طراحی مدل تعیین تضامین جهت تامین مالی طرح‌ها و شرکت‌های کوچک و متوسط (SME) فناور با استفاده از مدل فازی ـ عصبی مقاله

نویسنده: ذوالفقاری، روح اله ؛ ارم، اصغر ؛

تحقیقات مالی پاییز 1401، دوره بیست و چهارم - شماره 3 رتبه: الف/ISC (‎27 صفحه - از 453 تا 479 )

کلیدواژه ها: ارزیابی ضمانت‌نامه بانکی صندوق نوآوری و شکوفایی وثایق ملکی مدل اعتبارسنجی شرکت‌های کوچک و متوسط (SME) فناور مدل فازی ـ عصبی (ANFIS) Technological SMEs Iran national innovation fund Bank guarantees Evaluation ANFIS Real Estate مدل فازی تسهیلات تضامین سیستم خبره فازی مدل فازی ـ عصبی ریسک طراحی

fa ar en

چکیده:

هدف: تامین مالی شرکت‌های کوچک و متوسط فناور، یکی از عوامل تعیین‌کننده موفقیت آتی آن‌هاست. به‌طور عمده، دارایی‌های این شرکت‌ها از نوع ناملموس و مبتنی بر دانش فنی است و با توجه به نوپا بودن، سوابق مالی و اعتباری چشمگیری ندارد. نظام‌های تامین مالی، به‌صورت سنتی و به‌منظور مدیریت ریسک، از الگوهای مبتنی بر توثیق حداکثری دارایی‌های فیزیکی استفاده می‌کنند که با شرایط این کسب‌وکارها تناسبی ندارد و به بازنگری نیازمندند. مسئله اصلی این پژوهش، ارائه مدلی برای ارزیابی و‌ تعیین تضامین طرح‌های فناورانه و شرکت‌های دانش‌بنیان است تا ضمن تسهیل دستیابی به منابع مالی، ریسک عدم بازپرداخت این منابع نیز مدیریت شود. روش: جامعه آماری، شرکت‌های دانش‌بنیان دریافت‌کننده تسهیلات است که با استفاده از روش کوکران، 103 شرکت برای نمونه انتخاب شد. در گام نخست، معیارهای ارزیابی طرح و شرکت، تعریف و با به‌کارگیری سیستم خبره فازی، شیوه رفتار مناسب با شرکت‌ها تعیین شده است. در گام دوم، به‌منظور ایجاد یک سیستم یادگیرنده، نتایج گام نخست به‌عنوان داده‌های ورودی، در قالب سه الگوریتم شبکه عصبی در نرم‌افزار متلب پیاده‌سازی و الگوریتم ANFIS با دقت 93درصد نسبت به داده‌های ورودی، انتخاب شده است. یافته‌ها: با توجه به داده‌های بازپرداخت موجود در صندوق نوآوری و شکوفایی، مدل فازی ـ عصبی نهایی آزمون شد. نتایج آزمون و ارزیابی مدل، در 85درصد از موارد، نحوه عملکرد شرکت‌ها در بازپرداخت منابع را به‌صورت صحیح تشخیص داد و تضامین (وثایق ملکی و/یا ضمانت‌نامه بانکی) متناسب با آن‌ها را پیشنهاد کرد. نتیجه‌گیری: مدل معرفی‌شده در این پژوهش، برای ارزیابی و اعتبارسنجی و‌ تعیین تضامین طرح‌های فناورانه و شرکت‌های دانش‌بنیان معرفی شده است که ضمن تسهیل دستیابی آن‌ها به منابع مالی، به مدیریت ریسک عدم بازپرداخت منابع نهاد مالی نیز کمک می‌کند. همچنین از روش‌های جدید بهینه‌سازی بهره برده است و قابلیت یادگیرندگی نیز دارد.

چکیده: (ترجمه شده توسط هوش مصنوعی)

