لایه ها و سلول های عصبی (نرون ها)، که اغلب زیاد نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهد. همچنین این روش به عنوان ” طبقه بند جامع^[۸۸] ” شناخته می شود به این دلیل که از لحاظ تئوریکی قادر به طبقه بندی هر فرایند تصمیم گیری است.
سایر روشها در شبکه های عصبی عبارتند از تابع اصل محوری^[۸۹]، نقشه های خود سازمان^[۹۰] و شبکه های کوهنی^[۹۱]. (اندرسون،۲۰۰۷، ۱۷۴)
شبکه های عصبی با توانایی قابل توجه آن در استنتاج نتایج از داده های پیچیده می توانند در استخراج الگوها و شناسایی گرایش های مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :
یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.
خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.
عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.
تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.
دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب می باشند.