Νέα Μεθοδολογία για την Χρηματοπιστωτική Αξιολόγηση Επικινδυνότητας Ναυτιλιακών Εταιρειών με Στόχο την Αειφορία
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.005 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.046 | 0.033 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".