DANMARKS NATIONALBANK
|
|
- Augusta Holst
- 5 år siden
- Visninger:
Transkript
1 ANALYSE DANMARKS NATIONALBANK 21. JANUAR 2019 NR. 3 Tekstbaseret machine learning forbedrer konkursmodellering Machine learning forbedrer beregning af konkurssandsynlighed Tekstbaserede data tilføjer brugbar information Revisorpåtegninger har størst effekt Machine learning giver mulighed for nye modelleringsmetoder og for at benytte ustrukturerede data. Det øger nøjagtigheden af de beregnede konkurssandsynligheder for virksomheder. Inddragelse af ustrukturerede data i form af tekst fra virksomheders regnskaber øger informationsgrundlaget og forbedrer muligheden for at forudse konkurser. Det er særligt revisorpåtegninger, som indeholder brugbar information, når man beregner konkurssandsynligheder.
2 2 Evnen til at forudse virksomheders konkurser forbedres, hvis man ikke kun baserer sin vurdering på regnskabstal, men også på tekster fra regnskaberne. Det viser resultaterne i et working paper 1 offentliggjort i november 2018, hvor machine learning-metoder anvendes til at beregne konkurssandsynligheder på baggrund af regnskabstekster. Eksempel på revisorpåtegning Boks 1 Det er vores vurdering, at der ikke er realistiske muligheder for at fremskaffe finansiering, og vi tager derfor forbehold for, at årsregnskabet er aflagt under forudsætning af fortsat drift. I papiret undersøges det, om to tekststykker (revisorpåtegninger og ledelsesberetninger), som findes i størstedelen af danske virksomheders regnskaber, kan bidrage med brugbar information om en virksomheds konkursrisiko. Det skal vel og mærke være information, som ikke allerede er givet i regnskabstallene. sandsynlighed. Det er dog ikke sikkert, at informationen er fuldt afspejlet i regnskabstallene. På den måde er der potentiale for, at en konkursmodel kan forbedres ved at inddrage information fra den type tekststykker. I denne analyse gennemgås hovedresultaterne fra undersøgelsen. Det er især revisorpåtegninger, som bidrager med brugbar information, når det kommer til at forudsige en virksomheds konkursrisiko. Formål med konkursmodel Formålet med en konkursmodel er at beregne sandsynligheden for, at en virksomhed kommer i vanskeligheder og i sidste ende går konkurs. En sådan beregning kan have mange forskellige anvendelsesmuligheder. Set ud fra synspunktet om finansiel stabilitet kan det give et billede af, om nogle banker er mere eksponerede over for virksomheder, der er, eller er på vej, i økonomiske vanskeligheder. En klassisk konkursmodel er typisk baseret på virksomheders regnskabstal samt nogle virksomhedskarakteristika som fx branche og alder. Ud over diverse regnskabstal indeholder virksomhedernes regnskaber også to tekststykker: revisorpåtegninger og ledelsesberetninger, der kan betegnes som ustrukturerede data. I boks 1 ses et uddrag af en revisorpåtegning. Som det fremgår, har revisorerne i dette tilfælde en negativ holdning til virksomhedens fortsatte drift. Det kan indikere, at virksomheden har en forhøjet konkurs- Hvad er machine learning? Machine learning er ikke et nyt fænomen, men har eksisteret siden 1940 erne, hvor de første teoretiske modeller blev udviklet. Det er dog først i de seneste år, med den hurtige udvikling i computerkraft og kraftigt øgede mængde af tilgængelige data, at potentialet og interessen for at anvende og udvikle machine learning rigtig har taget fart. Machine learning adskiller sig fra mere konventionelle statistiske metoder, først og fremmest ved at gøre det muligt at modellere mere komplekse sammenhænge i data, som analytikeren ikke nødvendigvis kender på forhånd. Mens konventionelle metoder går ud på at fitte data til præspecificerede forhold mellem input- og outputvariable, tillader machine learning-metoder en friere tilgang til modelleringen af data, da de i højere grad lader data tale, frem for at forsøge at tvinge data til at tilpasse sig en bestemt funktionel form. Derudover giver machine learning-metoder nye muligheder for at bruge såkaldt ustrukturerede data, som fx billeder eller tekst. Som en del af den tekstbaserede konkursmodel indgår der tre former for neurale netværk: et convolutional neural network, et recurrent neural network og et klassisk neuralt netværk. En beskrivelse af, hvordan et neuralt netværk fungerer, er angivet i boks 2. 1 Hansen, Casper, Christian Hansen, Rastin Matin og Pia Mølgaard, Predicting distresses using deep learning of text segments in annual reports, Danmarks Nationalbank Working Paper, nr. 130, november 2018 (link).
3 3 Tekstanalyse Her gennemgås machine learning-metoden, som estimerer konkurssandsynligheder på baggrund af tekst. Modelleringen består af følgende tre trin: 1. ordrepræsentation, 2. semantikken i ordsammensætningen og 3. inddragelse af regnskabstal samt beregning af konkurssandsynlighed. I det følgende gennemgås disse tre trin kort. I dem alle indgår der en række valg af parametre, som løbende vil blive opdateret simultant, når modellen trænes. Det vil sige, at alle parametre er optimeret til netop vores problem, som er beregning af konkurssandsynlighed. Et diagram over den samlede model kan ses i figur 1. Trin 1: Ordrepræsentation Det første, vi skal gøre, er at danne en ordrepræsentation, som gøres ved såkaldt word2vec. Metoden går ud på at omdanne alle ord fra tekst til tal, som er lettere for modellen at arbejde med. Alle (unikke) ord omdannes til talrækker, som unikt identificerer det enkelte ord. Som en del af ordrepræsentationen kommer ord, der ligner hinanden i betydning, også til at ligne hinanden i talrepræsentationen, sådan at der kan laves beregninger på ordene i forhold til deres semantiske betydning. For eksempel vil talrepræsentationen af følgende ordkombination konge mand + kvinde ligge meget tæt op ad talrepræsentationen af ordet dronning. Diagram af tekstanalysemodellen Figur 1 Input Revisorpåtegning/ ledelsesberetning Blok 1 Blok 2 Skjulte lag Signal CNN Signal CNN Skjulte lag RNN Vægtning Input Konkurssands. Regnskabstal Skjulte lag NN Blok 3 CNN Signal Samlet signal Anm.: I det første inputlag opdeles teksten i blokke, der køres igennem hver deres CNN-netværk, som spytter et signal ud. Signalet fodres til RNN-netværket, som tager højde for tekstblokkenes placering i forhold til hinanden. Signalerne herfra vægtes i forhold til hinanden, og det samlede signal sættes sammen med regnskabstal og køres igennem et klassisk neuralt netværk, som til sidst producerer en konkurssandsynlighed.
