به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

logistic regression

در نشریات گروه مدیریت
تکرار جستجوی کلیدواژه logistic regression در نشریات گروه علوم انسانی
  • رضا مهرابی، محمود همت فر *، فرید صفتی

    پیش بینی درماندگی مالی شرکت ها یکی از چالش های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل های هوش مصنوعی در پیش بینی درماندگی مالی می پردازد. در این پژوهش از الگوریتم های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی (AIS)، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از AIS و WNN استفاده شده است. این مطالعه با استفاده از داده های واقعی شرکت ها، دقت و کارایی این مدل ها را مقایسه می کند. نتایج نشان می دهند که الگوریتم ترکیبی توانایی بالاتری در پیش بینی درماندگی مالی دارد و می تواند به عنوان یک ابزار مفید برای تصمیم گیری های مالی مورد استفاده قرار گیرد. پیش بینی درماندگی مالی شرکت ها یکی از چالش های اصلی در حوزه مدیریت مالی است. این پژوهش به بررسی کاربرد مدل های هوش مصنوعی در پیش بینی درماندگی مالی می پردازد. در این پژوهش از الگوریتم های مختلفی از جمله شبکه عصبی موجکی (WNN)، سیستم ایمنی مصنوعی (AIS)، رگرسیون لجستیک (LR) و یک الگوریتم ترکیبی از AIS و WNN استفاده شده است. این مطالعه با استفاده از داده های واقعی شرکت ها، دقت و کارایی این مدل ها را مقایسه می کند. نتایج نشان می دهند که الگوریتم ترکیبی توانایی بالاتری در پیش بینی درماندگی مالی دارد و می تواند به عنوان یک ابزار مفید برای تصمیم گیری های مالی مورد استفاده قرار گیرد.

    کلید واژگان: درماندگی مالی، پیش بینی مالی، شبکه عصبی موجکی، سیستم ایمنی مصنوعی، رگرسیون لجستیک، الگوریتم ترکیبی
    Reza Mehrabi, Mahmoud Hematfar *, Farid Sefati

    In today's financial landscape, the prediction of corporate financial distress plays a crucial role in risk management and economic stability. This study aims to develop a hybrid predictive model that combines the Artificial Immune System (AIS) with the Wavelet Neural Network (WNN) to forecast financial distress in companies. The hybrid model leverages the strengths of both algorithms to improve accuracy in identifying distressed firms based on financial data. Utilizing a dataset of Tehran Stock Exchange-listed companies, this research compares the performance of the hybrid model against traditional methods like logistic regression and standalone neural networks. Results demonstrate that the AIS-WNN hybrid model outperforms other techniques in terms of prediction accuracy, sensitivity, and overall robustness. The findings indicate that the proposed model provides a powerful tool for investors, auditors, and policymakers to anticipate financial distress and make informed decisions. This approach can be further expanded to other domains of financial forecasting, contributing to the advancement of predictive analytics in the field.

