Выявление финансовых ранние признаки в Стамбуле фондовой бирже интеллектуального анализа данных

РЕЗЮМЕ

Малые и средние предприятия (МСП) внесли важный вклад в быстрый экономический рост мировой и быстрый процесс индустриализации. МСП составляют 99,89% от общего числа предприятий и играют важную роль в турецкой экономике. Целью настоящего исследования является выявление финансовых раннего предупреждения знак для МСП, перечисленных в Стамбульской фондовой бирже (ISE) с помощью интеллектуального анализа данных. Метод интеллектуального анализа данных, хи-квадрат, автоматическое взаимодействие детектор (CHAID) алгоритм дерева решений, был использован при изучении финансовых профилирования и выявления СРПГ. В исследование были включены 697 МСП, перечисленных в ISE между 2000 и 2005 годах. В результате исследования, охватываемых МСП, перечисленных в ISE были разбиты на 19 финансовых профилей и было установлено, что 430 из них были бедными финансовые показатели, то есть 61,69%. По профилей МСП в финансовых затруднениях, рентабельность собственного капитала (ROE) будет финансовых раннего оповещения для МСП, перечисленных в ISE.

Ключевые слова: интеллектуального анализа данных; Решение Тресс; CHAID; раннего оповещения; тяжелого финансового положения МСП

ВВЕДЕНИЕ

Финансовая система раннего оповещения, методика анализа, который используется для прогнозирования достижения состояния предприятий, а также снижение риска финансовых затруднений. В результате применения этой методики анализа, состояние и возможные бедствия предприятия может быть отождествлен с величиной. Существует никаких конкретных метод общей профилактики тяжелого финансового положения предприятий. Важным моментом является то, чтобы установить факторы, которые вызывают состояние спокойно, принять меры по исправлению меры предосторожности на длительный срок, чтобы сделать гибкий план чрезвычайных мер по отношению к потенциальным кризиса в будущем. В сущности, система раннего предупреждения техника финансового анализа, а также указаны достижения анализ предприятия за счет своей отрасли при помощи финансовых коэффициентов.

МСП, которые являются жизненно водителей экономике, темы, представляющие значительный интерес для ученых, исследования и вопрос имеет большое значение для политиков по всему миру. При общей мировой экономики считается следует отметить, что МСП, которые составляют 95% от общего числа предприятий в мире, приходится 66% от общей занятости и 55% от общего объема производства (ОЭСР, 2004). В соответствии с шестом ежегодном докладе Европейского Small Business обсерватория (2005) Есть 19300 тысяч предприятий в странах Европейского Союза сегодня, 99,8% из них определяется как МСП и работает около 75 миллионов человек. Есть только 35 тысяч предприятий, более 250 сотрудников, а 18 миллионов предприятий занято менее 10 человек. МСП составляют 99,89% от общего числа предприятий и играют важную роль в турецкой экономике. По данным 2002 года Генеральная производственное предприятие переписи по МСП в Турции провели турецких статистический институт (TSI), МСП работает около 3 млн людей в целом. МСП составляют 77% от общей занятости в Турции и 38% от общего объема добавленной стоимости, создаваемой в Турции (TSI, 2003). МСП в Турции, финансовые трудности и требуют безотлагательного решения своих финансовых проблем (Sariaslan, 1994; Озген и Доган 1997; и др. Теркер все., 2005) ..

Сегодня, МСП должны думать о глобальных масштабов своего бизнеса раньше, чем когда-либо, а иногда даже до начала фактического предприятия. В развитых странах, в дополнение к административной недостатки МСП, постоянная угроза в отношении МСП от глобализации, конкуренции и экономические условия привели к бедствия и низкой производительности для МСП, и заставили МСП к рискованным областях. Большинство научных исследований и докладов о МСП подчеркнул финансирования, финансовое управление и финансовое бедствие в качестве наиболее важных проблем малых и средних предприятий (ЕС, 2003).

