نمونه ترجمه مقاله شبکه های عصبی
مدل شبکه های عصبی مصنوعی برای پیشگوئی ورشکستگی بیمه
نمونه ترجمه مقاله شبکه های عصبی
چکیده
برخلاف نقش اولیه ی فراهم نمودن حمایت مالی برای دیگر صنایع، صنعت بیمه هم چنین محیطی را برای تحرک سرمایه بکار می گیرد.
برخلاف محیط اقتصادی خشن در نیجریه، صنعت بیمه برای تکلیل برنامه های تجاری و ایجاد سرمایه حیاتی می باشد.
به هرحال، رکود اقتصادی پیوسته که توسط بسیاری از کشورها تجربه گردید،
در دهه های اخیر، به نظر می رسد به طور منفی روی سلامت مالی صنعت تاثیر گذاشته است،
در نتیجه ارائه ی بسیاری از شرکت های بیمه ذاتا درمانده شد.
گرچه این امر یک یک تعدیل کننده است تا بر شرکت های بیمه نظارت کند تا از ورشکستگی جلوگیری نماید و از حقوق مشتریان حمایت نماید.
این وظیفه ی نظارت، مشکل شده است
زیرا به نظر می رسد تعدیل کننده ها فاقد ابزارهای ضروری هستند که بتواند به حد کافی آنها را تجهیز نماید تا وظایف نظارتی را انجام دهند.
یکی از چنین ابزارهای حیاتی یک مدل تصمیم گیری است که سیگنال های هشدار اولیه برای شرکت های بهم ریخته فراهم می کند.
این مقاله، یک مدل یشگوئی بیمه بر اساس مدل شیوه شبکه عصبی ایجاد می کند که می تواند برای ارزیابی توانائی مالی شرکتهای بیمه استفاده شود.
ترجمه مقاله شبکه های عصبی
کلمات کلیدی: بیمه، حمایت مالی، شبکه عصبی مصنوعی، ورشکستگی، آنالیز نسبی، آموزش، مدل پیشگوئی، سیگنال هشدار اولیه
مقدمه
نقش بیمه در فراهم کردن حمایت مالی برای اقتصاد به خوبی اثبات شده است.
در طول این سالها، قوانین پوشش توسط شرکتهای بیمه برای تکمیل برنامه های تجاری ، با تعمیم، ایجاد ثروت حیاتی شده است.
به هرحال، توانایی صنعت برای ادامه ی موثر که نقش اختصاصی خود را در اقتصاد ایفا می کند به نظر می رسد رو به کاهش باشد و در حال حاضر به شدت تهدید شده است،
ابتدا، با سطح پایین سرمایه، و دوم، با کاهش توانایی تکنیکی برای کنترل مسائل در حال بروز.
در نیجریه، به عنوان مثال، چنین یافت شده که، در برخی سالها، کوانتوم ادعاهای گزارش شده برای برخی شرکتهای بیمه بیشتر از سرمایه ی پرداخت شده می باشد. (NAICOM, 2002)؛ یک توسعه ی نامطلوب.
اگر این گرایش ادامه یابد صنعت ممکن است با توالی جدی برای تمامی اقتصاد سقوط نماید.
این، در بخش، منجر به مجموعه ای از مقاله های مبتنی بر سرمایه شرکتهای بیمه بین 1997 و 2005 شده است.
برخلاف سرمایه گذاری مجدد، به هرحال، ورشکستگی در صنعت بیمه یک مسئله ی عود کننده شده و مسئله ای برای نگرانی عموم شده است.
زمانی که یک شرکت بیمه ورشکسته است، تاثیر می تواند فراگیر باشد،
روی کارکنان تاثیر منفی می گذارد و تهدید کننده ی سهام سهامداران و سیاستمداران است.
در تجارت حیات، برای مثال، یک بیمه شده بازنشسته، و برنامه های آینده او، ممکن است کاملا به خطر بیفتد.
در دیگر گروه های تجارت بیمه، یک شرکت بدون پوشش مناسب بیمه ممکن است خارج از تجارت قرار داده شود.