4 4 Trin 2: Semantikken i ordsammensætningen Mens det første trin går ud på at forstå og repræsentere de enkelte ord i regnskabsteksten, handler dette trin om at forstå sammenhængen i ordene. Vi bevæger os altså væk fra simpel tekstanalyse, der blot forholder sig til de enkelte ord, hen imod at forstå betydningen af hele sætninger eller paragraffer i tekststykkerne. Specifikt gøres det ved først at opdele revisorpåtegningerne og ledelsesberetningerne i mindre, overlappende tekstblokke illustreret ved inputlaget yderst til venstre i figur 1. Alle blokkene i laget udgør tilsammen én revisorpåtegning eller én ledelsesberetning. Ved hjælp af et såkaldt convolutional neural network, CNN, dannes der en lavdimensional repræsentation af semantikken af hele tekstblokken. Signalerne fra de enkelte blokke samles herefter til et samlet semantisk signal, der skal repræsentere hele tekststykket. Det gøres i et såkaldt recurrent neural network, RNN, der sekventielt læser de enkelte signaler fra blokkene og samler dem til et endeligt signal. Således læser netværket hele teksten og danner sig et samlet signal, hvori rækkefølgen af de enkelte tekststykker kan have betydning. Hvis der fx indgår en negation før et positivt ord, forstår det neurale netværk, at betydningen af sætningen er negativ. Trin 3: Inddragelse af regnskabstal samt beregning af konkurssandsynlighed I dette trin kombineres ovenstående samlede signal fra teksten med de konventionelle regnskabsdata, og modellen færdigtrænes på både numeriske og tekstbaserede data i et neuralt netværk, NN. Træning af modellen går ud på at fodre den med en masse eksempler på virksomheder, angivet med en kombination af deres regnskabstal og regnskabstekster, samt en indikator for, om de er gået konkurs eller ej. Baseret på alle disse kendte eksempler lærer modellen, hvilke kombinationer af regnskabstal og tekstsignaler en virksomhed under konkurs typisk vil være karakteriseret ved i forhold til en ikke-konkursramt virksomhed. Måden, den lærer dette på, er, groft sagt, ved at prøve sig frem. Baseret på de input den fodres med, angiver den et gæt på, om en virksomhed er under konkurs eller ej. Eftersom vi allerede kender svaret, kan modellen revurdere sit gæt i forhold til det rigtige svar ved at ændre på parametrene i netværket og undersøge, om revurderingen bringer den tættere på det rigtige svar. Det gøres mange gange, indtil modellen kommer så tæt på det rigtige svar som muligt. Træningen af modellen går hele vejen ned igennem systemet. Det vil sige, at når modellen prøver sig frem med en ny løsning, vil den også ændre på signalerne, der dannes i trin 2. Undgå at modellen over-fitter Fordi machine learning-modeller indeholder store mængder data og mange forskellige parametre, er der stor risiko for, at sådanne modeller vil over-fitte. Det vil sige, at modellen bliver rigtig god til at forudsige konkurssandsynligheden for de virksomheder, som er i træningssættet, men ikke nødvendigvis klarer sig godt på et nyt sæt af virksomheder. For at undgå over-fitting evalueres modellens forudsigelsesevne løbende på et valideringssæt. Træningen af modellen fortsætter kun, så længe den forbedrer sig både med hensyn til træningssættet og med hensyn til valideringssættet. Metoden kaldes krydsvalidering og er almindeligt brugt inden for machine learning. Resultater og konklusion Modelevaluering og sammenligningsgrundlag I alt implementeres tre forskellige neurale netværk, der indeholder tekst: 1. en model, som indeholder både revisorpåtegninger og ledelsesberetninger, 2. en model, som kun indeholder revisorpåtegninger, og 3. en model, som kun indeholder ledelsesberetninger. Ydermere implementeres to modeller kun baseret på regnskabstal: 1. et neuralt netværk (uden tekst), som udnytter de gode egenskaber ved machine learning-modeller dog kun på konventionelle regnskabstal, og 2. en logistisk regression, som er en konventionel statistisk metode til at forudsige konkurser. Disse to modeller skal bruges som sammenligningsgrundlag for at undersøge, om modellerne, der inddrager tekst, bliver bedre til at forudsige virksomhedernes konkurssandsynlighed. For at sammenligne modellernes forudsigelsesevne bruges AUC (Area Under the receiver operating characteristics Curve). AUC måler sandsynligheden for, at en model placerer en højere risiko på en tilfældig virksomhed, som går konkurs i et givet år, end på en tilfældig virksomhed, som ikke gør. AUC siger altså først og fremmest noget om rangeringen af virk-
5 5 somheder i forhold til deres konkurssandsynlighed. AUC-scoren vil altid ligge imellem 0,5 og 1. Jo tættere scoren er på 1, jo bedre er modellen til at rangere virksomhederne efter deres konkursrisiko. Resultater I figur 2 vises AUC for de fem forskellige modeller. Der er flere interessante resultater. Sammenlignes AUC for den logistiske regression med det neurale netværk uden tekst, fremgår det, at forudsigelsesevnen forbedres væsentligt ved at implementere en machine learning-model frem for en konventionel statistisk model, på trods af at de to modeller benytter samme datagrundlag. Herudover ser vi, at modellerne, som inddrager tekst, klarer sig endnu bedre end det neurale netværk, der kun inddrager regnskabstal. Forskellen i AUC mellem tekstmodellerne og det neurale netværk uden tekst er alle statistisk signifikante på et 1-pct.s niveau. Altså kan vi konkludere, at der er brugbar information i regnskabsteksterne, som kan udnyttes i en konkursmodel til at opnå en bedre forudsigelsesevne. Modellernes relative forudsigelsesevne AUC 0,845 0,840 0,835 0,830 0,825 0,820 0,815 0,810 0,805 0,800 0,795 Revisor + ledelse Revisor Figur 2 Anm.: AUC for de fem forskellige modeller. AUC er et mål for, hvor godt modellen rangerer virksomheder efter deres konkurssandsynlighed. En høj AUC-score betyder, at modellen har en bedre forudsigelsesevne. Kilde: Bisnode og egne beregninger. Ledelse NN (uden tekst) Logit Det er ydermere interessant, at modellen med revisorpåtegninger klarer sig bedre end begge de to andre tekstbaserede modeller, dog ikke statistisk signifikant bedre end modellen, der indeholder både ledelsesberetninger og revisorpåtegninger. Det kan altså ud fra denne model konkluderes, at der ikke er nogen nyttig information at hente i ledelsesberetningerne, ud over det som allerede er at finde i revisorpåtegningerne. Det kan skyldes, at revisorpåtegningerne angiver en mere objektiv vurdering af virksomhedens status, hvorimod ledelsen kan have en tendens til kun at fokusere på, hvad der går godt i virksomheden. Konklusion Som det fremgår, er machine learning-metoder brugbare, når det kommer til at forudsige konkurser. Muligheden for at forudse konkurser forbedres især ved at inddrage tekstbaseret analyse af revisorpåtegninger.