Поэтому, чтобы выявить факторы финансового бедствия в открытую, как сигналы раннего предупреждения, жизненно важное значение для МСП, а всех предприятий. Почти все финансовые системы раннего предупреждения на основе соотношения анализа, другими словами, на основе финансовых таблиц. Финансовые таблицы источников данных, которые отражают финансовые истины для систем раннего предупреждения. Тем не менее, соотношение моделей, основанных игнорировать административных и структурных факторов, эта ситуация показывает, что человеческий фактор не оценивается для решения механизма. Таким образом, помимо определения человеческого фактора в каждой части процесса принятия решений и характеристик окружающей среды решение для модели будут гармонировать с моделью реальной жизни, и обеспечить действующей системы. Финансовые системы раннего предупреждения, сгруппированных по трем основным категориям в литературе: (1) к модели прогнозирования прибыли предприятия, (2) отношение к модели на основе прогнозирования банкротом / бедственного положения предприятия, (3) экономические тенденции, модели на основе к предсказанию банкротом / бедствие предприятия. Моделей, которые используются предприятиями для раннего предупреждения модели в основном базируются на соотношении анализа. IRIS (страхование регулирования информационной системы) и FAST (финансовый анализ системы слежения), нейронные сети Systems, Дискриминантный модели, Рейтинг Systems, события История анализа рекурсивных алгоритмов разметки приведены некоторые примеры таких моделей ..

Определение критериев бедствия путем уточнения взаимосвязи между переменными определяет обнаружение знаний от финансовых переменных. Автоматический и оценки процесса, ориентированного открытие информации совпадает определение интеллектуального анализа данных. При формировании системы, легко понять, легко интерпретировать и легко применить утилитарные модели, которая далека от требований теоретические основы ориентирована на открытие неявных связей между данными и выявления уровня эффекта каждого фактора . Именно по этой причине, идеальный способ для финансовой системы раннего предупреждения является метод интеллектуального анализа данных, которые стали часто использоваться в настоящее время для финансовых исследований. Таким образом, целью данного исследования было определить, как использование интеллектуального анализа данных в финансовой системы раннего предупреждения для МСП, перечисленных в ISE.

ОСУЩЕСТВЛЕНИЕ интеллектуального анализа данных для РАННЕЕ ПРЕДУПРЕЖДЕНИЕ ЗНАКАХ

В нашем исследовании CHAID решение деревьев - один из алгоритмов интеллектуального анализа данных -, которая является лучшим способом для выявления финансовых профилей МСП, а также определить его финансовых характеристик, были использованы. Интеллектуального анализа данных является методом, который был введен в 1990-х годов первым и стал широко использоваться в 2000-х. Bolshavoka и др., (2005) указывается, что "быстрый рост по сбору данных в области науки и бизнес-приложений, а также необходимость проведения анализа и извлечения полезных знаний из этих данных приводит к новому поколению средств и методов, сгруппированных по добыче данных срок ". Koyuncugil (2004) определен в качестве интеллектуального анализа данных на основе анализа данных с намерением обнаружить камни скрытой информации в огромном количестве данных, которые были захвачены в ходе обычного ведения бизнеса. Интеллектуального анализа данных, отличается от обычного статистического анализа. Интеллектуального анализа данных требует создания бизнес-аналитики (BI) для поддержки принятия решений применение, в частности, применения интеллектуального анализа данных, используя данные по добыче инструмент. Применения интеллектуального анализа данных можно использовать сложное сочетание классических и современных компонентов, таких как искусственный интеллект, распознавание образов, баз данных, традиционных статистических данных и графики представить скрытые отношения и структурам, обнаруженным в пула данных организации (Koyuncugil, 2004).

Берсон и др.. (2000) предполагает, что: "интеллектуального анализа данных представляет собой набор методов, которые направлены на полезные модели, но неоткрытых в собранных данных. Цель интеллектуального анализа данных является создание моделей для принятия решений, которые предсказывают будущее поведение на основе анализа прошлой деятельности. ".