    Keywords: Financial Distress, Financial Prediction, Wavelet Neural Network, Artificial Immune System, Logistic Regression, Hybrid Algorithm
  • حبیب غفاری، علی امیری*، حجت الله سالاری، داوود خدادادی
    کنترل های داخلی بخش جدانشدنی از مدیریت ریسک و مرتبط با آن بوده که اهمیت بسزایی در تحقق اهداف بنگاه های اقتصادی دارد. هر اندازه کنترل های داخلی قوی تر باشند، ریسک مربوط به بنگاه های اقتصادی کاهش یافته و به خاطر استفاده صحیح تر از منابع موجود کارایی آن ها افزایش می یابد. کنترل داخلی ضعیف ریسک بنگاه های اقتصادی را افزایش داده و منجر به ورشکستگی بنگاه های اقتصادی می شود. مدیریت ریسک فرایندی است که از سوی هیئت مدیره، مدیریت و سایر کارکنان طراحی می شود تا در تدوین راهبردهای بنگاه های اقتصادی و شناسایی رویدادهای بالقوه موثر واقع شده باشد و بتواند ریسک ها را شناسایی کند تا اطمینان معقولی از دستیابی به اهداف بنگاه اقتصادی موثر فراهم نماید. این مقاله با تکیه بر چارچوب کوزوو که هر سازمان باید به فراخور شرایط خود نسبت به استقرار آن گام بردارد، به بررسی نقش مدیریت بر ریسک ها و اعمال کنترل های داخلی بهینه برای پیش‏بینی ورشکستگی بنگاه های اقتصادی با استفاده از نسبت های مالی می پردازد. نمونه تحقیق از 71 بنگاه اقتصادی ورشکسته و 71 بنگاه اقتصادی غیر ورشکسته به عنوان نمونه کنترل در طی دوره زمانی 1391-1401 تشکیل شده است. نتایج بررسی ها در این مقاله نشان داد که با استقرار کنترل های داخلی موثر و مدیریت بر ریسک ها، ارزش بنگاه های اقتصادی افزایش پیدا کرده و خطر مربوط به ورشکستگی کاهش پیدا می کند. همچنین نتایج حاصل از آزمون‏های تک متغیره نشان داد می‏توان تفاوت معناداری بین عدم مدیریت بر ریسک ها و عدم سیستم کنترل های داخلی موثر در بنگاه های ورشکسته و نمونه کنترلی پیش از وقوع ورشکستگی مشاهده نمود. این تفاوت در بازه زمانی پنج سال قبل از ورشکستگی به حداکثر مقدار خود می ‏رسد. مدل پیش-بینی ورشکستگی در این مقاله که با استفاده از رگرسیون لجستیک ساخته شده است نشان داد که می‏توان از افزایش ریسک و عدم کنترل های داخلی به عنوان متغیر پیش بینی کننده ورشکستگی استفاده نمود و این متغیر عملکرد مدل‏ را به شکل معناداری بهبود می ‏بخشد.
    کلید واژگان: مدیریت ریسک، کنترل های داخلی، رگرسیون لجستیک، ورشکستگی، نسبت های مالی
    Habib Ghafari, Ali Amiri *, Hojjatallah Salari, Davood Khodadadi
    Internal controls are an integral part of risk management Very important in realizing the goals of companies has it. The stronger the internal controls are, the risk related to economic enterprises will decrease and their efficiency will increase due to the more correct use of available resources. On the other hand, weak internal control increases the risk of economic enterprises and leads to bankruptcy of economic enterprises. Risk management is a process that the board of directors, management It is designed to formulate the strategies of companies enterprises and identifying potential events and to be able to identify risks in order to provide a reasonable assurance of achieving the goals of an effective economic enterprise. This article, relying on the framework of Kosovo, which every organization should take steps to establish according to its own conditions, examines the role of management on risks and applying optimal internal controls to predict the bankruptcy of economic enterprises using financial ratios. The research sample consists of 71 bankrupt economic enterprises and 71 non-bankrupt economic enterprises as a control sample during the time period of 2011-2014. The results of the investigations showed that with the establishment of effective internal controls and risk management, the value of economic enterprises increases and the risk of bankruptcy decreases. Also, the results of univariate tests showed that there is a significant difference between the lack of risk management and the lack of effective internal control system in bankrupt companies and the control sample before bankruptcy. This difference reaches its maximum value in the period of five years before bankruptcy. The bankruptcy prediction model, which was built using logistic regression, showed that increased risk and lack of internal controls can be used as predictors of bankruptcy, and this variable significantly improves the performance of the model.
    Keywords: Risk Management, Internal Controls, Logistic Regression, Bankruptcy, Financial Ratio
  • فاطمه پورخاقان، محمدرضا فلسفی نژاد*، علی دلاور، مسعود گرامی پور
    زمینه و هدف
    هدف مطالعه حاضر، شناسایی منابع کنش افتراقی سوال در آزمون استخدامی فرماندهی انتظامی سال 1401 با استفاده از مدل درختان متمرکز بر سوال است.
    روش
    پژوهش حاضر از نظر هدف، کاربردی و از نظر روش، توصیفی است. هم چنین با توجه به این که این پژوهش آزمون های استخدامی را مورد بررسی قرار می دهد از حیث روش، از نوع ارزش یابی است. جامعه آماری شرکت کنندگان در آزمون استخدامی فرماندهی انتظامی سال 1401 به تعداد 2000 نفر است که به صورت تمام شمار در نظر گرفته شد. اما به دلیل وجود داده های گمشده (یعنی مواردی که داوطلبان به سوالات آزمون پاسخ نداده اند) حجم نمونه مجموعه داده معتبر برابر با 1098 نفر مبنای تحلیل قرار گرفت. برای تحلیل داده ها و آشکارسازی کنش افتراقی سوال با استفاده از مدل درختان متمرکز بر سوال از بسته DIFtree در نرم افزار R استفاده شد.
    یافته ها
    یافته ها نشان داد که 6 سوال در حالت یکنواخت و 6 سوال در حالت غیریکنواخت کنش افتراقی دارد. در حالت یکنواخت، سوالات 20 و 89 با توجه به متغیر سن و سوالات 21،23، 52 و 74 با توجه به متغیر رشته تحصیلی، کنش افتراقی دارد. در حالت یکنواخت، متغیرها تعاملی در القای کنش افتراقی ندارند. در حالت غیریکنواخت، در سوال 27، هر دو متغیر سن و رشته تحصیلی در تعامل با هم کنش افتراقی دارند و در سوالات 13،34، 49 و 55 با توجه به متغیر رشته تحصیلی و سوال 92 با توجه به متغیر سن، کنش افتراقی دارند.
    نتایج
    مدل درختان متمرکز بر سوال مبتنی بر رگرسیون لجستیک به خوبی توانسته است وجود جهت گیری را در سوالات آزمون نشان دهد و این مهم می تواند نویدبخش بهبود روش شناسی آزمون های استخدامی برگزار شده باشد.
    کلید واژگان: کنش افتراقی سوال، آزمون استخدامی فراجا، رگرسیون لجستیک، مدل درختان متمرکز بر سوال
    Fatemeh Pourkhaqan, Mohammad Reza Falsafinejad *, Ali Delavar, Masoud Geramipour
    Background and objectives
    The purpose of the present study is to identify the differential item functioning sources of the questions in the police command employment test in 2022 using the item-focused tree model.
    Method
    In terms of its objectives the current research is of applied research type and in terms of method it is a descriptive study. Also, due to the fact that this research examines employment tests, in terms of method, it is of evaluation type. The statistical population included all 2000 participants in the employment test of police command in 2022. However, due to the existence of missing data (i.e. cases where the candidates did not answer the test questions), the sample size of the valid data set included 1098 individuals that was used as the basis of the analysis. DIFtree package in R software was used to analyze the data and reveal the differential item functioning of the question using the item-focused tree model.
    Findings
    The findings showed that 6 items in the uniform mode and 6 items in the non-uniform mode have a differential functioning. In the uniform mode, items 20 and 89 with regard to the age variable and items 21, 23, 52 and 74 with regard to the academic field variable have a differential functioning. In the uniform mode, the variables do not interact in inducing differential functioning. In the non-uniform condition, in item 27, both age and field of study variables interact differently, and in items 13, 34, 49, and 55, according to the field of study variable and item 92, according to the age variable, have a different functioning.
    Results
    The item-focused tree model on the question based on the logistic regression has been able to show the existence of direction in the test questions and this can promise to improve the methodology of the employment tests.
    Keywords: Differential Item Functioning, I.R.I. Police Employment Test, Logistic Regression, Item-Focused Tree Model
  • Mohammad Moradi, Hoda Eskandar *, Hassan Yazdifar, Aziz Seyedi, Hadi Eskandar
    An auditor evaluates whether financial statements which the firms issue in public, present a fair view. The audit report is a formal letter containing independent verification of the quality of financial statements used for making economic decisions. Hence, the issuance of such a report offers pertinent details about the firm and enhances confidence degree in the financial statements. This study predicts audit opinion of the firms listed on the Tehran Stock Exchange (TSE) during 2018-2020 using a new metaheuristic algorithm named Water Cycle Algorithm (WCA) and compares its results with one of the most popular methods called logistic regression (LG). 24 variables were extracted from the literature and used for this prediction. Four evaluating criteria were used to compare the predictions of the two methods. According to the findings, the superiority of the criteria in the WCA was confirmed in comparison with LG. Since WCA was more appropriate, users of financial reports can use it to predict audit opinions in interim statements.  Auditors can also utilize it for evaluating and accepting clients, thereby achieving an acceptable level of audit risk, as a quality control tool.
    Keywords: Audit Opinion, Water Cycle Algorithm, Logistic Regression
  • Bita Salmanpoursohi, Amir Daneshvar *, Shakiba Salmanpoursohi, Adel Pourghader Chobar, Fariba Salahi
    Recently, cancer has become one of the main diseases and causes of death of people all over the world. For this purpose, extensive research has been done on the prediction and early detection of this disease in the body of patients in different fields. Artificial intelligence and data mining approaches are among the methods that have helped researchers in diagnosing this disease. In this research, a machine learning approach for early and timely diagnosis of cancer disease is presented. For this purpose, it uses logistic regression techniques, Naive Bayes, two versions of Random Forest and Support Vector Machine, which work in parallel with each other. As a result of the integration of the techniques, the proposed system achieves higher accuracy and reduces errors compared to the basic methods. The performance of the proposed method was evaluated using different criteria and showed superior results compared to traditional methods.
    Keywords: Logistic Regression, Naive Bayes, Random Forest, Support Vector Machine, Cancer Detection
  • S. Thangamayan, Anurag Sinha *, Vishal Moyal, K. Maheswari, Nimmala Harathi, Ahmad Nur Budi Utama
    This paper gives a performance analysis of multiple vote classifiers based on meta-classification methods for estimating the risk of diabetes. The study's dataset includes a number of biological and clinical risk variables that can result in the development of diabetes. In the analysis, classifiers like Random Forest, Logistic Regression, Gradient Boosting, Support Vector Machines, and Artificial Neural Networks were used. In the study, each classifier was trained and evaluated separately, and the outcomes were compared to those attained using meta-classification methods. Some of the meta-classifiers used in the analysis included Majority Voting, Weighted Majority Voting, and Stacking. The effectiveness of each classifier was evaluated using a number of measures, including accuracy, precision, recall, F1-score, and Area under the Curve (AUC). The results show that meta-classification techniques often outperform solo classifiers in terms of prediction precision. Random Forest and Gradient Boosting, two different classifiers, had the highest accuracy, while Logistic Regression performed the worst. The best performing meta-classifier was stacking, which achieved an accuracy of 84.25%. Weighted Majority Voting came in second (83.86%) and Majority Voting came in third (82.95%).
    Keywords: Voting Classifiers, Meta-Classification Technique, Diabetes Risk Prediction, Biomedical, Clinical Risk Factors, Random forest, Logistic regression, Gradient Boosting, Support Vector Machines
  • صمد ایازی*