6 6 Neuralt netværk Boks 2 Et neuralt netværk kan minde om strukturen i den menneskelige hjerne, og specielt den måde hjernen behandler information og lærer på. Et neuralt netværk består af et inputlag, et eller flere såkaldt skjulte lag og et outputlag, jf. øverste figur. Hvert lag består af en række såkaldte neuroner, som indeholder unik information. I billedanalyse repræsenterer hvert neuron i inputlaget fx en pixel i et billede. Informationen fra dette lag bliver vægtet og kombineret i Input Skjulte lag Output det næste lag af neuroner. Sådan propagerer information gennem netværket og ender til sidst i outputlaget, hvor det endelige udfald angives, fx om billedet forstiller en hund eller ej. Ved at præsentere et neuralt netværk for en masse eksempler på kendte udfald kan det trænes til at genkende mønstre og sammenhænge, der kan bruges til at forudsige nye, og på forhånd ukendte, udfald. Hvis man fx vil lære netværket at genkende en hund på et billede, præsenteres det for en masse forskellige billeder af hunde, en masse forskellige billeder af andre dyr og en indikator for, om hvert enkelt billede viser en hund eller ej. Modellen starter så med at gætte på et udfald (fx hund/ ikke hund) baseret på det givne input. Herefter evalueres, hvor tæt gættet er på det faktiske udfald, og vægtene i det neurale netværk opdateres tilsvarende, hvorefter modellen forsøger at gætte på et udfald igen. Processen gentages, indtil netværkets gæt, som gradvist bliver mere og mere kvalificeret, kommer så tæt på det faktiske udfald som muligt. Træningsprocessen er illustreret i nederste figur. Input Machine learning-model Vægte initialiseres/ updateres Output Output sammenholdes med faktisk udfald
7 OM ANALYSE Som en konsekvens af Nationalbankens rolle i samfundet udarbejdes analyser af økonomiske og finansielle forhold. Analyserne udkommer løbende og omfatter bl.a. vurderinger af den aktuelle konjunktursituation og den finansielle stabilitet. Analysen består af en dansk og engelsk version. I tilfælde af tvivl om oversættelsens korrekthed gælder den danske version. DANMARKS NATIONALBANK HAVNEGADE KØBENHAVN K Redaktionen er afsluttet 18. januar 2019 Anna Kirstine Hvid Quantitative Risk Analyst Pia Mølgaard Quantitative Risk Analyst FINANSIEL STABILITET
DANMARKS NATIONALBANK 17.
ANALYSE DANMARKS NATIONALBANK 17. JUNI 2019 NR. 12 Få deltagere fylder meget på interbankmarkedet Det danske interbankmarked har 88 direkte deltagere, og omfanget af den likviditet, der i løbet af et år
Læs mereDANMARKS NATIONALBANK 13.
ANALYSE DANMARKS NATIONALBANK 13. SEPTEMBER 217 NR. 1 Der er igen stor mangel på arbejdskraft i byggeriet Andelen af bygge- og anlægsvirksomheder, der mangler arbejdskraft, er nu næsten på højde med midten
Læs mereHenrik Bulskov Styltsvig
Data Mining Henrik Bulskov Styltsvig Datalogiafdelingen, hus 42.1 Roskilde Universitetscenter Universitetsvej 1 Postboks 260 4000 Roskilde Telefon: 4674 2000 Fax: 4674 3072 www.dat.ruc.dk Målsætning Data
Læs mereDANMARKS NATIONALBANK
ANALYSE DANMARKS NATIONALBANK 21. FEBRUAR 2019 NR. 4 Risici i kreditgivningen til erhverv er stigende Ny indikator for risici i kreditgivningen Risici stiger typisk i opsving Ensartet udvikling på tværs
Læs mereDeep Learning. Muligheder og faldgruber. Glenn Gunner Brink Nielsen, Teknologisk Institut
Deep Learning Muligheder og faldgruber Glenn Gunner Brink Nielsen, Teknologisk Institut Deep Learning en klar succes! Siden de første convolutional netværk blev indført i 2012 har de domineret denne opgave.
