سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

explorer iconلينك‌ها

[ بازگشت | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]

info iconاطلاعات مقاله

[ 222 بار مشاهده چكيده]

عنوان مقاله:در حال توسعه مدل SFNN برای پیش بینی بحران مالی از شرکت های ساخت و ساز
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره):39 (1)
سال انتشار:January 2012
شماره صفحات: 823827823-827
نشانگر دیجیتالی شیء:[ 10.1016/j.eswa.2011.07.080 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. Expert Systems With Applications »
  4. Developing SFNN models to predict financial distress of construction companies

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 34.224.102.60

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

report iconنمايش خلاصه مقاله

Developing SFNN Models To Predict Financial Distress Of Construction Companies


مقاله: در حال توسعه مدل SFNN برای پیش بینی بحران مالی از شرکت های ساخت و ساز

نويسنده:


خلاصه مقاله:


This research integrates the concepts of self-organizing feature map optimization, fuzzy, and hyper-rectangular composite Neural Networks (called SFNN) to provide a new method for forecasting corporate financial distress. This method not only offers improved rate of prediction accuracy but also offers rules as a reference for examining corporate financial status. For the considered data sample the method satisfies the criteria for 95% confidence level, 3% limit of error, and 50–50 proportion. A total of 1615 effective financial reports from 42 listed construction related companies over the last decade are collected and analyzed. Each financial report contains 25 ratios that bankers commonly use to grade companies which are set as the input attributes. Following comprehensive descriptions of the three algorithms, the SFNN model is constructed. It achieves 85.1% accuracy for predicting corporate financial distress and 49 and 48 valuable rules, for determining the “failed” or “non-failed” of construction companies. Practitioners may even directly use the rules without running the model as a means of quickly and conveniently examining their corporate financial status.


این پژوهش ادغام مفاهیم خود سازماندهی ویژگی بهینه سازی نقشه، فازی، و بیش از حد مستطیل شکل شبکه های عصبی کامپوزیت (به نام SFNN) برای ارائه یک روش جدید برای پیش بینی بحران مالی شرکت ها. این روش نه تنها ارائه می دهد بهبود سرعت دقت پیش بینی بلکه ارائه می دهد قوانین به عنوان یک مرجع برای بررسی وضعیت مالی شرکت. برای نمونه داده در نظر گرفته روش از معیارهای برای رسیدن به سطح 95٪ اعتماد به نفس، 3٪ حد خطا و 50-50 نسبت. در مجموع 1615 گزارش های مالی موثر از 42 ذکر شده مربوط به شرکت های ساختمانی در دهه گذشته در حال جمع آوری و تجزیه و تحلیل. هر گزارش مالی شامل 25 نسبت که بانکداران معمولا به شرکت های درجه که قرار است به عنوان ویژگی های ورودی استفاده کنید. پس از توصیف جامع از سه الگوریتم، مدل SFNN ساخته شده است. رسیدن به دقت 85.1٪ برای پیش بینی بحران مالی شرکت ها و 49 و 48 قوانین با ارزش، برای تعیین "شکست خورده" و یا "غیر شکست خورد" از شرکت ساخت و ساز. پزشکان حتی ممکن است به طور مستقیم و بدون اجرای مدل به عنوان وسیله ای سرعت و به راحتی بررسی وضعیت مالی شرکت های بزرگ خود را با استفاده از قوانین.


كلمات كليدي:

ANN, Construction companies, Financial crisis, Financial distress, Fuzzy, Prediction, SOM optimization
ANN, شرکت ساخت و ساز, بحران مالی, بحران مالی, فازی, پیش بینی, بهینه سازی SOM


موضوعات:

Artificial Intelligence, Computer Science Applications, Engineering(all)



[ ]

 

فهرست مراجع و منابع




 

برگشت به بالا
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×