Ανάπτυξη και εφαρμογή μοντέλων πρόβλεψης βιωσιμότητας τεχνικών εταιρειών στην Ελλάδα

  1. MSc thesis
  2. ΑΝΔΡΕΑΔΗΣ, ΙΩΑΝΝΗΣ
  3. Διαχείριση Τεχνικών Έργων (ΔΧΤ)
  4. 08 Σεπτεμβρίου 2018 [2018-09-08]
  5. Ελληνικά
  6. 138
  7. ΒΟΥΛΓΑΡΙΔΟΥ, ΔΗΜΗΤΡΑ
  8. ΣΑΛΩΝΙΤΗΣ, ΚΩΝΣΤΑΝΤΙΝΟΣ
  9. Μοντέλα πρόβλεψης βιωσιμότητας/εταιρικής αποτυχίας | Bankruptcy prediction models | Κατασκευές | Constructions | Mέθοδος Altman | Altman method | Mηχανική Mάθηση | Machine Learning | Mηχανές διανυσμάτων υποστήριξης | Support Vector Machines | Νευρωνικά Δίκτυα | Neural Networks
  10. 7
  11. 89
  12. Περιέχει : πίνακες, εικόνες, σχήματα
  13. Αρχές Οργάνωσης και Διοίκησης Επιχειρήσεων. Τόμος Α': Αρχές Διοίκησης Επιχειρήσεων / Κορρές, Γ., Γούτσος, Σ., & Κωστούρος, Ι.
    • Στην παρούσα διπλωματική εργασία υλοποιούνται και αξιολογούνται μεθοδολογίες που μπορούν να χρησιμοποιηθούν για την αυτόματη πρόβλεψη της εταιρικής αποτυχίας, με ανάλυση στοιχείων από τους ετήσιους ισολογισμούς και τις οικονομικές εκθέσεις των εταιρειών. Ως μελέτη περίπτωσης θεωρείται ο κατασκευαστικός κλάδος στην Ελλάδα και πιο συγκεκριμένα τεχνικές εταιρείες που είναι εισηγμένες στο Χρηματιστήριο Αθηνών ή έχουν διαγραφεί στο παρελθόν από αυτό. Παρατίθεται αρχικά εννοιολογική προσέγγιση την πτώχευσης των εταιρειών και αποτυπώνεται με λεπτομέρεια η εξέλιξη του κατασκευαστικού κλάδου στη χώρα μας κατά τη διάρκεια της τελευταίας δεκαετίας, περίοδος που χαρακτηρίστηκε από την παγκόσμια οικονομική ύφεση. Ακολουθεί εκτενής βιβλιογραφική ανασκόπηση με σκοπό να εντοπισθούν οι σημαντικότερες τεχνικές που συναντώνται στη βιβλιογραφία για την πρόβλεψη της εταιρικής αποτυχίας, να κατηγοριοποιηθούν ανάλογα με τη φύση τους και να καταγραφούν πλεονεκτήματα και περιορισμοί τους, ώστε μέσα από συγκριτική ανάλυση να καταλήξουμε σε αυτές που αξιοποιούνται στην υπό μελέτη εφαρμογή. Συγκεκριμένα, υλοποιούνται στατιστικές τεχνικές (μέθοδος Altman) και αλγόριθμοι μηχανικής μάθησης (k κοντινότερων γειτόνων, μηχανές διανυσμάτων υποστήριξης, τυχαία δάση, πιθανοτικά νευρωνικά δίκτυα, πλειοψηφικό σχήμα), προκειμένου να συγκρίνουμε τις επιδόσεις τους και να διερευνήσουμε την ύπαρξη των πιο αποδοτικών. Το σύνολο δεδομένων που διαμορφώθηκε για την εκτέλεση των υπολογιστικών μετρήσεων προέρχεται από τη συλλογή οικονομικών στοιχείων από δημοσιευμένες οικονομικές καταστάσεις 21 τεχνικών εταιρειών, που αφορούν κυρίως την περίοδο 2007-2017. Για την αξιολόγηση της επίδοσης κάθε μεθόδου θεωρήθηκαν αντικειμενικά μέτρα που βρίσκουν εφαρμογή σε δυαδικά προβλήματα ταξινόμησης, όπως μήτρες σύγχυσης και καμπύλες ROC. Τα αποτελέσματα είναι ιδιαιτέρως ενθαρρυντικά καθώς υπήρξαν υποσύνολα δεδομένων στα οποία σημειώθηκαν υψηλές επιδόσεις διαχωρισμού (Az>0,90). Επιβεβαιώνεται η αξιοπιστία της μεθόδου Altman στο σωστό διαχωρισμό μεταξύ εύρωστων και οικονομικά αδύναμων εταιρειών, ενώ αναδεικνύεται η δυναμική των αλγορίθμων μηχανικής μάθησης μέσω των οποίων επετεύχθησαν καλύτερες ή τουλάχιστον συγκρίσιμες επιδόσεις ταξινόμησης.
    • In the present diploma thesis, we implement and evaluate methodologies towards corporate failure prediction, by analyzing related data obtained from corporations’ financial reports. The case study considered herein is the construction industry in Greece and, more specifically, technical companies that are currently listed in the Athens Stock Exchange, as well as those that have been recently suspended and/or delisted. Initially, a conceptual approach to company bankruptcy is outlined and the development of the construction sector in our country over the last decade, a period characterized by the global economic recession, is presented in detail. An extensive bibliographic review is also performed to identify the most important discrimination techniques towards prediction of failure, properly categorize them and record their advantages and limitations, in order to conduct a comparative analysis that leads to the selection of those techniques that are exploited in the frame of the current study. Specifically, statistical techniques (Altman method) and machine learning algorithms (k nearest neighbors, support vector machines, random forests, probabilistic neural networks, voting scheme) are utilized, in an attempt to compare their performance and investigate which is the most efficient for the current problem. The dataset used for our computational measurements is obtained through the collection of related indexes from published financial statements of 21 technical companies, concerning mainly the period 2007-2017. Towards the evaluation of the performance of each method, objective measures applicable to binary classification problems are used, such as confusion matrices and ROC curves. The results are quite encouraging, since we are able to achieve high classification results (Az> 0.90) on various data subsets. The reliability of the Altman method is confirmed, as high levels of correct discrimination between robust and economically weaker companies are observed, while the potential of machine learning algorithms is highlighted, given the fact that comparable or even superior classification results are achieved.
  15. Αναφορά Δημιουργού 4.0 Διεθνές