Læs mereKundetilfredshedsundersøgelse 2012. Hovedrapport
Kundetilfredshedsundersøgelse 2 Hovedrapport Samlet resultat 2 3 Tilfredshed og Loyalitet Grafen til højre viser de samlede score for tilfredshed og loyalitet blandt de adspurgte kunder. På de næste sider
Læs mereHistorisk nemt at låne penge
Thorbjørn Baum, konsulent thob@di.dk, +45 3377 4616 Mathias Busk Tjørnum, stud.polit mabt@di.dk, +45 3377 4591 APRIL 2019 Historisk nemt at låne penge Virksomhederne har det bedste finansieringsklima i
Læs mereVirksomhedspraktik til flygtninge
Virksomhedspraktik til flygtninge Af Lasse Vej Toft, LVT@kl.dk Formålet med dette analysenotat er, at give viden om hvad der har betydning for om flygtninge kommer i arbejde efter virksomhedspraktik Analysens
Læs mereDer er betydelige stordriftsfordele ved betalinger
ANALYSE FRA BETALINGSRÅDET MARTS 2019 SERIE: OMKOSTNINGER VED BETALINGER I DANMARK 2016 Der er betydelige stordriftsfordele ved betalinger Stordriftsfordele gør populære betalingsformer billige for samfundet
Læs mereNotat. Testrapport - metode. Deep learning algoritme i billeddannende måleudstyr til måle- og klassificeringsanvendelser
Notat 7. december 2018 2006150-02-01 TMO,DBN,GLN,EVO Testrapport - metode Deep learning algoritme i billeddannende måleudstyr til måle- og klassificeringsanvendelser i fødevarevirksomheder. Introduktion
Læs mereDI's Virksomhedspanel: Udsigterne for beskæftigelsen på rekordniveau
Klaus Rasmussen, chefanalytiker kr@di.dk, 3377 3908 OKTOBER 2018 DI's Virksomhedspanel: Udsigterne for beskæftigelsen på rekordniveau DI s medlemsvirksomheder ser positivt på årets sidste kvartal. Deres
Læs mereEfter konkursen. Formål. Hovedkonklusioner. Efter konkursen Analyse udarbejdet af ASE i samarbejde med Erhvervsstyrelsen August 2012
Efter konkursen Formål Nærværende analyse er lavet i et samarbejde mellem a-kassen ASE og Erhvervsstyrelsen. Formålet med analysen er at afdække nogle specifikke forhold vedrørende konkurser. Herunder
Læs mereSelskabers risiko og kreditværdighed
Selskabers risiko og kreditværdighed - Analyse af A/S ers og ApS ers reviderede og ikke-reviderede årsregnskaber November 2015 www.fsr.dk FSR - danske revisorer er en brancheorganisation for godkendte
Læs mereBISNODES RATING. Ratingmodel og Ratingprincipper BISNODE
BISNODES RATING Ratingmodel og Ratingprincipper BISNODE Adresse: Gyngemose Parkvej 50, 8. sal, 2860 Søborg Telefon: 3673 8184, E-mail: business.support@bisnode.dk, Website: www.bisnode.com Generelt om
Læs mereAI is not ROBOTS
AI is not ROBOTS Dataetik og AI Regeringens Ekspertgruppe om dataetik lancerede 22. november 2018 deres anbefalinger. Den praktiske anvendelse af AI spillede en fremtrædende rolle i mange af diskussionerne,
Læs mereEn Bayesiansk tilgang til Credit Scoring
En Bayesiansk tilgang til Credit Scoring Et akademisk studie af: Daniel Lund, SAS Institute Rune Tousgaard Piil, Jyske Bank Ana Alina Tudoran, Aarhus Universitet Agenda Mål for studiet Vores tilgang til
Læs mereStudieretningsprojekter i machine learning
i machine learning 1 Introduktion Machine learning (ml) er et område indenfor kunstig intelligens, der beskæftiger sig med at konstruere programmer, der kan kan lære fra data. Tanken er at give en computer
Læs mereØkonomisk Analyse. Konkurser i dansk erhvervsliv
Økonomisk Analyse Konkurser i dansk erhvervsliv NR. 4 28. juni 211 2 Konkurser i dansk erhvervsliv Under den økonomiske krise steg antallet af konkurser markant. I 29 gik 5.71 virksomheder konkurs mod
Læs mereHver anden vil benytte øget åbningstid i dagtilbud
Børnefamiliers dagtilbud og arbejdsliv 17. maj 18 Hver anden vil benytte øget åbningstid i dagtilbud Halvdelen af alle lønmodtagere med børn mellem -13 år ville benytte sig af udvidede åbningstider i deres
Læs mereMatematik, maskiner og metadata
MATEMATIK, MASKINER OG METADATA VEJE TIL VIDEN Matematik, maskiner og metadata af CHRISTIAN BOESGAARD DATALOG IT Development / DBC 1 Konkrete projekter med machine learning, hvor computersystemer lærer
Læs mereUddybende beregninger til Produktivitetskommissionen
David Tønners Uddybende beregninger til Produktivitetskommissionen I forlængelse af mødet i Produktivitetskommissionen og i anledning af e-mail fra Produktivitetskommissionen med ønske om ekstra analyser
Læs mereINDVANDRERES TILKNYTNING TIL ARBEJDSMARKEDET
Januar 2003 Af Anita Vium - Direkte telefon: 33 55 77 24 Resumé: INDVANDRERES TILKNYTNING TIL ARBEJDSMARKEDET Indvandrere har større ledighed, mindre erhvervsdeltagelse og dermed lavere beskæftigelse end
Læs mereVTU. Virksomhedstilfredshedsmåling 2012 Via spørgeskemaundersøgelse. Construction College Aalborg. Construction College Aalborg.
VTU Virksomhedstilfredshedsmåling 01 Via spørgeskemaundersøgelse Uddannelser: 60,3 74,6 5, Administration og information Rekruttering af elever 54,3 60,6 Skoleperiodernes indhold 64,4 Motivation Elevens
Læs mereGrundtvigs Sandkasse
Introduction to the NFSG Sandbox Environment Computing, chcaa.io Aarhus University, Denmark April 23, 2019 Outline 1 2 3 Udvikling af computerbaseret forskning Aarhus Universitet har besluttet at understøtte
Læs mereEvaluering af Hold Hjernen Frisk
Evaluering af Hold Hjernen Frisk Udarbejdet på baggrund af Hold Hjernen Frisk Evalueringsrapport ved adjunkt Cathrine Lawaetz Wimmelmann & professor Erik Lykke Mortensen, Center for Sund Aldring, Københavns
Læs mereKunde- tilfredsheds- undersøgelse
Kunde- tilfredsheds- undersøgelse Hovedrapport 3 Samlet resultat og Graferne nedenfor viser de samlede score for tilfredshed og loyalitet blandt de adspurgte kunder. På de næste sider kan du se resultaterne
Læs mereKundetilfredshedsundersøgelse Hovedrapport
Kundetilfredshedsundersøgelse 2 Hovedrapport Samlet resultat 2 3 Tilfredshed og Loyalitet Grafen til højre viser den samlede score for tilfredshed og loyalitet blandt de adspurgte kunder. Tilfredshed handler
Læs mereFraktaler Mandelbrots Mængde
Fraktaler Mandelbrots Mængde Foredragsnoter Af Jonas Lindstrøm Jensen Institut For Matematiske Fag Århus Universitet Indhold Indhold 1 1 Indledning 3 2 Komplekse tal 5 2.1 Definition.......................................
