Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων
Η επιχείρηση, ως θεσμός, σε παγκόσμιο επίπεδο, βρίσκεται αντιμέτωπη με την οικονομική κρίση, η οποία δυσχεραίνει τη βιωσιμότητά της. Για αυτό αποτελεί αδήριτη αναγκαιότητα η πρόβλεψη της πτώχευσής της. Τις τελευταίες δεκαετίες έχουν διεξαχθεί μελέτες βασισμένες στην ανάπτυξη μεθόδων που θα εκτιμού...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12530 |
| id |
nemertes-10889-12530 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-125302022-09-05T04:43:37Z Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων Business failure forecasting with data mining methods Καραγεώργου, Ιωάννα Κωτσιαντής, Σωτήριος Γράψα, Θεοδούλα Ράγγος, Όμηρος Karageorgou, Ioanna Πτώχευση Επιχείρηση Εξόρυξη δεδομένων Μοντέλα πρόβλεψης Business Bankruptcy Data mining Techniques 658.15 Η επιχείρηση, ως θεσμός, σε παγκόσμιο επίπεδο, βρίσκεται αντιμέτωπη με την οικονομική κρίση, η οποία δυσχεραίνει τη βιωσιμότητά της. Για αυτό αποτελεί αδήριτη αναγκαιότητα η πρόβλεψη της πτώχευσής της. Τις τελευταίες δεκαετίες έχουν διεξαχθεί μελέτες βασισμένες στην ανάπτυξη μεθόδων που θα εκτιμούν τη μελλοντική εξέλιξη της επιχείρησης. Σκοπός της παρούσας διπλωματικής εργασίας είναι η χρήση μεθόδων εξόρυξης δεδομένων ώστε να καταστεί επιτυχής η πρόβλεψη της πτώχευσης ή μη μιας επιχείρησης. Στο πρώτο μέρος της εργασίας ορίζονται οι έννοιες της εταιρικής αποτυχίας και της πτώχευσης. Ταυτόχρονα, αναλύεται η διαδικασία πτώχευσης βάσει του Νόμου 3588/2007 του ελληνικού πτωχευτικού κώδικα. Στο δεύτερο μέρος περιγράφεται η μέθοδος εξόρυξης δεδομένων. Παράλληλα, αναλύονται οι μέθοδοι μηχα- νικής μάθησης που χρησιμοποιήθηκαν κατά την διαδικασία της μελέτης - Multilayer Perceptron, Decision Tree, Random Forest, AdaBoost, Bagging-RF -. Τέλος, παρουσιάζεται η μεθοδολογία που εφαρμόστηκε σε δεδομένα, κάνοντας χρήση του πακέτου scikit-learn της γλώσσας προγραμματισμού PYTHON. Ως απόρροια της μεθοδολογίας που ακολουθήθηκε στην παρούσα διπλωματική εργασία, προκύπτει ότι πρα- κτικά το μοντέλο πρόβλεψης με τη μέγιστη συνολική ακρίβεια ως προς την ορθή ταξινόμηση των στιγμιοτύπων του συνόλου εκπαίδευσης είναι η μέθοδος Bagging με χρήση του ταξινομητή Random Forest. The business, as an institution, at a global level, faces the economic crisis, which making it more sustainable. This is why it is imperative to predict its bankruptcy. Over the last decades, studies have been conducted based on the development of methods that will assess the future development of the business. The purpose of this diploma thesis is to use data mining methods to make them the failure to predict the bankruptcy of a business. The first part of the thesis defines the concepts of corporate failure and bankruptcy. At the same time, the bankruptcy procedure under Law 3588/2007 of the Greek Bankruptcy Code is analyzed. The second part describes the method of mining data. At the same time, the methods of learning process used in the study process - Multilayer Perceptron, Decision Tree, Random Forest, AdaBoost, Bagging-RF -. Finally, we present the methodology applied to data, using the PYTHON programming language scikit-learn package. As a result of the methodology followed in this dissertation, it appears that the predictive model with the highest overall precision for the correct sorting of snapshots of the training set is the Bagging method using the Random Forest classifier. 2019-09-26T20:50:39Z 2019-09-26T20:50:39Z 2019-06-19 Thesis http://hdl.handle.net/10889/12530 gr 0 application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Πτώχευση Επιχείρηση Εξόρυξη δεδομένων Μοντέλα πρόβλεψης Business Bankruptcy Data mining Techniques 658.15 |
| spellingShingle |
Πτώχευση Επιχείρηση Εξόρυξη δεδομένων Μοντέλα πρόβλεψης Business Bankruptcy Data mining Techniques 658.15 Καραγεώργου, Ιωάννα Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| description |
Η επιχείρηση, ως θεσμός, σε παγκόσμιο επίπεδο, βρίσκεται αντιμέτωπη με την οικονομική κρίση, η οποία
δυσχεραίνει τη βιωσιμότητά της. Για αυτό αποτελεί αδήριτη αναγκαιότητα η πρόβλεψη της πτώχευσής της. Τις
τελευταίες δεκαετίες έχουν διεξαχθεί μελέτες βασισμένες στην ανάπτυξη μεθόδων που θα εκτιμούν τη μελλοντική
εξέλιξη της επιχείρησης.
Σκοπός της παρούσας διπλωματικής εργασίας είναι η χρήση μεθόδων εξόρυξης δεδομένων ώστε να καταστεί
επιτυχής η πρόβλεψη της πτώχευσης ή μη μιας επιχείρησης.
Στο πρώτο μέρος της εργασίας ορίζονται οι έννοιες της εταιρικής αποτυχίας και της πτώχευσης. Ταυτόχρονα,
αναλύεται η διαδικασία πτώχευσης βάσει του Νόμου 3588/2007 του ελληνικού πτωχευτικού κώδικα.
Στο δεύτερο μέρος περιγράφεται η μέθοδος εξόρυξης δεδομένων. Παράλληλα, αναλύονται οι μέθοδοι μηχα-
νικής μάθησης που χρησιμοποιήθηκαν κατά την διαδικασία της μελέτης - Multilayer Perceptron, Decision Tree,
Random Forest, AdaBoost, Bagging-RF -. Τέλος, παρουσιάζεται η μεθοδολογία που εφαρμόστηκε σε δεδομένα,
κάνοντας χρήση του πακέτου scikit-learn της γλώσσας προγραμματισμού PYTHON.
Ως απόρροια της μεθοδολογίας που ακολουθήθηκε στην παρούσα διπλωματική εργασία, προκύπτει ότι πρα-
κτικά το μοντέλο πρόβλεψης με τη μέγιστη συνολική ακρίβεια ως προς την ορθή ταξινόμηση των στιγμιοτύπων
του συνόλου εκπαίδευσης είναι η μέθοδος Bagging με χρήση του ταξινομητή Random Forest. |
| author2 |
Κωτσιαντής, Σωτήριος |
| author_facet |
Κωτσιαντής, Σωτήριος Καραγεώργου, Ιωάννα |
| format |
Thesis |
| author |
Καραγεώργου, Ιωάννα |
| author_sort |
Καραγεώργου, Ιωάννα |
| title |
Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| title_short |
Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| title_full |
Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| title_fullStr |
Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| title_full_unstemmed |
Πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| title_sort |
πρόβλεψη πτωχεύσεων επιχειρήσεων με μεθόδους εξόρυξης δεδομένων |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/12530 |
| work_keys_str_mv |
AT karageōrgouiōanna problepsēptōcheuseōnepicheirēseōnmemethodousexoryxēsdedomenōn AT karageōrgouiōanna businessfailureforecastingwithdataminingmethods |
| _version_ |
1771297125982797824 |