ترجمه مقاله شبکه های عصبی
بنابراین، توانایی آشکارسازی سیگنالهای اولیه به هم ریختگی در یک شرکت بیمه قبل از اینکه ورشکستگی ایجاد شود، مهم است.
ورشکستگی بیمه یک پدیده ی جهانی است.
در ایالات متحده و در اروپا بسیاری از موارد ورشکستگی بعد از چرخه های بیمه ی دهه ی 1970 و 1980 پدیدار شد.
(Zuleyka et al, 1995). بر خلاف اقتصاد پیشرفته که یک استراتژی “do-nothing” به نظر رسید که یک شیوه ی سازگار باشد،
بسیاری از اقتصادهای پیشرفته بررسی های متعددی انجام شده تا تا دلیل اصلی ورشکستگی بیمه را تشخیص دهند.
برای مثال، Muller Group Report (1997) دلایل اصلی ورشکستگی بیمه را در اتحادیه اروپا شناساسیی کرده اند.
به عنوان یک وسیله کاهش دهنده ی مسائل شناسایی شده،
بسیاری از شرکتهای بیمه، به ویژه سیاست گذاران اولیه در گروه، مدلهای ریسک داخلی برای تعدادی هدف را توسعه داده اند.
در تجارت بیمه املاک/مسئولیت، تعدادی مطالعات تجربی، مدل های اماری بر مبنای داده ی مالی بیمه را برای پیش بینی ورشکستگی ها استفاده کرده است.
(Trieschmann and Pinches, 1973, 1977; Harmmelink, 1974; Eck, 1982;
Hershbarger anf Miller, 1968; Harrigton and Nelson, 1986; BarNiv and Smith,
1987; Ambrose and Seward, 1988; BarNiv and Rave, 1989; BarNiv, 1989; BarNiv
and McDonald, 1992)
مدل ها توانایی قابل توجهی برای پیش بینی ورشکستگی ها در صنعت دارند.ترجمه مقاله شبکه های عصبی
به عنوان مثال، Trieshmann and Pinches(1973) گزارش کردند که مدل MDA آنها به طور صحیحی 92 درصد از شرکتهای ورشکسته را، دو سال قبل ازتعیین ورشکستگی آنها دسته بندی کرده است.
برخی مطالعات بر مبنای ارزیابی نسبت مالی شرکتها در بیش از صد سال می باشد. (Zheng, Howard and Parker,1997).
سایر مطالعات ورشکستگی مالی در بیمه املاک-مسئولیت ، برای مثال شامل
BarNive and McDonald (1992), Ambrose and Seward(1988), and Cummins, Grace and Philips (1999) می باشد.
موافق با Z-score و Multiple Discriminant Analysis(MDA) ، Altman(1968) پیشنهاد کرد
که یک شرکت بیمه با یک Z-score بالاتر از 675/2 میتواند به عنوان حلال (فاقد ورشکستگی) تلقی شود در حالیکه کمتر از 675/2 در معرض ورشکستگی قرار دارد.
به هرحال، یک گزارش در The Banker(1993) در برابر استفاده بی رویه ی روش Z-score به دلیل ناتوانی آن در محاسبه ی متغیرهای کلیدی، اصول آنچه که کلاهبرداری است پیشنهاد کرد.
نسبتهای مالی به عنوان واحد اصلی برای مدل سازی پیش بینی شکست شرکت بیمه بکار رفته است.
متغیرها، هیبریدی از نسبتها و آنالیزهای تفکیک خطی(LDA)، نسبتها و رگرسیون لجستیک(LR)،
شبیه سازی شبکه عصبی مصنوعی با استفاده از سیستم های پس-انتشار و تخصصی می باشد.
اقتصاد دانان به هرحال، این روش های سنتی را در تشخیص و تخمین پارامترهای کلیدی تا حدودی ناکافی دانسته اند.
(Hawley et al, 1990; Zhu, 1996).بنابراین، هدف ما در این مطالعه، تلاش برای ایحاد یک مدل است که بتواند این مشکل را کاهش دهد
و بتواند برای پیش بینی ورشکستگی شرکت بیمه در چارچوب شبکه عصبی مصنوعی استفاده شود.