    این تحقیق با هدف بررسی رابطه بین معیارهای فیزیکی مدیریت محیط زیست و مدیریت کربن، در شهرک صنعتی شهرکرد در طی سال 1400 انجام گرفت. برای تحقق هدف و پاسخ به فرضیه تحقیق، با انجام آمار استنباطی، تحلیل استنباطی شامل همبستگی جزیی (تفکیکی) و رگرسیون لجستیک، وجود ارتباط بین معیارهای فیزیکی محیط زیست شامل مصرف آب ، مصرف برق و مصرف گاز شرکت های فعال در شهرک صنعتی شهر کرد و مدیریت کربن مورد بررسی قرار گرفت. با توجه به اطلاعات دریافتی از سایت استانداری چهارمحال و بختیاری و بانک اطلاعات کارخانه های استان چهار محال وبختیاری، تعداد 8 شرکت فعال و بزرگ، جامعه آماری پژوهش حاضر را تشکیل دادند. داده های مورد نیاز تحقیق بصورت ترکیبی با استفاده از پرسشنامه استاندارد و میدانی کسب گردید. بر اساس نتایج تحقیق، فرضیه مبتنی بر وجود ارتباط بین کلیه معیارهای مدیریت محیط زیست و مدیریت کربن در شرکت های مستقر در شهرک صنعتی شهرکرد تایید شد.

    کلید واژگان: معیارهای فیزیکی مدیریت محیط زیست، مدیریت کربن، رگرسیون لجستیک
    Samad Ayazi

    The aim of this study was to investigate the relationship between physical criteria of environmental management and carbon management in Shahrekord industrial town during the year 1400. In order to achieve the goal and respond to the research hypotheses, by performing inferential statistics, inferential analysis including partial correlation and logistic regression, the relationship between three environmental physics criteria, i.e., water, electricity and gas consumption with carbon management was investigated. According to the information received from Chaharmahal and Bakhtiari governorate website and the databases of the factories in this province, eight active and large companies have formed the statistical population of this study. The required data were obtained using a combination of a standard questionnaire and referring to water and wastewater department, gas department and electricity department in proximity to the location where the companies were situated. Informed by the results of the study, the hypothesis suggesting the relationship between physical criteria of environmental management and carbon management in companies located in Shahrekord industrial town was confirmed.

    Keywords: Physical criteria of environmental management, carbon management, logistic regression
  • حسن قربانی، میترا قنبرزاده*، رضا افقی
    پیشینه و اهداف

    حفظ مشتریان همواره به عنوان مهم ترین شاکله در همه صنایع تلقی می شود و صنعت بیمه نیز از این امر مستثنی نیست. طی سال های اخیر در ایران و با افزایش فروش بیمه نامه های زندگی، حفظ مشتریان بیمه به گونه ای مورد توجه مدیران و صاحب نظران صنعت بیمه قرار گرفته است که با ارایه پوشش های متنوع بیمه ای طیف وسیعی از مشتریان خود را راضی نگه دارد. امروزه، ایجاد حس رضایت در مشتریان بیمه های زندگی توسط شرکت های بیمه یک هنر محسوب می شود و هر چه شرکت بیمه مشتریان بیشتری را راضی نگه دارد، دیگر نگران بازخرید و خارج شدن مشتریان خود نیست. هدف اصلی مقاله، پیاده سازی روش های داده کاوی در پیش بینی ریزش مشتری و شناسایی عوامل تاثیرگذار بر ریزش مشتری در محصولات بیمه زندگی یکی از شرکت های بیمه در ایران است. منظور از پیش بینی ریزش مشتری شناسایی مطلوب طبقه یا کلاس مربوط به بیمه نامه هایی است که قبل از پایان یافتن زمان پوشش بیمه، به درخواست بیمه گذار، متوقف و پایان می یابد.

    روش شناسی

     در مقاله حاضر، سعی شده است با بهره گیری از الگوریتم های داده کاوی مانند جنگل تصادفی، درخت تصمیم، رگرسیون لجستیک و شبکه عصبی به طبقه بندی مشتریان بیمه های زندگی بر اساس ریزش و یا عدم ریزش بپردازیم. داده های مورد استفاده در این تحقیق، شامل اطلاعات بیمه نامه های زندگی یک شرکت بیمه پایلوت در سال 1398 در استان تهران است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد.

