اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,061 |
| تعداد دریافت فایل اصل مقاله | 6,961,212 |
مدلسازی اعتبارسنجی شرکتهای دانشبنیان متقاضی دریافت تسهیلات از صندوق نوآوری و شکوفایی و صندوقهای پژوهش و فناوری | ||
| پژوهشهای راهبردی بودجه و مالیه | ||
| دوره 6، شماره 3 - شماره پیاپی 23، مهر 1404، صفحه 33-67 اصل مقاله (1.24 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| محمدحسین قوام1؛ محمدرضا سیمیاری* 2؛ علی عیوضی3 | ||
| 1استادیار، گروه مالی ، دانشکده معارف اسلامی و مدیریت، دانشگاه امام صادق (ع)، تهران، ایران | ||
| 2دانشجوی دکتری، مالی-بانکداری، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران | ||
| 3کارشناسی ارشد، معارف اسلامی و مدیریت مالی ، دانشکده معارف اسلامی و مدیریت، دانشگاه امام صادق (ع)، تهران، ایران | ||
| تاریخ دریافت: 16 فروردین 1404، تاریخ بازنگری: 30 تیر 1404، تاریخ پذیرش: 05 مهر 1404 | ||
| چکیده | ||
| مسئله و هدف تحقیق: این پژوهش به دنبال ارائه یک مدل مناسب برای اعتبارسنجی جهت اعطای تسهیلات به شرکتهای نوپا و دانشبنیان از طریق منابع خط اعتباری صندوق نوآوری و شکوفایی نهاد ریاستجمهوری است. به عنوان محرک اصلی رشد و توسعه اقتصاد دانشبنیان، شرکتهای دانشبنیان از اهمیت فراوانی برخوردارند. هدف این پژوهش یافتن الگوی مناسب بهمنظور اعتبارسنجی شرکتهای دانشبنیان توسط صندوق نوآوری و شکوفایی و صندوقهای پژوهش و فناری میباشد. روش تحقیق: این تحقیق با استفاده از دادههایی که صندوق نوآوری و شکوفایی و صندوقهای پژوهش و فناوری در اعتبارسنجی شرکتهای دانشبنیان استفاده میکنند، یک مدل مناسب جهت اعتبارسنجی با روش شبکه عصبی مصنوعی ارائه مینماید. در گام نخست، شاخصها و دادههای مؤثری که صندوق نوآوری و شکوفایی از آنها بهره میبرد، طبقهبندی شده و وارد نرمافزار متلب شده و با استفاده از روش شبکه عصبی مصنوعی مورد تحلیل، بررسی و مدلسازی قرار گرفتند. بدین ترتیب مدل اعتبارسنجی مشتریان متقاضی دریافت تسهیلات استخراج شد. براساس این مدل عملکرد چهار شبکه عصبی پیشخور، شبکه عصبی LVQ و شبکه عصبی آبشاری و شبکه عصبی پرسپترون در مورد مسئله تحقیق مرور شد و روش شبکه عصبی LVQ با دقت 96درصد بهترین عملکرد را از مدلهای یاد شده ارائه کرد. یافتهها و نتیجهگیری: بر اساس دقت بالای مدل LVQ، صندوقهای مختلف که قصد اعطای تسهیلات به شرکتهای دانشبنیان را دارند میتوانند از این مدل جهت اعتبارسنجی این شرکتها استفاده نمایند تا ریسک اعتباری صندوق کاهش یابد و عملکرد بهتری را در اعطای تسهیلات داشته باشند. | ||
| کلیدواژهها | ||
| اعتبارسنجی؛ صندوق نوآوری و شکوفایی؛ صندوق پژوهش و فناوری؛ شبکه عصبی | ||
| عنوان مقاله [English] | ||
| Appropriate Modeling of the Validation of Knowledge-based Companies Applying to Receive Facilities from Iran National Innovation Fund and Prosperity Fund and Research and Technology Funds | ||
| نویسندگان [English] | ||
| MohammadHosein Ghavam1؛ Mohammadreza Simiari2؛ Ali Eyvazi3 | ||
| 1Assistant Professor, Department of Finance, Faculty of Islamic Studies and Management, Imam Sadegh University, Tehran, Iran | ||
| 2PhD Student, Finance-Banking, Faculty of Management and Accounting, Shahid Beheshti University, Tehran, Iran | ||
| 3Master's degree, Islamic Studies and Financial Management, Faculty of Islamic Studies and Management, Imam Sadeq University, Tehran, Iran | ||
| چکیده [English] | ||
| Research problem and objective: This research seeks to provide a suitable model for validation for granting facilities to start-up and knowledge-based companies through the resources of the Presidential Institution's Innovation and Prosperity Fund's credit line. As the main driver of the growth and development of the knowledge-based economy, knowledge-based companies are of great importance. The aim of this research is to find a suitable model for validating knowledge-based companies by the Innovation and Prosperity Fund and Research and Technology Funds. Research Methodology: This research attempts to design a suitable model for validation using the effective indicators and data that the Innovation and Prosperity Fund and Research and Technology Funds use in validating knowledge-based companies. This new model will be obtained using the artificial neural network method. Findings and Conclusion: Based on the high accuracy of the LVQ model, various funds that intend to grant facilities to knowledge-based companies can use this model to assess the creditworthiness of these companies in order to reduce the fund's credit risk and have better performance in granting facilities. | ||
| کلیدواژهها [English] | ||
| Artificial neural network, Credit assessment, Lending, Iran National Innovation Fund | ||
| مراجع | ||
|
احمدیزاده، کوروش (1385). لزوم تأسیس مراکز اعتبارسنجی و رتبهبندی. تهران: شهرآب.