Один из интеллектуального анализа данных деревьев алгоритм решения используются в профилирования в качестве прогнозной модели, что, как следует из названия, можно рассматривать как дерево. В частности каждая ветвь дерева классификации вопрос и листья дерева разделов данных с их классификацией (г.Минск, и др. Др.., 2000). С деловой деревьев перспективы решения можно рассматривать как создание сегментации оригинальных данных (каждый этап будет один из листьев дерева). Сегментация клиентов, продуктов и продаж регионов является то, что менеджеры по маркетингу и делали в течение многих лет. В прошлом это сегментация была выполнена для того, чтобы получить высокий уровень зрения большого количества данных - без каких-либо особых причин для создания сегментации исключением того, что записи в рамках каждого сегментации несколько похожи друг на друга. В этом случае сегментация делается с определенной целью - а именно для прогнозирования некоторые важные части информации. Записи, попадающие в рамках каждого сегмента попасть туда, потому что они имеют сходство по отношению к информации, предсказал - и не только, что они похожи - без сходства быть четко определены. Эти интеллектуального сегментов, которые вытекают из дерева решений также поставляются с описанием характеристик, которые определяют интеллектуальный сегмента.

Таким образом, деревья решений и алгоритмов, которые создают им может быть сложным, а результаты могут быть представлены в удобном для понимания путь, который может быть весьма полезным для бизнес-пользователей. алгоритмов дерева решений были пригодны для профилирования, потому что они являются визуальными и простой для понимания, легко интерпретируемых, и они позволяют создание правил. В серию правил, получены из дерева решений можно будет создавать профили фирм, а затем классифицировать фирмы по уровню финансовых затруднений с помощью таких профилей. Для каждого профиля, наиболее важных финансовых сигналы бедствия, как раннее предупреждение, что сказалось на финансовом положении ..

Существуют различные алгоритмы дерева решений. В конце 1970-х Дж. Росс Куинлан представил алгоритм решения дерево, названное ID3. ID3 предсказателей выбирает и их разделение ценностей, основанных на выигрыш в информации, что раскол или раскалывается обеспечить. ID3 впоследствии расширена в версии под названием C4.5. Классификации и регрессии Деревья или CART, относительно новых и популярных непараметрических метод анализа был использован после этих алгоритмов. Другой, не менее популярная технология дерева решение КОРЗИНА является CHAID или хи-квадрат, автоматическое взаимодействие детектора. CHAID похож на телегу, что она строит дерево решений, но она отличается в том, как он выбирает ее раскол. Вместо того, энтропии или Джини метрики для выбора оптимальных распадается, опирающийся на хи квадрат, используемые в специальных таблиц для определения категорического предиктор наиболее удалена от независимости с предсказанием значений (Ковалерчук и Костра, 2000). Одним из наиболее существенных различий между CHAID и других методов генерации дерева. ID3. C 4,5 и КОРЗИНА создания бинарных деревьев, в то время как CHAID может генерировать недвоичного деревьев. CHAID работает со всеми типами непрерывного или категориальные переменные. Тем не менее, непрерывных переменных предиктор автоматически категории для целей анализа.

С помощью хи-квадрат метрик CHAID может отдельно сегмент группы классифицированы по уровню отношений. Таким образом, листья дерева не бинарный отраслей, а как много отраслей, как число различных переменных данных. Таким образом, было сочтено удобно использовать CHAID алгоритм метода в изучении ..

Определение набора данных и методологии

Наше исследование было включено МСП указаны в ISE между 2000 и 2005 годах. Данные о балансы и отчеты о прибыли таких компаний можно ознакомиться в Интернете на веб-сайте ISE (URL: <A HREF = "http://www.imkb.gov.tr/" целевых = "_blank" относительной = "NOFOLLOW" > http://www.imkb.gov.tr/ </ A>). Общее число фирм, перечисленных в ISE между 2000 и 2005 годах 1923. В то же время можно получить доступ к данным только 1 209 (62,87%) таких фирм 1923 в Интернете. Поскольку сфера нашего исследования охватывает лишь микро-, средних и малых масштабных предприятий, которые часто называют МСП, те 1209 фирм были классифицированы по выявлению предприятий, которые могут быть отнесены к категории малого и среднего бизнеса.