هدف: التمویل للشرکات الصغیره والمتوسطه التکنولوجیه هو احد العوامل الحاسمه لنجاحها فی المستقبل. عموما، اصول هذه الشرکات غیر ملموسه وتعتمد علی المعرفه الفنیه، ونظرا لحداثتها، فهی لا تمتلک سجلات مالیه وايتمانیه بارزه. نظم التمویل التقلیدیه، بغرض اداره المخاطر، تستخدم نماذج تعتمد علی رهن الاصول المادیه بشکل کبیر، وهی لا تتناسب مع وضع هذه الشرکات وتحتاج الی مراجعه. المشکله الريیسیه لهذه الدراسه هی تقدیم نموذج لتقییم وتحدید الضمانات للمشاریع التکنولوجیه والشرکات المعرفیه، لتسهیل الوصول الی المصادر المالیه واداره مخاطر عدم سداد هذه المصادر. الطریقه: مجتمع الدراسه هو الشرکات القايمه علی المعرفه التی تحصل علی التسهیلات، وتم اختیار 103 شرکات کعینه باستخدام طریقه کوکران. فی الخطوه الاولی، تم تعریف معاییر تقییم المشروع والشرکات، وتم تحدید السلوک المناسب مع الشرکات باستخدام نظام خبره غامض. فی الخطوه الثانیه، لانشاء نظام تعلیمی، تم تنفیذ نتايج الخطوه الاولی کمدخلات لثلاث خوارزمیات لشبکه عصبیه فی برنامج MATLAB وتم اختیار خوارزمیه ANFIS بدقه 93٪ مقابل البیانات المدخله. النتايج: بالنظر الی بیانات السداد الموجوده فی صندوق الابتکار والازدهار، تم اختبار النموذج الغامض-العصبی النهايی. نتايج اختبار وتقییم النموذج، فی 85٪ من الحالات، تحدد بشکل صحیح اداء الشرکات فی سداد الموارد وتقترح الضمانات المناسبه (الرهون العقاریه و/ او خطابات الايتمان البنکیه). الاستنتاج: النموذج المقدم فی هذه الدراسه، مقدم لتقییم وتصنیف وتحدید ضمانات المشاریع التکنولوجیه والشرکات المعرفیه، والذی یسهل وصولها الی الموارد المالیه ویساعد ایضا فی اداره مخاطر عدم سداد الموارد للجهه المالیه. کما انه یستفید من اسالیب تحسین جدیده وله ایضا قدره علی التعلم.

چکیده:

Objective: Financing is one of the factors of future success for small and medium-sized technology businesses. Because of the immaturity of these businesses, the majority of their assets are intangible, rely on technical knowledge, and lack significant financial and credit records. To control the probable risks, financing systems traditionally rely on patterns based on maximum authentication of physical assets, which do not fulfill the needs of these firms and must be altered. The fundamental purpose of this research is to create a model for assessing and determining the collaterals of technical projects and knowledge-based firms so that finances could be more easily obtained and the risk of non-refunding could be managed. In this research, in the first step, the criteria for evaluating and assessing the intended project and company were defined. By using a fuzzy expert system, the appropriate method of dealing with companies was determined. In the second step, in order to create a learning system, the results of the first step were used as input data in the form of three neural network algorithms implemented in MATLAB software and ANFIS algorithm, with 93% accuracy compared to the input data. Methods & Results: The final neuro-fuzzy model was tested according to the repayment data available in Iran National Innovation Fund. The statistical population included knowledge-based firms receiving facilities. By using The Cochran formula, 103 companies were selected as a sample. The results obtained by testing and evaluating the model, in 85% of cases, could correctly identify the companies' performance in repaying resources and suggest appropriate collateral (Real estate collateral or Bank Guarantees). Conclusion: The model presented in this study can be used to evaluate, validate, and determine the collaterals of technological projects and knowledge-based firms. It can facilitate their access to financial resources and also help them with managing the attendant risks. It also employs new optimization methods and has the ability to learn.

خلاصه ماشینی:

Chen, Lin, Kung, Chung & Yen 7. Tam & Kiang روش شناسي پژوهش هدف اصلي از انجام اين پژوهش ، ارائه مدلي براي تعيين شيوه رفتار در اخذ تضـامين (وثـايق ملکـي و/يـا ضـمانت نامـه بانکي ) از شرکت هاي کوچک و متوسط فناور متقاضي تسهيلات است تا تضاميني متناسب با ارزيابي هاي صورت گرفتـه ، اخذ شده و در عين حال ، نهاد تأمين مالي ريسک معقولي را بپذيرد و همچنين سعي شده مدلي يادگيرنـده ارائـه شـود تـا بتواند در طي زمان بهبود و تکامل يابد. A comprehensive study of bank customer assessment and presentation of a validation method with data mining and fuzzy logic techniques, first national conference of new approaches in electrical and computer engineering, Khorramabad. Design and development of a law-based fuzzy expert system for credit evaluation of commercial companies' customers (case study: Alborz Distribution and Broadcasting Company). Designing a customer credit scoring model with a neural network approach (case study of Parsian Bank). Validation of bank customers using the credit scoring approach: a case study of Sepeh Bank branches in Zahedan, Public Management Research. Presenting a new framework of credit scoring system based on support vector machine for credit risk management in banks and financial institutions, International Research Conference on Engineering, Science and Technology, Istanbul. Development of a credit scoring model for legal customers of Saman Bank, Master's thesis in economics, Tehran: Sharif University. Designing an assessment model and predicting the credit risk of bank customers, a case study of Bank Day, International Conference on Engineering and Applied Sciences.

دریافت فایل ارجاع :
(پژوهیار, , , )

دانلود PDF
دانلود HTML

لینک کوتاه:

صفحه:

ورود / عضویت

برای مشاهده متن مقاله و یا دانلود آن لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.

ورود