انتظار می رود که هر دو بیمه شده و تنظیم کننده از سینگنالهای هشدار اولیه مشتق شده از کاربرد مدل منفعت حاصل نمایند.
چارچوب تئوری
شبکه عصبی مصنوعی (ANN) به یک الگوی سردازش اطلاعات اشاره می کند
که از روش سیستم عصبی بیولوژیکی ، مانند مغز، پردازش اطلاعات الهام گرفته است( Ajibola et al, 2011).
یک ANN، که معمولا برای کاربرد خاص شکل گرفته است،
از تعداد زیادی اجزای پردازشگر موازی، با اتصالات داخلی تشکیل شده، که نورون نامیده می شود، به صورت متحد عمل می کنند تا مسائل ویژه را از طریق فرایند یادگیری حل نمایند.
به هر حال یادگیری در ANN، اصلاح قوانین استنتاج همراه با ورود اطلاعات جدید ترجمه مقاله شبکه های عصبی
در نتیجه تنظیم اتصالات سیناپسی را شامل می شود، که مانند سیستم های بیولوژیکی در بین نورون ها وجود دارد.
به طور فرضی، یک شبکه عصبی از واحدهای محاسباتی بسیار ساده یا نورونها ساخته شده است.
یک نورون مصنوعی یک شبیه سازی الکتریکی نورون بیولوژی می باشد،
و از دندریتها، سیناپسها، جسم سلولی و انتهای آکسونی تشکیل شده است.
تحریک ها را از نزدیک سلول یا از محیط دریافت می کند، و یک پتانسیل فعال یا سیگنال عصبی تولید می کند. (Ajibola et al, 2011).
مطابق با Stergious and siganos (2007)، روش ANN، توانایی منحصر بفردی برای دریافت معانی از داده مبهم یا غیر دقیق دارد و در آشکارسازی الگوها یا تمایلاتی که برای دریافت (توجه) توسط انسان یا سایر تکنیکهای کامپوتری مشکل می باشند، مفید است.
شبکه قادر است تا یاد بگیرد چگونه اتصالات را تغییر دهد،
کارایی را بهبود بخشد، الگوها را تشخیص دهد، و تعمیم را با فرایند قانون آموزش از طریق تجربه به جای استفاده از برنامه نویسی توسعه دهد.
(Brockett et al, 1994). Agatonovic-Kustrins et al (2002).، توضیح دادند که یک ANN از هزاران واحد سیگنال، نورونهای مصنوعی یا اجزای پردازش متصل با ضرایب (وزنها) تشکیل شده که ساختار عصبی را تشکیل داده و در لایه هایی سازمان یافته است.
هر جزء پردازش دارای ورودی وزن دار، تابع انتقال و خروجی می باشد.
شکل 1 اسکلت مصنوعی شبکه عصبی مصنوعی رایج می باشد که از واحدهای لایه های ورودی متصل به واحد لایه مخفی تشکیل شده که به واحد لایه خروجی متصل شده اند.
رفتار یک ANN به وزن و ورودی-خروجی بستگی دارد(تابع انتقال) که برای واحدها مخشخص شده است.(Stergious and Siganos, 2007).
توابع در یک دسته ی سه تایی قرار می گیرند به نامهای: توابع خطی، آستانه و سیگموئید.
تابع انتقال یک نورون انتخاب شده تا تعدادی ویژگی را داشته باشد که شبکه حاوی نورون را تسهیل یا ساده می نماید.(Duch and Jankwoski,2001).
به عنوان مثال، هر درک چندلایه که از تابع انتقال خطی استفاده می کند ، یک شبکه لایه ای سیگنال هم ارز، یک تابع غیر خطی دارد.
یک تابع غیر خطی، بنابراین برای کسب فواید شبکه چندلایه ای ضروری است.
در طی فاز آموزش، مدل یاد می گیرد چگونه از برخی زمینه ها در یک ثبت استفاده کند تا ارزش زمینه دیگر را ارزیابی نماید.(Nguyen,2005).
ابتدا آموزش دیده و تست شده ، می تواند اطلاعات ورودی جدیدی به آن داده شود تا یک خروجی را پیش بینی نماید.