    یافته ها

     نتایج تحقیق حاکی از عملکرد بالای الگوریتم های جنگل تصادفی، درخت تصمیم ، رگرسیون لجستیک و شبکه عصبی در پیش بینی کلاس مربوط به ریزش مشتریان دارد. براساس نتایج حاصل از تحقیق، احتمال باز خرید در زنان و افراد دارای مشاغل پر ریسک و سن بالاتر، ببشتر است. از طرف دیگر، افرادی که در ابتدا پرداخت حق بیمه را به صورت سالانه، حق بیمه کمتر و درصد ضریب تغییر سرمایه و ریسک سرمایه بیشتری را انتخاب کرده اند، احتمال بازخرید آن ها کمتر بوده است.

    نتیجه گیری

     با توجه به بلندمدت بودن بیمه های زندگی و نیاز به نقدینگی مشتریان با توجه به شرایط اقتصادی، شرکت های بیمه باید توجه بیشتری به مشتریان بیمه های زندگی داشته باشند و ضمن رصد رفتار مشتری در طول بیمه نامه، برنامه های وفاداری به جهت حفظ مشتری را در دستور کار خود قرار دهند.

    کلید واژگان: بیمه زندگی، جنگل تصادفی، درخت تصمیم، رگرسیون لجستیک، ریزش مشتری، شبکه عصبی
    H. Ghorbani, M. Ghanbarzadeh *, R. Ofoghi
    BACKGROUND AND OBJECTIVES

    Customer retention is always considered as the most important principle in all industries, and the insurance industry is no exception. During the recent years in the Iranian society, with the increase in the sale of life insurance policies, the retention of insurance customers has become more and more important to the managers and experts of the insurance industry so that they can keep a wide range of customers. Nowadys, creating a sense of satisfaction in life insurance customers as a management art has been noticed by insurance companies. The more customers the insurance company can keep happy, the less they worry about redemptions and exits. The main goal of this research is to implement data mining methods in predicting customer churn and identifying factors affecting customer churn in the life insurance products of one of Iran's insurance companies. The purpose of customer loss forecasting is to identify the desired class or class related to insurance policies that are suspended or canceled at the request of the policyholder before the end of the insurance coverage period.

    METHODS

    In this paper, we have tried to classify life insurance customers based on abdication or non-withdrawal using data mining algorithms such as random forest, decision tree, logistic regression and neural network. The data used in this research include the information of life insurance policies of an insurance company in 2019 in Tehran province, which has a high and appropriate share in the portfolio of the insurance industry. To evaluate and compare these 4 methods, different criteria will be used. In the field of data mining, and in particular the problem of classification, the confusion matrix as a special tabulation makes it possible to visualize the performance of an algorithm. The confusion matrix shows how many true and false predictions have been made for each class, and based on these values, different criteria for classification evaluation and accuracy measurement can be defined.

    FINDINGS

    The results of the research show that random forest, decision tree, logistic regression and neural network algorithms have high performance in predicting the class related to customer churn. Based on the results of the research, the probability of re-buying was better in women and people with high-risk jobs and older age. On the other hand, people who initially paid the insurance premium annually or chose a lower premium and a higher percentage of capital change factor and capital risk, the probability of their redemption was less.

    CONCLUSION

    Considering that life insurance is usually long-term and also considering the liquidity needs of customers and the current economic conditions of the society, insurance companies should pay more attention to life insurance customers. Also, they should put fidelity programs in order to keep customers on their agenda by continuously monitoring the customer's behavior during the insurance policy.

    Keywords: Customer churn, decision tree, logistic regression, Neural Network, Random forest
  • ابرو نورجان *، جان دنیز کوکسال

    مدل های پیش بینی شکست مالی با استفاده از تحلیل رگرسیون لجستیک بر مبنای روش های سنتی آماری و تحلیل پوششی داده ها توسعه یافته اند که یک روش ناپارامتریک ریاضی-محور است. در این مقاله، این روش روی گزارش های مالی شرکت های حاضر در شاخص 100 شرکت بزرگ بورس استانبول (بیست 100) بین سالهای 2014 تا 2016 به کار گرفته شده است. برای تدوین این مدلها، متغیرهای لحاظ شده در مدل به اندازه روش مورد استفاده مهم هستند. به همین دلیل، روش تحلیل رابطه خاکستری برای تعیین شاخص های موثر بر وضعیت مالی شرکت ها مورد استفاده قرار گرفت. نتایج به دست آمده نشان داد که مدل رگرسیون لجستیک، به عنوان یک مدل پیش بینی، نرخ پیش بینی بالاتری از روش تحلیل پوششی داده ها در پیش بینی شکست مالی شرکت ها دارد. با این حال، تحلیل پوششی داده ها هم یک راه آسان و سریع برای پیش بینی شکست مالی بوده و به شرکت هایی توصیه می شود که برای موفقیت نیاز به بهبود شاخص های مشخص شده دارند. به علاوه، ما دریافتیم که هر دو روش در پیش بینی شکست مالی قابل اجرا هستند، اما هر یک دارای مزایا و معایب خاص خود هستند.

    کلید واژگان: شکست مالی، تحلیل رابطه خاکستری، تحلیل پوششی داده ها، رگرسیون لجستیک
    Ebru Nurcan *, Can Deniz Köksal

    Financial failure prediction models have been developed by using Logistic Regression (LR) analysis from traditional statistical methods and Data Envelopment Analysis (DEA), which is a mathematically based nonparametric method over the financial reports of the companies traded in The Istanbul Stock Exchange National 100 Index (BIST 100) between the years 2014-2016. In the development of these models, the variables included in the model are as important as the method applied. For this reason, the gray relational analysis method has been considered in determining the indicators that affect the financial situation of the companies. As a result of the analysis, it was determined that the LR model, which is one of the prediction models, has a higher rate of prediction power than the data envelopment analysis in predicting the financial failure of the companies. However, DEA is also an easy and fast method for predicting financial failures, and is recommended to companies on the indicators that they need to improve in order to be successful. As a result of the study, it has been found that both methods are feasible in the prediction of financial failure, but these methods also have different advantages and disadvantages.

    Keywords: Financial failure, Gray Relational Analysis, Data Envelopment Analysis, Logistic regression
  • غلامرضا خجسته، سعید دایی کریم زاده*، حسین شریفی رنانی
    زمینه و هدف

    در بین انواع مختلف ریسک هایی که نظام بانکی با آن مواجه است، ریسک اعتباری از جایگاه ویژه ای برخوردار است. عدم توجه به این ریسک، نظام بانکی را با خطر ورشکستگی و هدر رفت منابع مواجه می کند. از این رو توسعه مدل هایی در جهت تفکیک انواع مشتریان نظام بانکی چه در حوزه نظری و چه در حوزه عملی جایگاه ویژه ای داشته است. بنابراین ضرورت، پژوهش حاضر به پیش بینی ریسک اعتباری مشتریان حقیقی شعب بانک قوامین شهرستان شیراز، بر اساس مدل ترکیبی رگرسیون لجستیک و رگرسیون سمبلیک می پردازد.