CHAID алгоритмы разработаны на основе двух групп переменных, а именно целевой переменной и предиктором переменных, которые будут объяснять целевой переменной. В ходе исследования финансовых показателей объясняется с помощью всех переменных малого и среднего бизнеса, в том числе финансовых переменных. Таким образом, финансовые показателем считается переменной цель, и все финансовые показатели рассматриваются как предиктор переменных. CHAID алгоритма приведена ниже.

1. Для каждого предиктора переменной X, найти пару категории X, которая существенно отличается как минимум (то есть, имеет наибольшее значение р) по отношению к целевой переменной Y. метод, используемый для расчета величины р зависит от измерения уровня Ю.

А. Если Y непрерывно, использовать тест Фишера.

B. Если Y является номинальным, форма 2-способ crosstabulation с категориями X в виде строк и категорий Y в виде столбцов. Использование Пирсона хи-квадрат теста или отношения правдоподобия испытания.

C. Если У порядкового, пригодные ассоциации Y. Использование отношения правдоподобия испытания.

2. Для пары категории X с наибольшим значением р, р сравнить значение заданной уровень альфа-, [[А]. Sub.merge].

А. Если значение р больше, чем [[А]. Sub.merge], объединить эту пару в одну категорию соединения. В результате, новый набор категорий X формируется, и вы начинаете процесс более на этапе 1.

B. Если значение р меньше, чем [[А]. Sub.merge], перейдите на шаг 3.

3. Compute установленного значения р, для множества категорий X и Y категорий с помощью надлежащей корректировки Bonferroni.

4. Выберите предиктор переменной Х, которая имеет наименьшее скорректированное значение P (1, что является самым значительным). Сравнить его значение р к заданной уровень альфа-, [[А]. Sub.split]

А. Если значение р меньше или равна [[А]. Sub.split], разделить узел на основе множества категорий X.

B. Если значение р больше, чем [[А]. Sub.split], не разделить узел. Узел является конечным узлом.

5. Продолжить дерева растущего процесса до остановки правила соблюдены (SPSS, 2001).

РЕЗУЛЬТАТЫ

697 МСП, которые были перечислены в ISE между 2000 и 2005 годах, что мы включены в нашем исследовании были разбиты на 19 профилей на основе финансовых характеристик с помощью алгоритма CHAID дерева решений. Как вы можете видеть в таблице 1, было установлено, что 267 фирм из 697, охватываемых МСП хорошие финансовые показатели в то время как 430 из них были бедными финансовые показатели, то есть 61,69% от МСП охватывает финансовую бедствия. Анализ показал, что профили всех малых и средних предприятий в профилях 1, 2, 4, 10 и 17 были бедными финансовые показатели и финансовые трудности в то время как МСП в других профилей были различные финансовые выступлений.

На основе выводов, сделанных, когда профилей из которых все МСП в финансовых трудностей были проанализированы было установлено, что все проблемы МСП в плане ROE, рентабельность по чистой прибыли, коэффициент оборачиваемости активов, сбор период (дней в дебиторской задолженности), текущий соотношение, ROA, оборачиваемости текущих активов, обязательств краткий срок обязательства, и долго обязательств срок постоянного капитала. Согласно результатам этого исследования было установлено, что ROE плохой исполнитель МСП составляет <0,08, ROA составляет <0,09, рентабельность по чистой прибыли составляет <0,06, коэффициент текущей ликвидности составляет <1,66, сбор период (дней в дебиторской задолженности) составляет более 53 дней, оборачиваемости активов составляет <1,33, оборотные средства оборот <1,19, краткосрочные обязательства к обязательствам составляет> 0,41, и долгосрочных обязательств на постоянный капитал <0,002. Когда другие профили были проанализированы на основе рентабельности собственного капитала, который является статистически коррелировала с самых финансовых показателей, было установлено, что 80,95% МСП включены 13 профилей, 14 и 15 были хорошие финансовые показатели. Эти профили включают переменные ROE, ROA, и оборачиваемости текущих активов скорости и среди всех включенных МСП профиль 15 имели самые эффективные МСП. Установлено, что ROE МСП в профиль 15 была> 0,08, ROA составил> 0,09, коэффициент оборачиваемости текущих активов составила [меньше или равно] 1,19 и долгосрочных обязательств на постоянный капитал [меньше или равно] 0,41.