Læs mereALGORITMER OG DATA SOM BAGGRUND FOR FORUDSIGELSER 8. KLASSE. Udfordring
ALGORITMER OG DATA SOM BAGGRUND FOR FORUDSIGELSER 8. KLASSE Udfordring INDHOLDSFORTEGNELSE 1. Forløbsbeskrivelse... 3 1.1 Overordnet beskrivelse tre sammenhængende forløb... 3 1.2 Resume... 5 1.3 Rammer
Læs mereIndledning...2 Ledelsesgabet...2 Ledelsesgabet fordelt på karakteristika...4 Scenarier Om analysens metode og datagrundlag...
Marts 2017 Ledelsesgabet blandt samfundsvidenskabeligt uddannede Indledning...2 Ledelsesgabet...2 Ledelsesgabet fordelt på karakteristika...4 Scenarier... 11 Om analysens metode og datagrundlag... 13 Analysen
Læs mereRegneark hvorfor nu det?
Regneark hvorfor nu det? Af seminarielektor, cand. pæd. Arne Mogensen Et åbent program et værktøj... 2 Sådan ser det ud... 3 Type 1 Beregning... 3 Type 2 Præsentation... 4 Type 3 Gæt... 5 Type 4 Eksperiment...
Læs mereDANMARKS NATIONALBANK 8.
ANALYSE DANMARKS NATIONALBANK 8. DECEMBER 2017 NR. 24 Danske husholdninger fravælger kontantbetalinger Mange danskere lever i stort omfang kontantfrit, og det må forventes, at endnu flere vil gøre det
Læs mereC) Perspektiv jeres kommunes resultater vha. jeres svar på spørgsmål b1 og b2.
C) Perspektiv jeres kommunes resultater vha. jeres svar på spørgsmål b1 og b. 5.000 4.800 4.600 4.400 4.00 4.000 3.800 3.600 3.400 3.00 3.000 1.19% 14.9% 7.38% 40.48% 53.57% 66.67% 79.76% 9.86% 010 011
Læs mereSeksuel chikane på arbejdspladsen. En undersøgelse af oplevelser med seksuel chikane i arbejdslivet blandt STEM-ansatte
Seksuel chikane på arbejdspladsen En undersøgelse af oplevelser med seksuel chikane i arbejdslivet blandt STEM-ansatte Juni 2018 Seksuel chikane på arbejdspladsen Resumé Inden for STEM (Science, Technology,
Læs mereNina Nielsen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCnordic. VIGTIGT
Læs mereMobning på arbejdspladsen. En undersøgelse af oplevelser med mobning blandt STEM-ansatte
Mobning på arbejdspladsen En undersøgelse af oplevelser med mobning blandt STEM-ansatte September 2018 Mobning på arbejdspladsen Resumé Inden for STEM (Science, Technology, Engineering & Math) var der
Læs mereReestimation af uddannelsessøgende
Danmarks Statistik MODELGRUPPEN Arbejdspapir * Nina Bech Runebo 19. maj 21 Reestimation af uddannelsessøgende Resumé: I papiret reestimeres ligningen for uddannelsessøgende. Reestimationen giver ikke pæne
Læs mereAnalyse fra Bisnode Credit
December 2013 Analyse af restaurationsbranchen Analyse fra Bisnode Credit BISNODE CREDIT A/S Adresse: Tobaksvejen 21, 2860 Søborg Telefon: 3673 8184, E-mail: business.support@bisnode.dk, Website: www.bisnode.com
Læs mereGod praksis ved brug af superviseret machine learning
Finanstilsynet 10. juli 2019 God praksis ved brug af superviseret machine learning 1. Indledning Den finansielle sektor bruger i stigende grad nye teknologier som f.eks. superviseret machine learning.
Læs mereAnmærkninger om selskabernes ulovlige lån
FSR ANALYSE / FEBRUAR 2018 Anmærkninger om selskabernes ulovlige lån Analyse af selskabernes 2016-årsregnskaber Undersøgelse af ulovlige lån i regnskaberne Godt 252.000 selskaber har indleveret et regnskab
Læs mereTilkendelser af førtidspension og fleksjob 2003-2012
7. MARTS 2014 Tilkendelser af førtidspension og fleksjob 2003-2012 AF ANDREAS ØSTERGAARD NIELSEN En samlet analyse af tilkendelsespraksis 2003-2012 Formålet med dette notat er at give en samlet beskrivelse
Læs mereDemo rapport. Rapporten genereret den: 8-10-2011 Powered by. Demo rapport - 1 / 42
Demo rapport Rapporten genereret den: 8-10-2011 Powered by Demo rapport - 1 / 42 Få udbytte af din feedback Det er almindelig kendt at arbejdsglæde og høj performance ofte er sammenhængende. UdviklingsKompas
Læs mereDANMARKS NATIONALBANK 6.