    روش شناسی

    این پژوهش از نظر هدف کاربردی و از نظر شیوه جمع آوری داده ها، توصیفی پیمایشی است. جامعه آماری پژوهش را کلیه مشتریان حقیقی دریافت کننده تسهیلات از شعب بانک قوامین شهرستان شیراز تشکیل می دهد. حجم نمونه بر اساس فرمول کوکران 384 پرونده تسهیلاتی تعیین و در نهایت به روش نمونه گیری تصادفی طبقه ای نسبی، 351  پرونده در بازه 1396-1390 در اختیار پژوهشگر قرار گرفت. جهت انتخاب متغیرهای مستقل از معیار C5 استفاده شده و با نظرسنجی از نخبگان حوزه مربوطه 17 متغیر توضیح دهنده شامل متغیرهای مالی و غیر مالی برای طبقه بندی مشتریان به خوش حساب و بد حساب تعیین گردید. در نهایت از بین متغیرهای موجود با استفاده از تکنیک انتخاب رو به جلوی والد، 5 متغیر اثرگذار بر ریسک اعتباری انتخاب  و به منظور آموزش، از رگرسیون سمبلیک  دارای 4 ژن و همچنین برای انتخاب نقطه برش بهینه  از منحنی مشخصه عملکرد استفاده گردید.

    یافته ها

    یافته ها نشان داد که از بین 17 متغیر مستقل، متغیرهای متوسط درآمد ماهیانه، تعداد چک برگشتی، سابقه بدهی بانکی، طول عمر حساب و نوع وثیقه دارای بیشترین اثر معنادار بر متغیر وابسته می باشند. همچنین مشخص شد که دقت مدل ترکیبی رگرسیون لجستیک- سمبلیک در طبقه بندی مشتریان خوش حساب برابر 88/0 و در طبقه بندی مشتریان بد حساب برابر 83/0 بوده است.

    نتیجه گیری

    با توجه به یافته های پژوهش، در جامعه آماری پژوهش، نتایج حاصل از مدل ترکیبی رگرسیون لجستیک- سمبلیک در رتبه بندی اعتباری مشتریان حقیقی بهتر از روش رگرسیون لجستیک بوده و می توان دقت پیش بینی مدل ترکیبی رگرسیون لجستیک- سمبلیک در این راستا را مناسب ارزیابی کرد.

    کلید واژگان: ریسک اعتباری، رگرسیون لجستیک، رگرسیون سمبلیک، منحنی مشخصه عملکرد
    Gholamreza Khojasteh, Saeid Daee Karimzade *, Hosein Sharifi Ranani
    Purpose

    Credit risk holds a special place among all different types of risks. Lack of attention to this risk may cause bankruptcy and waste of resources. Therefore, the development of models to differentiate different types of banking system customers is eminent in both theoretical and practical fields. This study predicts real customer credit risk of Qavamin Bank branches of Shiraz based on a logistic-symbolic regression approach.

    Methodology

    In order to accomplish the purpose and objectives of the research, this study employed a survey research and correlation method. The statistical population of the study consisted of all real customers who received facilities from the branches of Qavamin Bank of Shiraz. Based on the population, the size of sample was calculated using Cochran formula. Then, the size of sample was estimated at 384 (number of facilities). Furthermore, the 351 cases were identified between 2011- 2017 using stratified random sampling method. The C5 criterion was used to select the independent variables. In addition, 17 explanatory variables including financial and nonfinancial variables were identified to classify customers as good (credit worthy) and bad (non-credit worthy), using a questionnaire. Finally, 5 variables influencing credit risk were selected from parent variables using forward parent selection technique. For this purpose, symbolic regression with 4 genes as well as optimum cut-off point was used to select the optimal cut-off point.

    Findings

    The results showed that among the 17 independent variables, the mean monthly income variables, the number of checks payable, bank debt history, account lifetime and type of collateral had the most significant effect on the dependent variable. Also, it was found that the accuracy of the hybrid logistic-symbolic regression model was 0.88 among good customers and 0.83 among bad customers.

    Results

    accuracy of the results of logistic-symbolic regression model in the credit rating of real customers is better than the logistic regression model. Furthermore, the prediction accuracy of the hybrid logistic-symbolic regression model is adequate and satisfying.