شکل 1: معماری یک شبکه عصبی ساده مصنوعی
جمع آوری داده ها و انتخاب نسبی کلیدی
داده های مطالعه از صورت های مالی ثبت شده شرکت های بیمه، گزارش آماری نهاد ملی بیمه (NAICOM) ، Fact-Book بورش اوراق بهادار نیجریه و انجمن بیمه نیجریه (NIA) حاصل شد.
ترجمه مقاله شبکه های عصبی
گزارش های حاصل از این منابع، نشان دادند که از 118 شرکت بیمه ثبت شده بین 2000 و2007، تنها 45 چهل و پنج شرکت عملیات سرمایه گذاری مجدد را بررسی کرده اند.
نوزده تای دیگر به دلیل بدهی های متحمل شده و مدیریت نادرست شکست خوردند.
نسبتها اساس آنالیزهای قبلی بوده است.
در این رابطه، Dorsey et al(2002) ، 26 اطلاعات مالی و نسبتها را شرح داد که برای مطالعات ورشکستگی مفید واقع شدند.
آنالیزهای دیگری تعداد متغیری از این نسبتها را استفاده کرده است.
بیشترین تعداد توسط Frydman et al. (1985) استفاده شده بود. Altman(1986;1983) 26 فاکتور Dorsey را در پنج دسته اصلی مجددا گروه بندی کرد .
این اصلاحات به نظر می رسد توسط تحلیل گران (Coats and Fant,1993) عمدتا پذیرفته شده و بنابراین در این مطالعه تصویب شده است.
شرکتهای استفاده شده در مطالعه شرکتهای بیمه ای هستند که در ایالت لاگوس قرار گرفته اند.
این شرکتها به دو دلیل انتخاب شده اند: ابتدا، بیش از %80 شرکت های بیمه در نیجریه دفتر مرکزی دارند و بیش از 63 درصد از شرکتها که بین 2000 و 2007 شکست خوردند در لاگوس قرار گرفته اند.
ثانیاً، شرکت بیمه ها از مکان های مشابه یکنواختی نمونه را افزایش می دهد.ترجمه مقاله شبکه های عصبی
نمونه از داده های بیمه ، چهارسال قبل از شکست آنها تشکیل شده است.
به عنوان اندازه گیری شاهد (مجموعه داده آموزشی) یک بیمه شکست خورده با یک بیمه موفق از نظر اندازه و سالهای حسابداری همسان شده ، که ، اندازه دارایی، تعداد شعبه ها، و وضعیت منشور می باشد.
در حالی که آنالیز ریسک اعتباری یک نقطه آغاز تاریخی برای آنالیزهای نسبی رسمی بود،
ما دارایی های کلی/بدهی های کلی را به عنوان اندازه نسبت نقدینگی در این مطالعه اتخاذ کردیم.
گرچه آنالیزهای نسبی می تواند ابزار قوی مدیریت مالی باشد، مطالعات قبلی نشان دادند که نسبتهای مالی عاری از محدودیتهای معین نیستند.
برخی از این محدودیتها برای نهادهای مالی در Ibiwoye(2010) ذکر شده اند. سایر محدودیتها در پاراگراف بعدی بحث شده است.
گرچه نسبتها می تواند به عنوان ابزاری برای کمک به آنالیزهای مالی استفاده شود،
آنها معمولا پشگویانه نیستند، همانطور که آنها معمولا بر اساس اطلاعات تاریخی بنا شده اند.
دوباره، گرچه، آنها به تمرکز سیستماتیک توجه روی نواحی مهم کمک می کنند و اطلاعات را به یک شکل قابل فهم حلاصه می کنند و در شناسایی تمایلات و روابط کمک می نمایند،
الگوی آینده ی شرکت را نمیتوانند منعکس نمایند، همانطور که فعالیت آینده توسط میدیریت را نادیده می گیرند.
آنها می توانند به آسانی توسط پوشش پنجره یا حسابداری خلاق دستکاری شوند و ممکن است با تفاوت در سیاستهای حسابرسی تحریف شوند.