ANALYSE DANMARKS NATIONALBANK 6. JUNI 2017 NR. 9 Øget kapital i banker rammer ikke BNP-vækst Pengeinstitutterne har øget kapitalprocenten BNP-væksten er ikke blevet ramt af øget kapitalprocent Velkapitaliserede
Læs mereThomas Thomsen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCnordic. VIGTIGT
Læs mereLEMPELIG PENGEPOLITIK EN MEDVIRKENDE ÅRSAG TIL FINANSKRISEN
LEMPELIG PENGEPOLITIK EN MEDVIRKENDE ÅRSAG TIL FINANSKRISEN Den nuværende finanskrise skal i høj grad tilskrives en meget lempelig pengepolitik i USA og til dels eurolandene, hvor renteniveau har ligget
Læs mereHøj gæld i andelsboligforening højere risiko i lånevalg
19. februar 2013 Høj gæld i andelsboligforening højere risiko i lånevalg Vi har set nærmere på realkreditfinansieringen af andelsboligforeningerne herhjemme og udviklingen i denne over de senere år. Det
Læs mereBenchmarking af kommunernes sagsbehandling antagelser, metode og resultater
Benchmarking af kommunernes sagsbehandling antagelser, metode og resultater Anna Amilon Materiel vurdering Ved vurderingen af en afgørelses materielle indhold vurderes afgørelsens korrekthed i forhold
Læs mereAnalyse fra Bisnode Credit
Oktober 2013 Analyse af hoteller og overnatningsfaciliteter i Danmark Analyse fra Bisnode Credit BISNODE CREDIT A/S Adresse: Tobaksvejen 21, 2860 Søborg Telefon: 3673 8184, E-mail: business.support@bisnode.dk,
Læs mereBilag 7. SFA-modellen
Bilag 7 SFA-modellen November 2016 Bilag 7 Konkurrence- og Forbrugerstyrelsen Forsyningssekretariatet Carl Jacobsens Vej 35 2500 Valby Tlf.: +45 41 71 50 00 E-mail: kfst@kfst.dk Online ISBN 978-87-7029-650-2
Læs mereDe nationale tests måleegenskaber
De nationale tests måleegenskaber September 2016 De nationale tests måleegenskaber BAGGRUND De nationale test blev indført i 2010 for at forbedre evalueringskulturen i folkeskolen. Hensigten var bl.a.
Læs mereANALYSE. Mistede oplysninger når selskaber ikke revideres.
Mistede oplysninger når selskaber ikke revideres ANALYSE www.fsr.dk FSR - danske revisorer er en brancheorganisation for godkendte revisorer i Danmark. Foreningen varetager revisorernes interesser fagligt
Læs mereDANMARKS NATIONALBANK
ANALYSE DANMARKS NATIONALBANK 20. MARTS 2019 NR. 6 Boligskatteaftalens effekt på boligpriserne Boligskatteaftalen fra 2017 bidrager til højere priser for enfamiliehuse og lavere for ejerlejligheder frem
Læs mereDental College Aalborg
VTU Virksomhedstilfredshedsmåling 2012 Via spørgeskemaundersøgelse Uddannelser: Tandklinikassistent 57,0 77,0 62,0 Administration og information Rekruttering af elever 68,3 61,5 Skoleperiodernes indhold
Læs mereDen Sociale Kapitalfond Analyse Portræt af de særligt sociale virksomheder i Danmark
Den Sociale Kapitalfond Analyse Portræt af de særligt sociale virksomheder i Danmark November 216 Kontakt: Analysechef Kristian Thor Jakobsen Tlf.: 322 6792 Den Sociale Kapitalfond Management ApS HOVEDKONKLUSIONER
Læs mereDe 22 parametre er fordelt på 4 overordnede emner: økonomi, faciliteter, frivillighed og idrætspolitik.
Idrætsforeninger i Danmark rammer og vilkår Undersøgelse foretaget af Danmarks Idrætsforbund(DIF) DIF har foretaget en undersøgelse af idrætsforeningernes muligheder for at agere i 93 danske kommuner.
Læs mereHvordan kan en computer. DEEP LEARNING et gennembrud inden for kunstig intelligens
DEEP LEARNING et gennembrud inden for kunstig intelligens Forfatterne Morten B. Jensen er ph.d.-studerende mboj@create.aau.dk Chris H. Bahnsen er ph.d.-studerende cb@create.aau.dk Morten og Chris forsker
Læs mereDen Sociale Kapitalfond Analyse Portræt af de særligt sociale virksomheder i Danmark
Den Sociale Kapitalfond Analyse Portræt af de særligt sociale virksomheder i Danmark November 2016 Kontakt: Analysechef Kristian Thor Jakobsen Tlf.: 3022 6792 Den Sociale Kapitalfond Management ApS HOVEDKONKLUSIONER
Læs mereAtter tydelig fremgang i antallet af jobannoncer Pr. måned % å/å Årsvækst i antallet af jobannoncer >> << Antallet af jobannoncer (sæsonkorrigeret)
Dansk Jobindex Rekordhøjt antal nye jobannoncer København den 2.2.27 For yderligere information: Steen Bocian, Danske Bank 33 44 21 53, stbo@danskebank.dk Kaare Danielsen, Jobindex 38 32 33 6 kaare@jobindex.dk
Læs mereBoolsk algebra For IT studerende
Boolsk algebra For IT studerende Henrik Kressner Indholdsfortegnelse 1 Indledning...2 2 Logiske kredsløb...3 Eksempel:...3 Operatorer...4 NOT operatoren...4 AND operatoren...5 OR operatoren...6 XOR operatoren...7
Læs mereGenerelt er korrelationen mellem elevens samlede vurdering i forsøg 1 og forsøg 2 på 0,79.
Olof Palmes Allé 38 8200 Aarhus N Tlf.nr.: 35 87 88 89 E-mail: stil@stil.dk www.stil.dk CVR-nr.: 13223459 Undersøgelse af de nationale tests reliabilitet 26.02.2016 Sammenfatning I efteråret 2014 blev
Læs mereLav efterspørgsel forklarer det faldende bankudlån men udlånet forventes at stige igen
n o t a t Lav efterspørgsel forklarer det faldende bankudlån men udlånet forventes at stige igen 8. december 29 Kort resumé Henover året har der været megen fokus på faldet i bankernes udlån til virksomhederne.
Læs mereSøren Sørensen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCnordic. VIGTIGT
Læs mereEA3 eller EA Cube rammeværktøjet fremstilles visuelt som en 3-dimensionel terning:
Introduktion til EA3 Mit navn er Marc de Oliveira. Jeg er systemanalytiker og datalog fra Københavns Universitet og denne artikel hører til min artikelserie, Forsimpling (som også er et podcast), hvor
Læs mereIndvandrere og efterkommere i foreninger er frivillige i samme grad som danskere
1 Indvandrere og efterkommere i foreninger er frivillige i samme grad som danskere Færre med ikke-vestlige oprindelse end dansk oprindelse er medlem af en forening. Men ikke-vestlige indvandrere og efterkommere
Læs mereNYHEDSBREV. 01 November "På kort sigt er markedet en stemmemaskine, men i det lange løb er det en vægtmaskine.