استادی، رسول و مهتدی، محمد مهدی (1403). شناسایی و اولویتبندی عوامل اساسی مؤثر بر جذابیت سرمایهگذاری در بنگاههای اقتصادی دانشپایه. پژوهشهای راهبردی بودجه و مالیه، 5(2)، 105-128. DOI: 20.1001.1.27171809.1403.5.2.4.3
تهرانی، رضا و فلاح شمس، میرفیض (1384). طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور. مجله علوم اجتماعی و انسانی دانشگاه شیراز، 22(2)، 45-60.
Ahmadizadeh, Kourosh (2006). The necessity of establishing accreditation and rating centers. Tehran: Shahrab [In Persian].
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.
Azahari Jamaludin (2013) Managing Financing Risks in Financial Institutions.
Box, G. E., & Hill, W. J. (1967). Discrimination among mechanistic models. Technometrics, 9(1), 57-71.
Broussard, J. R., & Elmer, P. J. (2000). "A Comparison of Neural Networks and Traditional Credit Scoring Models."
Charalambous, C., Chrysochoou, P., & Kavouros, A. (2000). A neural network approach for credit risk assessment. Proceedings of the International Conference on Neural Networks, 1, 1-6.
Deakin, E. B. (1972). A discriminant analysis of predictors of business failure. Journal of accounting research, 167-179.
Doumpos, M., & Zopounidis, C. (2002). A multicriteria decision aid approach for the evaluation of credit risk. European Journal of Operational Research, 138(2), 221-232.
Durand, D. (1941). Risk elements in consumer instalment financing. Nber Books.
Eriksson, K; Jonsson, S; Lindbergh, J; Lindstrand, A; 2014, “Modeling firm specific internationalization risk: An application to banks’ risk assessment in lending to firms that do international business”, International Business Review, (23). 1074- 1085.
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of eugenics, 7(2), 179-188.
Hussain Ali Bekhet, Shorouq Fathi Kamel Eletter (2014). Credit risk assessment model for Jordanian commercial banks: Neural scoring approach. Review of Development Finance,4(1), p20-28
John Wiley & Sons: Risk Management and Financial Institutions.
Jorion, Philippe. (2006). Value at Risk: The New Benchmark for Managing Financial Risk. McGraw-Hill Education
Lai, K. K., Yu, L., Wang, S., & Zhou, L. (2006, September). Credit risk analysis using a reliability-based neural network ensemble model. In International Conference on Artificial Neural Networks (pp. 682-690). Berlin, Heidelberg: Springer Berlin Heidelberg.
Mandala, N; Badra, C; Rian, F; 2012, “Assessing Credit Risk: an Application of Data .214 Mining in a Rural Bank”, Procedia Economics and Finance, 4(4), p406-412.
Merton, Robert C. (1973). Theory of Rational Option Pricing. The Bell Journal of Economics and Management Science.
Morgan, D. P. (1994). "The Credit Risk of Banks: Internal Ratings and Risk Models.
Ostad, Rasoul and Mohtadi, Mohammad Mehdi (2014). Identifying and prioritizing the basic factors affecting the attractiveness of investment in knowledge-based economic enterprises. Strategic Research on Budget and Finance, 5(2), 105-128 [In Persian]. DOI: 20.1001.1.27171809.1403.5.2.4.3
Pasiouras, F., Gaganis, C., & Zopounidis, C. (2006). The impact of bank regulations, supervision, market structure, and bank characteristics on individual bank ratings: A cross-country analysis. Review of Quantitative Finance and Accounting, 27, 403-438.
Risk Management: Concepts and Guidance (2015), Carl L. Pritchard.
Saunders, A; Allen, L. (2002). Credit Risk Measurement, New Approaches to Value at Risk and Other Paradigms (Second Edition). Wiley Finance.
Sohn, S. Y., & Kim, H. S. (2007). Random effects logistic regression model for default prediction of technology credit guarantee fund. European Journal of Operational Research, 183(1), 472-478.
Tehrani, Reza and Fallah Shams, Mirfiz (2005). Design and explanation of credit risk model in the country's banking system. Journal of Social and Human Sciences of Shiraz University, 22(2), 45-60 [In Persian].
Wang, L., & Song, H. (2022). E‐Commerce Credit Risk Assessment Based on Fuzzy Neural Network. Computational Intelligence and Neuroscience, 2022(1), 3088915.
Weimin Chen, Guocheng Xiang, Youjin Liu, Kexi Wang( 2012 ). Credit risk Evaluation by hybrid data mining technique. Systems Engineering Procedia ,3, p 194-200.
William H. Beaver, George Parker. (1995). Risk Management: Challenges and Solutions. McGraw-Hill College
Witkowska, D., Kaminski, W., & Staniec, I. (2003). The Loan Granting Procedure: Artificial Neural Networks, Discriminant Analysis, K-Means Method. In Modeling and Control of Economic Systems 2001 (pp. 383-387). Elsevier Science Ltd.
Woo, C. & Wang, Y. (2000). A neural network approach for credit risk assessment. Proceedings of the International Conference on Neural Networks, 1, 1-6.
Z.H. Che (2010). PSO-based back-propagation artificial neural network for product and mold cost estimation of plastic injection molding.
Zhao, J., Li, B. Credit risk assessment of small and medium-sized enterprises in supply chain finance based on SVM and BP neural network. Neural Comput & Applic 34, 12467–12478 (2022). https://doi.org/10.1007/s00521-021-06682-4
https://www.inif.ir | ||
|
آمار تعداد مشاهده مقاله: 293 تعداد دریافت فایل اصل مقاله: 162 |
||