    Keywords: Credit Risk, Logistic regression, symbolic regression, receiver operating characteristics
  • Gholamreza Khojasteh, Saeed Daei Karimzadeh *, Hossein Sharifi Ranani
    The issue of credit risk and deferred bank claims is one of the sensitive issues of banking industry, which can be considered as the main cause of bank failures. In recent years, the economic slowdown accompanied by inflation in Iran has led to an increase in deferred bank claims that could put the country's banking system in serious trouble. Accordingly, the current paper presents a prediction model for credit risk of real customers of Qavamin Bank Branch in Shiraz, using a combined approach of logistic regression and neural network. Therefore, the necessary examinations were carried out on a sample of 351 individuals from the real customers of the bank in the period 2011-2012. According to the information available, 17 variables were extracted including financial and non-financial variables for classifying customers into well-balanced s and ill-balanced s. Among the variables, five effective variables on credit risk were selected using the parent forward stepwise selection technique, which was used to train neural networks with three neurons in the hidden layer. the optimum cutting point was selected based on the performance curve of the system and the results of the neural network output on the test data show that the accuracy of the combined model in the classifier of well-balanced customers is .89 and in the category of ill-balanced customers is .83 that is better than the results of logistic regression and in general, it is possible to estimate the accuracy of prediction.
    Keywords: Credit Risk, Logistic regression, Neural Networks, Receiver Operating Characteristic (ROC)
  • Yumeng Ye *, John Talburt
    This paper describes a series of experiments in using logistic regression machine learning as a method for entity resolution. From these experiments the authors concluded that when a supervised ML algorithm is trained to classify a pair of entity references as linked or not linked pair, the evaluation of the model’s performance should take into account the transitive closure of its pairwise linking decisions, not just the pairwise classifications alone. Part of the problem is that the measures of precision and recall as calculated in data mining classification algorithms such as logistic regression is different from applying these measures to entity resolution (ER) results.. As a classifier, logistic regression precision and recall measure the algorithm’s pairwise decision performance. When applied to ER, precision and recall measure how accurately the set of input references were partitioned into subsets (clusters) referencing the same entity. When applied to datasets containing more than two references, ER is a two-step process. Step One is to classify pairs of records as linked or not linked. Step Two applies transitive closure to these linked pairs to find the maximally connected subsets (clusters) of equivalent references. The precision and recall of the final ER result will generally be different from the precision and recall measures of the pairwise classifier used to power the ER process. The experiments described in the paper were performed using a well-tested set of synthetic customer data for which the correct linking is known. The best F-measure of precision and recall for the final ER result was obtained by substantially increasing the threshold of the logistic regression pairwise classifier.
    Keywords: Entity resolution, Record linking, Machine learning, Logistic regression, Transitive closure
  • نرجس قاسم نیا عربی، عبدالحمید صفایی قادی کلایی *
    در حال حاضر در نظام بانکداری، عدم بازپرداخت تسهیلات به یکی از بزرگ ترین مسائل تبدیل شده است و به دلیل عدم وجود یک سیستم مناسب برای تخصیص تسهیلات، بانک ها و موسسات مالی دچار مشکلات عدیده ای ازجمله افزایش حجم مطالبات معوق شده اند. نظر به اهمیت ریسک اعتباری، بانک های تجاری در سطح دنیا درگذشته اغلب از روش قضاوتی برای تعیین ریسک استفاده می نمودند، لکن استفاده از این روش ها با توجه به توان محدود انسان ها در تحلیل هم زمان فاکتورهای مختلف موثر بر ریسک اعتباری در مقایسه با روش های آماری و هم چنین روش های هوش مصنوعی از کارایی کمتری برخوردار است. به همین منظور این تحقیق درصدد است تا کارایی مدل رگرسیون لجستیک و شبکه عصبی مصنوعی را در تشخیص وضعیت اعتباری مشتریان بانک در فاصله زمانی سال 1388-1392 بسنجد. بررسی نتایج نشان داد که دقت کل مدل شبکه عصبی در داده های آموزش 87% و رگرسیون لجستیک 2/77% تعیین شده است و خطای نوع اول و دوم در شبکه عصبی به میزان قابل ملاحظه ای نسبت به روش دیگر کاهش یافته است. با توجه به نتایج نمی توان انتظار داشت مدل های آماری با مفروضات کلاسیک نظیر خطی بودن روابط متغیرها، بتوانند ریسک اعتباری مشتریان را به درستی ارزیابی نماید؛ از این رو بکارگیری یا تلفیق تکنیک های هوش مصنوعی در این مساله ضرورتا توصیه می شود.
    کلید واژگان: اعتبار سنجی، شبکه عصبی مصنوعی، رگرسیون لجستیک، سیستم بانکی
    Narjes Ghasemnia Arabi, Abdolhamid Safaei Ghadikolaei*
    Currently, in the banking system, defaults in the repayment of loans have become one of the biggest problems, and banks and financial institutions have faced many problems such as the increase in the volume of outstanding receivables due to the lack of an appropriate system for allocating facilities. Considering the importance of credit risks, commercial banks used to apply judgment methods for determining those risks. However, the use of these methods was not efficient enough due to limited human abilities and, at the same time, various factors affecting credit risks in contrast to statistical methods as well as artificial intelligence methods. For this reason, this article measures the efficiency of logistic regression models and artificial neural networks in detection of bank customers’ credit status in the period of 2009-2013. The results indicated that the total accuracy rates of the Artificial Neural Network model and the Logistic Regression model were 87% and 77.2% respectively, and the error types I and II were reduced significantly in the neural network. According to the results, statistical models cannot be expected to properly evaluate the credit risk of customers with classical assumptions such as the linear relationship between variables. Therefore, application and integration of artificial intelligence techniques is strongly recommended in this regard.
    Keywords: Credit scoring, Artificial neural network, Logistic regression, Banking system
  • علی اقبالی، حسین رضوی حاجی آقا، حنان عموزاد*
    با توجه به اهمیت بحث اعتبارسنجی مشتریان در تصمیم گیری موسسه های اعتباری برای اعطای تسهیلات، تحقیقات گسترده ای در خصوص روش های رتبه بندی اعتباری انجام شده است. الگوریتم های ژنتیک به عنوان یکی از روش های محاسبه تکاملی، از جمله روش هایی است که در این زمینه استفاده می شود. مقالات بسیاری در مقایسه عملکرد الگوریتم های ژنتیک و سایر روش های رتبه بندی رایج منتشر شده است، اما جزئیات چندانی درباره تابع شایستگی مورد استفاده در الگوریتم ژنتیک ارائه نشده، در حالیکه تابع شایستگی تاثیر شایان توجهی بر عملکرد مدل کلی دارد. برای بررسی بیشتر موضوع، در مقاله حاضر سه تابع شایستگی قابل استفاده در الگوریتم ژنتیک مطرح شده و عملکرد آنها با سایر روش های رتبه بندی اعتباری شامل رگرسیون لجستیک و تحلیل پوششی داده ها مقایسه شده است. نتایج به دست آمده حاکی از برتری عملکرد تابع درجه دو الگوریتم ژنتیک از لحاظ مجموع شاخص های صحت، تشخیص و حساسیت است.
    کلید واژگان: الگوریتم ژنتیک، تابع شایستگی، تحلیل پوششی داده ها، رتبه بندی اعتباری، رگرسیون لجستیک، روش های ارزشیابی، مدیریت ریسک
    Ali Eghbali, Seyed Hossein Razavi Hajiagha, Hannan Amoozad *
    a lot of studies have been done about customer credit scoring, considering importance of the topic on credit institutions decision making. As an evolutionary computation method, Genetic algorithm is one of the methods used in this field. A variety of papers are published on comparing the performance of genetic algorithms with other scoring method but there is little information regard to fitness functions while these fitness functions play a vital role in overall performance of the model. To further investigation of the problem, three different fitness functions are proposed in the current paper and their performance is compared with other scoring methods including logistic regression and data envelopment analysis. The obtained results have shown that genetic algorithms quadratic function totally outperformed other methods based on accuracy, detection and sensitivity criteria.
    Keywords: Credit scoring, Data Envelopment Analysis, Evaluation methods, Fitness function, Genetic Algorithm, Logistic regression, Risk management
  • نرجس قاسم نیا عربی، عبدالحمید صفایی قادیکلایی