NYHEDSBREV "På kort sigt er markedet en stemmemaskine, men i det lange løb er det en vægtmaskine." Benjamin Graham Jeg stødte denne måned på en analyse af US aktiemarkedet, der gav fin mening. Analysen
Læs mereNyt studie: Lavere arveafgift kan sænke arbejdsudbuddet
Nyt studie: Lavere arveafgift kan sænke arbejdsudbuddet Et nyt studie fra Norges svar på Danmarks Statistik, Statistisk Sentralbyrå, viser, at arvinger i Norge, der modtager en arv, der er større end gennemsnitsarven,
Læs mereLUP Fødende læsevejledning til afdelingsrapporter
Indhold Hvordan du bruger læsevejledningen... 1 Oversigtsfigur... 2 Temafigur... 3 Spørgsmålstabel... 4 Respondenter og repræsentativitet... 6 Uddybende forklaring af elementer i figurer og tabeller...
Læs merePeriode: Side: 1 af 8. Facebook. Evalueringsark til Effektmåling på sociale medier. Vi investerer i din fremtid
Side: 1 af 8 Facebook Evalueringsark til Effektmåling på sociale medier Vi investerer i din fremtid Side: 2 af 8 Facebook formål Dit overordnede formål med at være på Facebook F.eks. Få flere unge til
Læs mereLæsevejledning til resultater på regions- og sygehusplan
Læsevejledning til resultater på regions- og sygehusplan Indhold 1. Overblik...2 2. Sammenligninger...2 3. Hvad viser figuren?...3 4. Hvad viser tabellerne?...6 6. Eksempler på typiske spørgsmål til tabellerne...9
Læs mereIntroduktion til benchmarking af varmevirksomheder
Introduktion til benchmarking af varmevirksomheder APRIL 2019 FORSYNINGSTILSYNET Carl Jacobsens Vej 35 2500 Valby Tlf. 4171 5400 post@forsyningstilsynet.dk www.forsyningstilsynet.dk Side 2/7 FORSYNINGSTILSYNET
Læs mereFood College Aalborg
VTU Virksomhedstilfredshedsmåling 202 Via spørgeskemaundersøgelse Uddannelser: 68,2 79,9 56,8 Administration og information Rekruttering af elever 5,0 66,5 Skoleperiodernes indhold Motivation 70,8 Elevens
Læs mereKonkursanalyse Figur 1: Udvikling i antal konkurser og sæsonkorrigeret antal konkurser, 2007K1-2016K4*
2007K1 2007K2 2007K3 2007K4 2008K1 2008K2 2008K3 2008K4 2009K1 2009K2 2009K3 2009K4 2010K1 2010K2 2010K3 2010K4 2011K1 2011K2 2011K3 2011K4 2012K1 2012K2 2012K3 2012K4 2013K1 2013K2 2013K3 2013K4 2014K1
Læs mereaf integrationsrådenes høringsret og økonomiske midler
UNDERSØGELSE af integrationsrådenes høringsret og økonomiske midler Rådet for Etniske Minoriteter Marts 2004 BAGGRUND FOR UNDERSØGELSEN Rådet for Etniske Minoriteter afholdt den 3. maj 2003 en konference
Læs mereStore forskelle i varmepriserne hvorfor?
Store forskelle i varmepriserne hvorfor? Der er store prisforskelle på fjernvarme rundt om i landet. Energitilsynet analyserer her, hvordan brændselsvalg, beliggenhed i forhold kunderne, størrelse og ejerskab
Læs mereFraktaler. Mandelbrots Mængde. Foredragsnoter. Af Jonas Lindstrøm Jensen. Institut For Matematiske Fag Århus Universitet
Fraktaler Mandelbrots Mængde Foredragsnoter Af Jonas Lindstrøm Jensen Institut For Matematiske Fag Århus Universitet Indhold Indhold 1 1 Komplekse tal 3 1.1 Definition.......................................
Læs mereVirksomhedens salgspipeline. Business Danmark november 2009 BD272
Virksomhedens salgspipeline Business Danmark november 2009 BD272 Indholdsfortegnelse Indledning... 2 Rapportens opbygning... 2 Hovedkonklusioner... 3 Metode og validitet... 3 Salgs- og marketingafdelingernes
Læs mereRapport. Spisegrisen - alternative racer. Sensorisk kvalitet af ribbenssteg. Margit D. Aaslyng
Rapport Spisegrisen - alternative racer 24. august 2010 Proj.nr. 1378783-01 Version 1 AG/MT Sensorisk kvalitet af ribbenssteg Margit D. Aaslyng Formål Sammendrag Formålet med forsøget er at sammenligne
Læs mereHans Hansen STANDARD RAPPORT. Adaptive General Reasoning Test
Adaptive General Reasoning Test STANDARD RAPPORT Dette er en fortrolig rapport, som udelukkende må anvendes af personer med en gyldig certificering i anvendelse af værktøjet AdaptGRT fra DISCOVER A/S.