زمانی که یک تحلیل گر در توجه به تورم در ملاحظات در اعمال آنالیز نسبی شکست می خورد، شرکتها می توانند تحریف شوند ،
در نتیجه منجر به نتیجه ی نامناسب می گردد.
یک مقایسه با میانگین های صنعت ممکن است برای یک شرکت مختلط، که با بسیاری از بخش های مختلف بازار عمل می کند، مشکل باشد.
فاکتورهای فصلی ممکن است نسبتها را بیشتر تحریف نمایند،
و بنابراین زمانی که نسبتهای ایجاد شده برای آنالیزهای مالی استفاده شده اند، باید به حساب آورده شوند.
به حدی که گفتن این که یک نسبت خوب یا بد است همیشه آسان نیست،
ممکن است تنها به عنوان ابزار اضافی برای پشتیبانی یا تایید سایر اطلاعات مالی جمع آوری شده استفاده شود.
بعلاوه، اقدمات عملی و حسابرسی مختلف، ممکن است مقایسه ها را برهم بزند.
نهایتاً، استفاده از میانگین نسبتهای معین برای کمپانی های عمل کننده در یک صنعت ویژه برای مقایسه کردن و رسم نتایج، ضرورتا یک نشانه ی کارایی خوب نخواهد بود،
شاید، یک شرکت باید هدف والاتری داشته باشد.
در پرتو این مشاهدات، ما باید فقط از آنالیز نسبتهای مالی به عنوان اساس تصدیق مدل شبکه عصبی مصنوعی استفاده کنیم.
روش تحقیق
در آموزش یک ANN، شیوه سنتی شامل چهار مرحله یا مراحل بیشتر، ممکن است در مورد ما به دلیل بسته نرم افزاری قابل کاربرد نباشد،
شبیه ساز شبکه عصبی اشتوتگارت (SNNS)، یک مکانیسم داخلی است که زیر فرایند آموزشANN را با روند پردازش داده ترکیب می کند.
ملاحظات روش برای تکنیک های شبکه عصبی برای شبیه سازی ورشکستگی در صنعت بیمه وجود داشت، در نتیجه مطابق عناوین فرعی زیر هدایت گردید:
- تنظیم شبکه
- پیش پردازش داده
- آموزش شبکه
مراحل به ترتیب کاربرد آنها در الگوریتم ANN در نظر گرفته شده اند.
تنظیم پارامترها برای شبکه عصبی مصنوعی
به طور سنتی، آموزش آنالیز شبکه های عصبی با تنظیم پارامترهای آن اغاز شده است.
ضروری است که پارامترهای تنظیم برای شبکه شناسایی شود.
برخی پارامترهای در نظر گرفته شده عبارتند از:
- تعداد لایه های ورودی
- اندازه لایه های مخفی
- ثابت یادگیری،β
- پارامتر اندازه حرکت ، α
- محدوده، فرمت، و بایاس داده نمایش داده شده به شبکه و
- ترجمه مقاله شبکه های عصبی
- ایجاد تابع فعالیت(در اینجا سیگموئید استفاده شده است)
- ترجمه مقاله شبکه های عصبی
لایه ی خروجی واحد منفرد دارد، که تغییرات مورد انتظار برای پیش گوئی مسئله را نشان می دهد.
یک لایه میانی در تحلیل های ما استفاده شده است.
ما یک تعداد رایج نورونهای ممکن برای شبیه سازی ANN خود استفاده کرده ایم تا تعمیم ممکن شود.
یک مانع اصلی همراه با استفاده از تعداد بسیار زیادی نورون در یک تمرین، مسئله ی حفظ الگوها می باشد
که ممکن است به نوبه خود منجر به ناتوانی شبکه عصبی در انجام کارا و پربازده پیش گوئی های دقیق خارج از داده آموزش شود. (Ajibola et al. 2011).
ترجمه مقاله شبکه های عصبی
پردازش داده ANN
مطابق Ajibola et al (2011)، پردازش داده خام به دست آمده، برای شبکه عصبی برای تابع لازم است.
در این مقاله، تابع فعالیت سیگموئید برای پردازش داده استفاده شده است.
