فایل ورد کامل پیش بینی ورشکستگی شخصی با مدل درخت تصمیم گیری

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل پیش بینی ورشکستگی شخصی با مدل درخت تصمیم گیری،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

چکیده

هدف – ورشکستگی شخصی در مالزی در حال افزایش است. اداره ورشکستگی [اعسار] مالزی گزارش داد که ورشکستگی شخصی از سال افزایش یافته و کل پرونده های ورشکستگی شخصی انباشته در سال معادل می باشد. این حالت در واقع وضعیتی هشدار دهنده است چرا که افزایش موارد ورشکستگی شخصی تاثیر منفی بر اقتصاد مالزی و جامعه دارد. از منظر اقتصاد شخصی، ورشکستگی شانس امنیت شغلی را به حداقل می رساند. جدا از این، حساب افراد ورشکسته مسدود شده، کنترل بر دارایی ها و اموال آن ها از بین رفته و اجازه راه اندازی هیچ کسب و کاری به آن ها داده نشده و حق مشارکت در مدیریت هیچ شرکتی را ندارند. افراد ورشکسته از درخواست وام و مسافرت خارج از کشور محروم بوده و نمی توانند به عنوان ضامن فعالیت نمایند. مقاله حاضر با توسعه مدل پیش بینی ورشکستگی شخصی با استفاده از تکنیک درخت تصمیم گیری در پی بررسی این مساله است.
طرح / روش / رویکرد – در مقاله حاضر، اصطلاح ورشکسته به افرادی اطلاق می گردد که نتوانستند وام های خود را تسویه نمایند. نمونه شامل مورد همراه با درصد پرونده تسویه شده و درصد پرونده منقضی شده است. داده ها شامل یک متغیر وابسته، یعنی وضعیت ورشکستگی ( = Y (ورشکسته)، = Y (غیرورشکسته) و شاخص پیش بینی کننده می باشد. از نرم افزار . SAS Enterprise Miner برای توسعه مدل درخت تصمیم گیری استفاده گردید.
یافته ها – پس از تکمیل کار، مطالعه حاضر حاوی مشخصات افراد ورشکسته، مدل معتبر اعتبارسنجی ورشکستگی شخصی و متغیرهای معنی دار ورشکستگی شخصی بود.
پیامدهای کاربردی – مدل درخت تصمیم گیری مزبور در درآمدزایی و حق اختراع کارکرد دارد. موسسات مالی قادرند از این مدل برای پیش بینی تمایل وام گیرندگان بالقوه نسبت به ورشکستگی شخصی استفاد نمایند. پیامدهای اجتماعی – ایجاد آگاهی در جامعه درباره متغیرهای مهم ورشکستگی شخصی به طوری که بتوانند از ورشکستگی اجتناب نمایند.
اصالت / ارزش – مدل درخت تصمیم گیری مزبور قادر است فرآیند ارزیابی و سنجش وام گیرندگان بالقوه را از سوی موسسات مالی تسهیل نموده و به آن کمک نماید. این مدل به شناسایی وام گیرندگان بالقوه ناتوان از پرداخت بدهی کمک کند. هم چنین مدل مزبور می تواند به موسسات مالی در پیاده سازی استراتژی های درست برای اجتناب از وام گیرندگان ناتوان از پرداخت بدهی کمک نماید.

– نتیجه گیری

مقاله حاضر درباره پیشرفت های روی داده در طبقه بندی ورشکستگی شخصی با استفاده از نمونه برداری تصادفی برای تصحیح داده های نامتوازن بحث می نماید. بکارگیری DT در این مطالعه نشان داد که نرخ اختصاصی بودن پس از اعمال استراتژی نمونه برداری تصادفی افزایش یافت. در کاربردهای عملی، روش های طبقه بندی که برای درک چنین DT هایی آسان هستند، برای کاربران جذاب تر می باشند (یاپ و همکاران،). در نتیجه، عملکرد پیش بینی یک مدل DT بر اساس مجموعه داده های متوازن در مقایسه با مجموعه داده های نامتوازن، منطقی تر می باشد. در تحقیقات آتی ما قصد داریم مدل LR، ماشین بردار پشتیبانی و مدل ساده بیزی را در نظر بگیریم.

عنوان انگلیسی:Personal bankruptcy prediction using decision tree model~~en~~

Abstract

Purpose – Personal bankruptcy is on the rise in Malaysia. The Insolvency Department of Malaysia reported that personal bankruptcy has increased since 2007, and the total accumulated personal bankruptcy cases stood at 131,282 in 2014. This is indeed an alarming issue because the increasing number of personal bankruptcy cases will have a negative impact on the Malaysian economy, as well as on the society. From the aspect of individual’s personal economy, bankruptcy minimizes their chances of securing a job. Apart from that, their account will be frozen, lost control on their assets and properties and not allowed to start any business nor be a part of any company’s management. Bankrupts also will be denied from any loan application, restricted from travelling overseas and cannot act as a guarantor. This paper aims to investigate this problem by developing the personal bankruptcy prediction model using the decision tree technique.
Design/methodology/approach – In this paper, bankrupt is defined as terminated members who failed to settle their loans. The sample comprised of 24,546 cases with 17 per cent settled cases and 83 per cent terminated cases. The data included a dependent variable, i.e. bankruptcy status (Y = 1(bankrupt), Y = 0 (non-bankrupt)) and 12 predictors. SAS Enterprise Miner 14.1 software was used to develop the decision tree model.
Findings – Upon completion, this study succeeds to come out with the profiles of bankrupts, reliable personal bankruptcy scoring model and significant variables of personal bankruptcy.
Practical implications – This decision tree model is possible for patent and income generation. Financial institutions are able to use this model for potential borrowers to predict their tendency toward personal bankruptcy. Social implications – Create awareness to society on significant variables of personal bankruptcy so that they can avoid being a bankrupt.
Originality/value – This decision tree model is able to facilitate and assist financial institutions in evaluating and assessing their potential borrower. It helps to identify potential defaulting borrowers. It also can assist financial institutions in implementing the right strategies to avoid defaulting borrowers.

– Conclusion

This paper discussed the improvements in the classification of personal bankruptcy using random undersampling to correct the imbalanced data. The application of DT in this study showed that the specificity rate had increased after the random undersampling strategy was applied. In practical applications, classification methods which are easy to understand such as DTs are more appealing to users (Yap et al., 2011). In conclusion, the predictive performance of a DT model based on a balanced data set is more reasonable compared to an imbalanced data set. In future research, we intend to consider the LR model, support vector machine and naive Bayes model.

$$en!!