Læs mereUdbrændthed og brancheskift
Morten Bue Rath Oktober 2009 Udbrændthed og brancheskift Hospitalsansatte sygeplejersker der viser tegn på at være udbrændte som konsekvens af deres arbejde, har en væsentligt forøget risiko for, at forlade
Læs mereKort vejledning i anvendelse af NFA s spørgeskema om social kapital på arbejdspladsen
Kort vejledning i anvendelse af NFA s spørgeskema om social kapital på arbejdspladsen Seniorforsker Vilhelm Borg Det Nationale Forskningscenter for Arbejdsmiljø November 2014, 1.udgave I denne vejledning
Læs mereNotat om værdisætning ved opsummeringer
Bilag 9 Notat om værdisætning ved opsummeringer ved Ekspertgruppens sekretariat September 2008 Bilag til Ekspertgruppens anbefalinger til videreudvikling af Sundhedskvalitet www.sundhedskvalitet.dk N O
Læs mereSAMFUNDSØKONOMISK AFKAST AF UDDANNELSE
20. juni 2005 Af Mikkel Baadsgaard, direkte tlf.: 33557721 Resumé: SAMFUNDSØKONOMISK AFKAST AF UDDANNELSE Investeringer i uddannelse er både for den enkelte og for samfundet en god investering. Det skyldes
Læs mereLEKTION 22 FARVEBEHANDLING
LEKTION 22 FARVEBEHANDLING I hvert eneste spil skal man som spilfører tage stilling til, hvordan samtlige fire farver skal spilles. Derfor er dette et vigtigt område i selve spilføringen. Mange kombinationer
Læs mereFinansministeriet ved reelt ikke, om strukturerne er forbedret
Finansministeriet ved reelt ikke, om strukturerne er forbedret Flere reformer af arbejdsmarkedet har i de senere år forsøgt at nedbringe ledighedens langsigtede niveau den strukturelle ledighed. De økonomiske
Læs mereMennesker med udviklingshæmning og reformen af førtidspension og fleksjob
Styrelsen for Arbejdsmarked og Rekruttering Den 20 02 2018 D.nr.356921 Sagsbeh. th_lev Vedr.: Høringsvar - Præcisering af regler om ressourceforløb og dokumentationskrav for tilkendelse af førtidspension
Læs mereBetydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere
DET ØKONOMISKE RÅD S E K R E T A R I A T E T d. 20. maj 2005 SG Betydningen af konjunktur og regelændringer for udviklingen i sygedagpengemodtagere Baggrundsnotat vedr. Dansk Økonomi, forår 2005, kapitel
Læs mereHvor godt rammer prognosen i Økonomisk Redegørelse? Nyt kapitel
Hvor godt rammer prognosen i Økonomisk Redegørelse? Nyt kapitel Værdien af en prognose er knyttet til dens præcision og der har prognosen i Økonomisk Redegørelse (ØR) ikke noget at skamme sig over i sammenligning
Læs mereStyle og Wellness College
VTU Virksomhedstilfredshedsmåling 201 Via spørgeskemaundersøgelse Uddannelser: 72,6 6,9 Administration og information Rekruttering af elever 67,5 Skoleperiodernes indhold Motivation 73,6 76,6 Elevens kompetencer
Læs mereNordjysk Konjunkturbarometer RESUMÉ 1. KVARTAL 2000
Konjunkturanalysegruppen Institut for Erhvervsstudier, Aalborg Universitet Jesper Lindgaard Christensen Bent Dalum Lars Gelsing Carsten Stig Poulsen Nordjysk Konjunkturbarometer RESUMÉ 1. KVARTAL 1. Baggrund
Læs mere15. Åbne markeder og international handel
1. 1. Åbne markeder og international handel Åbne markeder og international handel Danmark er en lille åben økonomi, hvor handel med andre lande udgør en stor del af den økonomiske aktivitet. Den økonomiske
Læs mereAfsluttende kommentarer
KLUMMETITLER KOMMER SENERE 247 KAPITEL 11 Afsluttende kommentarer Videnregnskaber er interessante, fordi en af grundproblemstillingerne i den globale videnøkonomi er, hvorledes personer, virksomheder og
Læs mereBESTYRELSERNES SAMMENSÆTNING OG ARBEJDE
FSR survey oktober 2012 BESTYRELSERNES SAMMENSÆTNING OG ARBEJDE www.fsr.dk FSR - danske revisorer er en brancheorganisation for godkendte revisorer i Danmark. Foreningen varetager revisorernes interesser
Læs mereIværksætterlån årgang 2014
Iværksætterlån årgang 2014 Status på første årgang af iværksætterlån Iværksættere udfordrer både sig selv og finansieringsinstitut Kun omtrent halvdelene af alle nystartede virksomheder eksisterer efter
Læs mereSammenligning af tre typer neurale netværks indlæringsmetoder. Lasse Dahl Ebert 20020867 pulver@daimi.au.dk Aarhus Universitet Datalogisk Institut
Sammenligning af tre typer neurale netværks indlæringsmetoder Lasse Dahl Ebert 20020867 pulver@daimi.au.dk Aarhus Universitet Datalogisk Institut 5. december 2007 Resumé Dette speciale analyserer, eksperimenterer
Læs mere10 år efter finanskrisen
FSR ANALYSE / SEPTEMBER 2018 10 år efter finanskrisen Overskud vs. underskud fordelt på brancher 10 år der gået siden Lehman Brothers krakkede i september 2008 og satte gang i de kædereaktioner, der blev
Læs mereResultat af Review af Arbejdsmarkedsbalancen
NOTAT 15. december 2009 Resultat af Review af Arbejdsmarkedsbalancen J.nr. Analyse og overvågning/mll Baggrund Arbejdsmarkedsstyrelsens 4. kontor indgik i foråret 2009 kontrakt med CEBR om, at foretage
Læs mereTaylors formel. Kapitel Klassiske sætninger i en dimension
Kapitel 3 Taylors formel 3.1 Klassiske sætninger i en dimension Sætning 3.1 (Rolles sætning) Lad f : [a, b] R være kontinuert, og antag at f er differentiabel i det åbne interval (a, b). Hvis f (a) = f
Læs mereFokus på Forsyning. Datagrundlag og metode
Fokus på Forsyning I notatet gennemgås datagrundlaget for brancheanalysen af forsyningssektoren sammen med variable, regressionsmodellen og tilhørende tests. Slutteligt sammenfattes analysens resultater
Læs mereVirksomhedernes adgang til finansiering oktober 2011 SURVEY.
Virksomhedernes adgang til finansiering oktober 2011 SURVEY www.fsr.dk FSR survey: Virksomhedernes adgang til finansiering FSR danske revisorer har spurgt godt 400 medlemmer, hvilke barrierer de oplever,
Læs mereSolide og lønsomme virksomheder får oftere et ja i banken
Solide og lønsomme virksomheder får oftere et ja i banken Banken står klar med kapital og vil gerne låne ud til sunde og kreditværdige erhverv. Solid egenkapital og en lønsom forrentning er afgørende,
Læs mere