На основании результатов исследования можно рекомендовать ROE является финансовым сигналом раннего предупреждения малых и средних предприятий, перечисленных в ISE. Для финансового успеха ROE должен превышать 0,08. Кроме этого, ROA должна быть выше, чем 0,09, рентабельность по чистой прибыли его должна быть выше 0,006, коэффициент текущей ликвидности должен превышать 1,66, коллекция периода должна быть не менее 54 суток, суммарная ставка оборотных средств должна превышать 1,33, коэффициент оборачиваемости текущих активов курс должен быть более 1,19, краткосрочные обязательства на общую сумму пассивов должна быть не менее 0,41, долгосрочные обязательства перед постоянный капитал должен быть выше, чем 0,02 финансовый успех ..

ЗАКЛЮЧЕНИЕ

МСП в Турции, финансовые трудности и требуют безотлагательного решения своих финансовых проблем. Мы искали финансовых ранние признаки, которые будут предупреждать о МСП, финансовые потрясения. Было установлено, что 267 фирм из 697, охватываемых МСП хорошие финансовые показатели в то время как 430 из них были бедными финансовых показателей. Хи-квадрат, автоматическое взаимодействие детектор (CHAID) алгоритм дерева решений, был использован при изучении финансовых профилирования и выявления СРПГ. В результате исследования, охватываемых МСП, перечисленных в ISE было разделить на 19 финансовых профилей и было установлено, что Рентабельность собственного капитала (ROE) будет финансовых раннего оповещения для МСП, перечисленных в ISE.

Ссылки:

Берсон, А. Смит, С. и Thearling К. Строительство интеллектуального анализа данных для применения CRM, McGraw-Hill, Нью-Йорк, 2000.

Большакова, Н., Azuaje Ф., Каннингем П., "Комплексная инструмент для Microarray кластеризации данных и кластерные оценки действительности", Биоинформатика, 2005, т.: 21, 451-55.

Стамбульской фондовой бирже (ISE). (Консультантом апреля 2006): http:// <a target="_blank" href="http://www.imkb.gov.tr/" rel="nofollow"> www.imkb.gov.tr/ </ >

Ковалерчук, B., и Костра, Е. (2000) интеллектуального анализа данных в области финансов. США: Kluwer Academic издатель, Хингем MA.

Koyuncugil, AS "интеллектуального анализа данных и использование статистических данных с интеллектуальных алгоритмов Other Words", журнал полиции Special Edition информатики, 2004, Том: 37, 38-40.

ОЭСР. Малые и средние предприятия в Турции, проблемы и политика Организации экономического сотрудничества и развития, ОЭСР Press, 2004.

Озген, H., и Доган, S., проблемам управления МСП размещения на международные рынки и предложения для ее решения. Анкара: Публикация KOSGEB, 1997 года.

Sariaslan, H., финансовых проблем МСП: Пакет для ее решения. Анкара: Публикация ТОББ, No: 281,1994.

SPSS. AnswerTree 3,0 Руководство пользователя, США: SPSS инк, 2001.

Ассоциации банков Турции (TBAK)., Управлению рисками и влияние Базеля II на МСП. Анкара: Публикация TBAK, 2004.

Теркер, М., Yarbas, Е. и Ладно, Е. "Опыт малых и средних предприятий в Турции: компульсивного процесса посредством ЕС Членство", документ, представленный на Международной конференции малых и средних предприятий через членство в ЕС, Бандырма, июнь, 2005.

Турецкий институт статистики (TSI). 2002 Генеральная промышленной переписи предприятия. (Консультантом апреля 2006): HHTP: / / www.die.gov.tr/TURKISH/SONIST/GSIS/ gsisII141003.pdf

Али Serhan Koyuncugil, рынки капитала Совета Турция, Анкара, Турция

Nermin Ozgulbas университета Baskent, Анкара, Турция