مراحل بکار رفته در پردازش داده خام عبارتند از:ترجمه مقاله شبکه های عصبی
- a) نمایش داده مشتق شده di از داده ی خام با
که Pk ردیف ماتریکس نشان دهنده ی داده در سطح K داده ANN می باشد.
- b. مرحله بعدی نرمالیزه کردن داده مشتق شده است، یعنی:
که µ میانگین و ơ انحراف استاندارد می باشد.
- c. در پردازش تصویر، لبه می تواند با تغییر accenting با تابع( ) آشکار شود، که a و b مقادیر پیکسل های مجاور هستند.
- این پیش بینی آینده را ممکن می سازد و می تواند برای تغییر accentدر داده استفاده شود:
بنابراین تمامی ستون ها از روند آخری (تشخیص ویژگی) با ستونهای روند قبلی(squashing) اضافه شده اند.
این امر تعداد ستونها را دوبرابر می کند.
مدلسازی ANN
شبکه با استفاده از الگوریتم انتشار به عقب شبیه سازی شده است.
وزنها با تعداد نقاط شناور تصادفی در محدوده [1.-1] مفداردهی شده اند،
و تابع خطا استفاده شده میانگین مربعات خطا می باشد،
که به صورت زیر تعریف شده است:
که T تعداد واحدهای خروجی ، ơ خروجی شبکه و t خروجی هدف مطلوب می باشد.
این خطا می تواند برای هر الگوی آموزش و برای هر شیوه به عقب منتشر شود.
الگوریتم انتشار به عقب استفاده شده در پایین نشان داده شده است.
ترجمه مقاله شبکه های عصبی
الگوریتم انتشار به عقب
مرحله 1: ابتدا الگوی ورودی و الگوی خروجی مربوطه را بخوانید:
مرحله 2: برای لایه ی ورودی، به هر واحد در جزء مربوطه در محور ورودی، ورودی نت اختصاص دهید.
خروجی برای هر واحد ورودی نت است.
مرحله3: برای واحدهای اولین لایه مخفی، ورودی و خروجی نت را محاسبه کنید
ترجمه مقاله شبکه های عصبی
W0 = مقادیر وزن اولیه، xi= محور ورودی و {Wij}= Wماتریکس وزن می باشد.
ترجمه مقاله شبکه های عصبی
مرحله4: برای واحدهای لایه خروجی- ورودی و خروجی نت را محاسبه نمایید.
مرحله 5: آیا بین هدف و الگوی خروجی در مقاومت(تحمل) تفاوتی وجود دارد ؟ یا خیر
مرحله 6: برای هر واحد خروجی خطای آن را محاسبه نمایید:
مرحله 7 برای لایه ی مخفی آخر خطای هر واحد را محاسبه نمایید
مرحله 7 را برای تمامی لا یه های مخفی بعدی محاسبه نمایید.
مرحله 8: برای تمامی لایه ها، وزنهای واحد را به روز کنید.
(الگوی آخر نشان داده شده است) CONVERGE-TRU STOP
الگوی بعدی و الگوی خروجی مرتبط را بخوانید و به مرحله ی 2 بروید.
شبیه سازی شبکه عصبی مصنوعی
داده های جدول 1 را برای آموزش استفاده کردیم.
سرعت یادگیری ANN، 0004/0 است در حالی که مقاومت خطای آن 0002/0 می باشد.
تعداد چرخه های استفاده شده 500 تا می باشد در حالی که ساختار ANN، 1 6 7 استفاده شد.
ترجمه مقاله شبکه های عصبی
در شکل 2،رفتار ANN شبیه سازی شده بر مبنای الگوریتم خود را نشان داده ایم.
منحنی ANN (سری 1) به وضوح نشان می دهد که شرکتهای بیمه تحت ملاحظات، وقتی تمامی نقاط در منحنی شبیه سازی زیر خط آستانه قرار گرفتند، شکست خوردند. (سری 2).
شکل 3 تفسیر گرافیکی داده در جدول 1 است که نمایش عینی از الگوی توزیع دو محموعه از داده ها به ما میدهد.
