Νέα Μεθοδολογία για την Χρηματοπιστωτική Αξιολόγηση Επικινδυνότητας Ναυτιλιακών Εταιρειών με Στόχο την Αειφορία
Notice bibliographique
Résumé
Το περιβάλλον της ναυτιλιακής βιομηχανίας, στο οποίο δραστηριοποιούνται οι ναυτιλιακές εταιρείες, χαρακτηρίζεται από συνεχείς διακυμάνσεις και μεταβολές, γεγονός που έχει σαν επακόλουθο οι διαφόρων μορφών επενδύσεις σε τέτοιου είδους εταιρείες, να υπόκεινται σε υψηλό ρίσκο. Το στοιχείο αυτό εντάθηκε σε μεγάλο βαθμό από την παγκόσμια κρίση που ξέσπασε στο χρηματοπιστωτικό τομέα την περίοδο 2007-2008, η οποία θα μπορούσε να χαρακτηριστεί και σαν κρίση φερεγγυότητας και ρευστότητας του χρηματοοικονομικού συστήματος. Λαμβάνοντας υπ' όψιν τα στοιχεία αυτά, γίνεται φανερό ότι είναι επιτακτική η ανάγκη ενός μακροπρόθεσμου προγραμματισμού των ναυτιλιακών εταιρειών, με σκοπό τη βιώσιμη χρηματοδότηση, δηλαδή τη διάκριση εκείνων των επιχειρήσεων οι οποίες πρέπει να επιλεχθούν για να γίνουν επενδύσεις, ώστε να μειωθεί το χρηματοοικονομικό ρίσκο και να μεγιστοποιηθούν τα ανταποδοτικά οφέλη από την επένδυση. Τα κύρια στοιχεία από τα οποία αποτελούν τις πηγές άντλησης των οικονομικών πληροφοριών των εταιρειών, είναι οι οικονομικές τους καταστάσεις, ενώ τα βασικά εργαλεία με τα οποία πραγματοποιείται η σύγκριση, αξιολόγηση και αξιοποίηση αυτών των πληροφοριών είναι οι χρηματοοικονομικοί δείκτες (Financial Ratios). Η παρούσα διπλωματική εργασία έχει σαν αντικείμενο, την κατάταξη των επιλεγμένων ναυτιλιακών εταιρειών σε κλάσεις βάση χρηματοοικονομικών δεικτών αξιολόγησης, την ταυτοποίηση της κατάταξης αυτής και την πρόβλεψη της κατάταξης τους μετά από χρονική περίοδο ενός και δυο τριμήνων (1 and 2 Quarter Forecasting). Μέσα από την διαδικασία αυτή, επιχειρείται να καθοριστεί η ποσοστιαία επίδραση των επιλεγμένων χρηματοοικονομικών δεικτών-μεταβλητών στην κατάταξη των εταιρειών, με σκοπό την επιλογή αυτών οι οποίοι είναι κρίσιμοι για την εύρυθμη λειτουργία των εταιρειών. Πολύ αξιόλογα επιστημονικά εργαλεία για την μελέτη και διαχείριση μεγάλου όγκου ψηφιακών πληροφοριών και μεταβλητών με ευρύ πεδίο μεταβολής τιμών, είναι τα λογισμικά άντλησης δεδομένων (data mining tools). Βρίσκονται ακόμη σε αρχικό στάδιο εξέλιξης και αυτό τα καθιστά ελκυστικά σε περαιτέρω έρευνα όσον αφορά προβλήματα βελτιστοποίησης, δίνοντας στην εργασία μας, στην οποία η επεξεργασία των δεδομένων γίνεται με ένα τέτοιου είδους λογισμικό, ένα ιδιαίτερο στοιχείο στην προσέγγιση του ενδιαφέροντος του αναγνώστη. Η διπλωματική εργασία, ξεκινά με γενική αναφορά στα είδη της ναυτιλιακής χρηματοδότησης, την ανάλυση της παγκόσμιας οικονομικής κρίσης και των ναυτιλιακών κλάδων και εταιρειών που θα επεξεργαστούμε. Ακολουθεί η περιγραφή των οικονομικών καταστάσεων των εταιρειών και η σύνδεσή τους με τους χρηματοοικονομικούς δείκτες, που αποτελούν και τις μεταβλητές του προβλήματος μας. Έπειτα αναλύεται το θεωρητικό υπόβαθρο του λογισμικού άντλησης δεδομένων που θα χρησιμοποιηθεί (συγκεκριμένα του C5), ώστε η λειτουργία του να γίνει πιο κατανοητή στον αναγνώστη. Η δημιουργία της τελικής βάσης δεδομένων, στηρίχθηκε στην επιλογή ενός συγκεκριμένου αριθμού εταιρειών μεταφοράς ξηρού (dry cargo) και υγρού φορτίου (wet cargo), χρηματιστηριακά εισηγμένων στην αγορά της Αμερικής και για μελέτη 17 χρονικών περιόδων-τριμήνων με εκκίνηση το πρώτο τρίμηνο του 2007. Η επιλογή των χρηματοοικονομικών δεικτών-μεταβλητών που αναλύθηκαν έγινε μετά από συζήτηση με έμπειρους επαγγελματίες που ασχολούνται με την χρηματιστηριακή χρηματοδότηση. Η τελική βάση επεξεργάστηκε από το λογισμικό άντλησης δεδομένων και εξήχθησαν ενδιαφέροντα αποτελέσματα και προβλέψεις. Τα αποτελέσματα που προκύπτουν είναι ιδιαίτερα αξιόλογα, με αρκετά χαμηλό και αποδεκτό ποσοστό αποτυχίας πρόβλεψης και ταυτοποίησης, αποδεικνύοντας την ικανότητα του λογισμικού άντλησης δεδομένων στην διαχείριση μεγάλου όγκο δεδομένων με πολλές αυξομειώσεις. Η σωστή ερμηνεία των αποτελεσμάτων, μπορεί να προσφέρει την δυνατότητα αναγνώρισης οικονομικών στοιχείων των επιχειρήσεων, τα οποία απαιτούν περαιτέρω επεξεργασία και βελτίωση, για την ισχυροποίηση της οικονομικής δύναμης και προοπτικής τους. Επιπρόσθετα, θα μπορούν οι οικονομικοί επενδυτές να έχουν μια εικόνα των επιχειρήσεων που διαχειρίζονται με τον πιο αποτελεσματικό τρόπο τα διαθέσιμά τους, και επομένως οι χρηματοοικονομικοί τους δείκτες οδηγούν σε μια υψηλή κατάταξη γι' αυτές, και να επιλέγουν για επενδύσεις εκείνες που ορίζοντα προόδου και ανάπτυξης.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,033 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».