    همواره مهم ترین عامل در تعیین وضعیت اعتباری مشتریان، بررسی ریسک اعتباری آن ها بوده است. در گذشته ریسک اعتباری غالبا با قضاوت شهودی تعیین می گردید که در مقایسه با روش های آماری و هوش مصنوعی که اخیرا مورد توجه قرار گرفته اند ازکارایی کمتری برخوردار بوده است. این در حالی است که بکارگیری روش های آماری، مستلزم توزیع مشخص داده ها می باشد و از طرف دیگر استفاده از روش های هوش مصنوعی نیز مستلزم محاسبات پیچیده، هزینه بر بوده و مدل های ارائه شده از آن نیز غیرقابل تفسیر و تحلیل است. از این رو مقاله حاضر سعی دارد با استفاده از رویکرد جدیدی از بکارگیری مدل های تصمیم گیری چند معیاره، ضمن کاهش پیچیدگی محاسبات و عدم نیاز به فرض خاصی برای داده ها، به طبقه بندی مشتریان اعتباری بپردازد. در تحقیق حاضر، رویکرد C-TOPSIS که بر پایه روش TOPSIS می باشد به عنوان رویکردی جدید از کاربرد فنون تصمیم گیری چندمعیاره، برای طبقه بندی مشتریان اعتباری بانک بکارگرفته شد. برای سنجش اعتبار رویکرد جدید C-TOPSIS، عملکرد این مدل با عملکرد مدل کلاسیک رگرسیون لجستیک در تشخیص وضعیت اعتباری مشتریان شعب بانک سینا در فاصله زمانی سال 1388-1392 مورد مقایسه قرار گرفت. نتایج نشان داد که مدل C-TOPSIS با دقت کل 8/58% عملکرد بهتری در مقایسه با رگرسیون لجستیک با دقت 4/54% داشته است و خطای نوع اول و دوم در C-TOPSIS نیز به میزان قابل ملاحظه ای نسبت به روش دیگرکاهش یافته است.
    کلید واژگان: مدل های تصمیم گیری چند معیاره، رگرسیون لجستیک، ارزیابی ریسک اعتباری، روش C، TOPSIS
    Narjes Ghasemnia Arabi, Abdolhamid Safaei Ghadikolaei
    Evaluating the credit risk has been the most important factor in determining the customer's credit status. In the past, credit risk often determined by intuitive judgment that was inefficient compared to statistical and artificial intelligence methods which recently have been considered. Whereas the use of statistical methods requires specific data distribution, on the other hand use of artificial intelligence requires complex and costly calculations, and its obtained models are not interpretable. Hence, this paper attempts to use a new approach of applying multi criteria decision making models while reducing the computational complexity and lack of need for specific assumption for data to classify the credit customers. In this study C-TOPSIS approach that is based on the TOPSIS technique was used as a new approach of applying MADM for classifying the credit customers of bank. To assess the validity of C-TOPSIS approach, the performance of this method was compared to the performance of logistic regression model in credit status detection of Sina bank customers in the period 1388-1392. The results indicated that C-TOPSIS model has more accuracy (58.82 %) than logistic regression model (54.4%), in fact Type-I error and Type-II error of C-TOPSIS significantly decreased compared to other method.
    Keywords: Multi, Criteria Decision Making, Logistic Regression, Credit Risk Evaluation, C, TOPSIS Method
  • سید حبیب الله میرغفوری*، زهره امین آشوری
    ارائه مدلی جهت ارزیابی ریسک اعتباری مشتریان بانک ها با رویکرد داده کاوی مورد مطالعه: مشتریان حفوقی بانک تجارت استان تهران بانک های تجاری به منظور مدیریت ریسک اعتباری، از روش های امتیازدهی اعتباری متفاوتی برای ارزیابی عملکرد مالی شرکت-های متقاضی تسهیلات اعتباری استفاده می کنند. در این تحقیق از یک روش پارامتریک (رگرسیون لجستیک) و یک روش ناپارامتریک (درخت تقسیم و رگرسیون) برای ایجاد مدل امتیازدهی اعتباری استفاده شده است. برای ساخت مدل امتیاز دهی اعتباری داده های مربوط به 282 شرکت کوچک و متوسط وام گیرنده از یکی از شعب بانک تجارت استان تهران مورد استفاده قرار گرفت. 13 نسبت مالی به عنوان شاخص های تعیین کننده وضعیت مالی شرکت های انتخاب شده به کار گرفته شدند. با استفاده از این دو روش نسبتپ های موثر و همچنین دقت روش های مذکور در طبقه بندی مشتریان مشخص شد. با مشاهده نتایج حاصل از ارزیابی این روش ها می توان فهمید که روش های ناپارامتریک دارای دقت قابل رقابتی با روش های پارامتریک می باشند.
    طبقه بندی JEL: G21، E51
    کلید واژگان: ریسک اعتباری، مدل امتیازدهی اعتباری، رگرسیون لجستیک، درخت تقسیم و رگرسیون
    Seyed Habib Mirghafori, Z. Amin
    Presenting a Model for measuring Credit Risk of Bank customers using Data Mining Approach Case:Tehran Tejarat Bank CustomersFor managing credit risk, commercial banks use various scoring methodologies to evaluate the financial performance of client firms. In this study a parametric model (Logistic regression) and a nonparametric model (Classification and regression tree) used in order to conduct credit scoring models. These models designed by using 13 financial ratios as independent variables and gathering data from 282 companies and then compared in term of accuracy rate. These models specified the important variables which affect on classification and credit risk. Observed results detected that accuracy rate of nonparametric methods are competitive with parametric methods.or managing credit risk, commercial banks use various scoring methodologies to evaluate the financial performance of client firms. In this study a parametric model (Logistic regression) and a nonparametric model (Classification and regression tree) used in order to conduct credit scoring models. These models designed by using 13 financial ratios as independent variables and gathering data from 282 companies and then compared in term of accuracy rate. These models specified the important variables which affect on classification and credit risk. Observed results detected that accuracy rate of nonparametric methods are competitive with parametric methods.JEL classification: G21, E51
    Keywords: credit risk, credit scoring model, logistic regression, classification, regression tree
  • آیدینگ کرنژادی، مجید اونق، امیر سعدالدین
    تحقیق پیش رو بر تهیه ی نقشه ی پهنه بندی خطر و خسارت زمین لغزش در حوضه ی آبخیز بحرانی زیارت گرگان متمرکز شده است. نقشه ی شدت خسارت زمین لغزش از معادله ی وارنس (معادله ی عمومی ریسک) و از ترکیب سه نقشه ی خطر، عناصر در معرض خطر و درجه ی آسیب پذیری تهیه می شود. برای پهنه بندی خطر زمین لغزش از دو روش آماری چند متغیره (رگرسیون لجستیک) و مدل LNRF استفاده شده است. پس از اعمال نرخ به طبقات پارامترها، نقشه ی شدت خطر زمین لغزش برای هر یک از مدل ها تهیه شد. مدل برتر به وسیله ی چهار شاخص جمع کیفیت ها (Qs)، دقت نتایج پیش بینی شده (P)، ROC و آزمون کای اسکوئر انتخاب شد و مبنای تهیه ی نقشه ی خسارت قرار گرفت. نتایج نشان می دهد که مدل رگرسیون لجستیک برای پهنه بندی خطر زمین لغزش کارایی بیشتری دارد و 62/13 درصد و 04/9 درصد از حوضه ی آبخیز زیارت شامل روستای زیارت به ترتیب در پهنه ی خطر و خسارت زیاد و خیلی زیاد قرار می گیرند.
    کلید واژگان: پهنه بندی، معادله ی وارنس، LNRF، رگرسیون لجستیک
    Aiding Kornejady, Majid Ownegh, Amir Sadoddin
    This paper has focused on landslide hazard and risk zonation in the critical Ziarat watershed. Varnes equation and combination of Hazard map، elements at risk map and vulnerability map were used in the preparation of the risk map. Two quantitative models، including multivariate statistical (logistic regression) and LNRF model were used in the preparation of the hazard map. After applying the rate to the classes of parameters، Landslide hazard zonation was prepared for each of the models. The prior model was selected using four indices، including Quality summation (Qs)، Precision of the predicted results (P)، Receiver Operating Characteristic (ROC) and Chi-Square test and used in preparation of risk zonation. Results indicated that the logistic regression model shows a better performance for landslide hazard zonation and 13. 63 and 9. 04 percent of Ziarat watershed –including Ziarat village– were located in a high and very high zone of hazard and risk maps respectively.
    Keywords: Zonation, Varnes equation, LNRF, Logistic regression
  • P. Theerthaana, S. Sharad
    Email marketing is increasingly recognized as an effective Internet marketing tool. In this study, a questionnaire is constructed and distributed to a sample of 146 prospects of Aditi Technologies to find the factors associated with higher response rates. The collected data is analyzed using Factor Analysis and the 11 factors, From Line, Subject Line, Personalization of the subject line, Timings for sending mails, Frequency of mailing, Length of the Emails, Incentives to respond, Pre-existing Business Relationship, Permission based emails, Links and Image are extracted and it explains 78.363% of variance. These 11 factors is analyzed using Multiple Linear Regression and the. 922 R square value indicates that 9 independent variables, Permission based emails, Length of Email, Timings, From Line, Frequency of mailing, Preexisting Business, Personalization, Incentives to respond, Subject Line contributes to higher response rate. This study also investigates marketing campaigns of Aditi Technologies using RFM, CHAID, and logistic regression segmentation methods. One-way ANOVA is used to analyze the data and it is found that there exists no difference between the three approaches. The study concludes that RFM is the most commonly used segmentation approach, however RFM may focus too much attention on transaction information (recency, frequency, and monetary value) and ignore individual difference information (e.g., values, motivations, lifestyles) that may help a firm to better market to their customers. This consideration would favor analytical techniques such as CHAID and logistic regression that can accommodate a variety of personality and individual difference information.
    Keywords: Data mining segmentation, RFM (Recency, Frequency, Monetary value), CHAID, Logistic regression, Email, Marketing campaigns, Response rate
  • علی نقی مصلح شیرازی، محمد نمازی، علی محمد، احمد رجبی*