شکل 2: آنالیز ANN ورشکستگی صنعت بیمه (منحنی مدل ANN)
جدول 1: داده های محاسبه شده و داده های مدل ANN برای ورشکستگی در صنعت بیمه
شکل 3: ANN در مقابل آنالیز نسبی نقدینگی (مدل سازی ANN ورشکستگی در صنعت بیمه)
بحث
این مقاله آمارهای شرکتهای بیمه انتخاب شده در نیجریه را دربرگفته و روند کارایی آنها با هدف تعیین وضعیت ورشکستگی شان را مورد بحث قرار می دهد.
پویایی صنعت بیمه در مقابل پایداری تجارت بیمه در مواجهه با چالش های در حال ظهور ناشی از جهانی شدن را در نظر می گیرد.
آنالیزهای مالی صورت گرفته روی داده های رسم شده از ابزارهای مالی شرکتهای تحت مباحثه، روی تعیین ساختار مالی کلی صنعت بیمه در نیجریه هدف گذاری شده بود.
Ibiwoye(2010) توجه را به این حقیقت جلب می کند که نسبتها به هنگام در نظر گرفتن تاثیرات اقتصادی مقیاس، شناسایی سیاستهای معیاربندی و تخمین اقدامات بازدهی شرکتها کمک کوچکی فراهم می کنند.
ترجمه مقاله شبکه های عصبی
این امر انگیزه اصلی ما برای تحقیق در مورد یک روش جایگزین و پایدار مانند آنچه که توسط روش ANN پیشنهاد شد می باشد.
آنالیز نسبی نقدینگی تنها استفاده شده است،
در این جا، مانند springboard برای تعیین آستانه solvency از شبیه سازی ANN می باشد.
ما آستانه solvency در صنعت را تا 5 (در شکل 2؛سری3) به عنوان نتیجه حسابرسی خلاق (به عبارت دیگر دستکاری ناخالص شکلهای حسابداری) شناسایی شده توسط اقدامات غیر اخلاقی حسابرسان خارجی جعلی همراه با اظهارات ساخته شده در وضعیت های مالی تفاسیر اختصاصی و عمومی سراسر جهان، اما به ویژه در اقتصادهای توسعه یافته افزایش دادیم.
ترجمه مقاله شبکه های عصبی
منحنی مدل شبیه سازی ANN (شکل3؛سری 2) به طور کامل زیر آستانه قرار می گیرد. این، ورشکستگی مطلق شرکتهای بیمه تحت نظر را نمایش می دهد.
بعلاوه، از درک تئوری احتمال ، خروج 13 داده از 117 نقطه داده، حمایتی واضح برای نتیجه ی شبیه سازی از مدل ANNارائه می دهد.
شبکه عصبی مصنوعی NN بیولوژیکی را تقلید می کند که ورودی های مختلف را به خروجی مطلوب موزون می کند.
بنابراین، موزون سازی تمامی ورودیها مانند مدیریت، گزارش حسابرس، خاکتورهای خارجی و سایر فاکتورهای محیطی وضعیت آینده ی شرکتهای بیمه ی تحت مطالعه را تعیین می کند که در نتیجه مدل منعکس شده است.
به این منظور، می توان حدس زد که مدل ANN که ما پیشنهاد دادیم گرایش ورشکستگی صنعت نیجریه را در بر میگیرد.
این مطالعه می تواند در تحقیقات آینده برای آزمودن کنترل سازگار ورشکستگی در هر صنعت مالی توسعه داده شود.
ترجمه مقاله شبکه های عصبی
نتیجه
در این مطالعه، پیشرفت مهمی در ارتباط با مدلسازی ورشکستگی ایجاد شده است که شکستی که در صنعت بیمه نیجریه رخ می دهد را مشخص می نماید.
تکنیک راه حل جدید به صورت توانمند از طریق مدل شبیه سازی ANN تعاملی، نشان داده شده است.
کمک به دانش موجود ، مدل ریاضی را شامل می شود که ورشکستگی صنعت بیمه را با دیدگاهی برای فراهم نمودن سیگنال هشدار اولیه، در مورد شرکتهای بیمه بهم ریخته شرح می دهد.
ترجمه مقاله شبکه های عصبی