    در این مقاله به مدل سازی الگوی تصمیم گیری مدیران بخش صنعت و عوامل اثرگذار بر آن، با توجه به رویکرد رفتاری پرداخته می شود. برای این منظور با طراحی پرسشنامه و جمع آوری اطلاعات از مدیران صنایع استان فارس، داده های مورد نیاز را جمع آوری می گردد و سپس به مدل سازی الگوی تصمیم گیری مدیران براساس روش رگرسیون لجستیک پرداخته می شود. نتایج تحقیق نشان می دهند که بیشتر مدیران مورد بررسی در تصمیم گیری های خود، از الگوی رفتاری تبعیت می کنند. یکی از علل اصلی این موضوع، وجود خطاهای رفتاری در مدیران است؛ به طوری که این خطاها باعث می شوند مدیران از الگوی عقلایی در تصمیم گیری استفاده نکنند و به تصمیم گیری رفتاری گرایش بیشتری داشته باشند. علاوه بر خطاهای رفتاری، متغیرهایی مانند جنسیت، سطح تحصیلات، تجربه و مالکیت، بر انتخاب الگوی تصمیم گیری مدیران تاثیر می گذارند. با توجه به اینکه خطاهای رفتاری معمولا به عدم تصمیم گیری بهینه توسط مدیران منجر می شود، راهکارهای لازم برای کاهش این خطاها و انتخاب الگوی تصمیم گیری بهینه ارائه شده است.

    کلید واژگان: تصمیم گیری رفتاری، خطاهای رفتاری، مدلسازی الگوهای تصمیم گیری، تصمیم گیری عقلایی
    Alinaghi Mosleh Shirazi, Mohammad Namazi, Ali Mohammadi, Ahmad Rajabi

    In this study, manager’s decision-making pattern and its internal parameter effects in industrial departments with respect to behavioral and rational perspective were investigated. For this purpose, a questionnaire was designed, and mention the 50 number of managers of manufacturing industries were interviewed and data were collected with respect to the inter organization factors affecting decision making process, including identifying behavioral errors and general information related to the managers. Then, based on the logistic regression, the pattern of the model decision-making the managers were designed. Results showed that more than 68 percent of the managers surveyed decided based on the behavioral patterns. Also, variables such as gender, education-level, experience and manager’s ownership affected the choice of their decisions making pattern. In addition, the behavioral errors lead them to behavioral decision making. Given than the behavioral errors in the organizations usually leads to a lack of optimal decision making by managers, the necessary strategies are provided to reduce errors and to obtain the optimal decision making pattern by the managers.

    Keywords: Rational Decision Making, Behavioral Decision Making, Behavioral Errors, Logistic Regression
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال