سازماندهی داده ها
یکپارچه سازی داده
حوزه تصمیم گیری
ایجاد دانش
تفسیر نتایج
پایگاه داده ها
گزینش راه حل / اجرا
انتقال داده
(جداول داده)
مدل های داده کاوی
ماشین بردار پشتیبان
درخت تصمیم
شبکه های عصبی
- مرتب سازی داده ها
- الگوبردای از قواعد و شروط :
- مؤلفه ها :
- متغیر های کیفی مالی
- نسبت های مالی
- خوشه بندی
تأیید/ اعتبار مدل ها
پالایش داده
تجسم داده (نمودار ،گراف و…)
خروجی مدل ها
منبع : یافته های پژوهشگر

ریسک اعتباری و تاریخچه پیدایش آن
در حوزه مالی و بانکی یکی از عوامل مهم که پیش تر ذکر شد، مفهوم ریسک می باشد که از اهمیت بالایی برخوردار است، بدین جهت یکی از مهمترین رویکردها جهت کاهش خسارت های ریسک اعتباری، شناسایی، سنجش درجه و طبقه بندی اعتباری مشتریان، رویکرد اعتبارسنجی میباشد. اعتبارسنجی به معنای ارزیابی و سنجش توان بازپرداخت متقاضیان وام و تسهیلات مالی و احتمال عدم بازپرداخت دریافتی از سوی آنها می باشد.
طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال ۱۹۰۹ به وسیله جان موری^[۵] بر روی اوراق قرضه انجام شد. برخی از محققان متوجه شباهت زیاد اوراق قرضه و تسهیلات اعطایی شدند و اندازه گیری ریسک عدم پرداخت اصل و سود وام ها را بررسی نمودند.

در همین راستا اعتبارسنجی روشی برای شناخت گروه های مختلف جامعه است و زمانی مفید میباشد که شخص نمی تواند ویژگی هایی که گروه ها را از هم تفکیک می کند، مشاهده نماید. این تکنیک یک تکنیک آماری است که توسط"فیشر^[۶] "، در سال ۱۹۳۶ بیان گردید. در سال ۱۹۴۱، “دوراند^[۷]” متوجه شد که می توان از این تکنیک و تکنیک های مشابه برای تفکیک قرض گیرندگان خوب و بد استفاده نمود. با ظهور کارت های اعتباری در سال ۱۹۶۰، ارزش اعتبارسنجی بیشتر شد. زمانی که بانک ها از این تکنیک استفاده کردند، متوجه شدند که این تکنیک بهتر از طرح های قضاوتی است. در سال ۱۹۶۶ برای تعیین ورشکستگی شرکتها، مدل رگرسیون لجستیک به وسیله بی ور^[۸] بکار گرفته شد. بعدها از این مدل برای اندازه گیری ریسک اعتباری اوراق قرضه منتشر شده شرکتها استفاده شد. در سال ۱۹۸۰ موفقیت اعتبارسنجی در کارت های اعتباری منجر به این شد که بانک ها به استفاده از روش های اعتبارسنجی به دیگر خدمات خود مثل وام به اشخاص ثالث تشویق گردند. زیرا تا قبل از آن به خانه و کسب و کارهای کوچک وام می دادند. موفقیت در امر محاسبات منجر به این شد که تکنیک های دیگر نیز به کمک اعتبارسنجی بیایند مانند رگرسیون لجستیک و برنامه ریزی خطی و درخت تصمیم گیری. اخیراً نیز تکنیک های هوش مصنوعی مانند سیستم های خبره و شبکه های عصبی به جمع این روشها اضافه شده اند.
۲-۲-۱: ضرورت طراحی سیستمهای سنجش و ارزیابی اعتبار مشتریان
از جمله مهمترین دلایل می توان به کمک آنها به افزایش جریان نقدینگی مؤسسه، اطمینان از بازگشت اعتبار اعطایی توسط مشتری، کاهش ریسک بازپرداخت اصل و فرع اعتبار اعطایی، بهبود کیفی تصمیمات مدیریتی، کاهش هزینه های تجزیه و تحلیل اعتبار مشتریان، افزایش سرعت اخذ تصمیمات اعتباری و نظارت بهتر بر حسابهای اعتباری موجود مؤسسه اشاره نمود.
به دلیل اهمیت مشتری در سازمانهای عصر نوین و حساسیت و پیچیدگی فرایند سنجش و اندازه گیری صحیح، دقیق، عینی و عملی اعتبار مشتریان و همچنین به لحاظ نقش حائز اهمیت اعتبارسنجی در موفقیت عملکرد سازمانها، طراحی سیستمهای اعتبار سنجی بیش از پیش ضرورت یافته است.
مطالعات انجام شده در داخل کشور
صلاحی (۱۳۹۰) در پژوهش خود با عنوان ” بررسی و اولویت بندی عوامل مؤثر بر اعتبارسنجی مشتریان بانک ها با بهره گرفتن از روش AHP (مورد : بانک سینا) ” به بررسی نظری روش های اعتبارسنجی مشتریان پرداخته و از آن طریق با بهره گرفتن از روش C5 (شخصیت وام گیرنده، ظرفیت بازپرداخت وام گیرنده، سرمایه، وثیقه، شرایط) به اولویت بندی شاخص های مذکور پرداخت. یافته های پژوهش نیز به صورت اولویت های زیر مشخص گردید : سرمایه با ضریب ۳۹۵/۰، وثیقه با ضریب ۲۶۵/۰، شرایط با ضریب ۱۴۹/۰، ظرفیت بازپرداخت با ضریب ۱۰۴/۰، شخصیت با ضریب ۰۸۸/۰تعیین شده اند. در شاخص شخصیت در بخش حقیقی و حقوقی مهمترین مؤلفه تعداد درخواستها جهت اخذ وام بود. شاخص بازپرداخت در بخش حقیقی مهمترین مؤلفه آن درآمد (سالانه) خالص پس از کسر مالیات و در بخش حقوقی ثبات درآمد و ارزش بازار سهام به بدهی بوده است. مهمترین مؤلفه شاخص سرمایه در بخش حقیقی ارزش روز املاک و مستغلات و ثروت خالص (کل دارایی منهای کل بدهی) بوده است و همین طور در بخش حقوقی موجودی کالا، مواد و سفارشات بوده است. مهمترین مؤلفه شاخص شرایط در بخش حقیقی جنسیت وام گیرندگان و رده استخدامی بوده و در بخش حقوقی، افق زمانی سرمایه گذاری و تعداد پرسنل بوده است. مهمترین مؤلفه شاخص وثیقه نیز در بخش حقیقی و حقوقی، ریسک وثیقه و میزان دارایی های آزاد قابل وثیقه است.
دکتر جلیلی، خدائی وله زاقرد و کنشلو (۱۳۸۷) در پژوهشی با نام ” اعتبارسنجی مشتریان حقیقی در سیستم بانکی کشور ” یکی از راه های کمی سازی و اندازه گیری ریسک اعتباری را استفاده از مدلهای امتیازدهی اعتباری (CS) می دانند. این مدل بر اساس مدل های کمی و کیفی، ویژگی ها و عملکرد وام های قبلی را مدلسازی می نماید تا عملکرد آتی وام هایی با وضعیت مشابه را پیش بینی کند. در این تحقیق به اعتبارسنجی مشتریان حقیقی در سیستم بانکی پرداخته می شود که ویژگی های کمی و کیفی مشتریان مانند جنسیت، سن، وضعیت تأهل، تحصیلات، شغل، مدت وام، مبلغ تسهیلات، وثیقه، ارزش وثیقه، هدف از دریافت وام به عنوان متغیرهای مستقل در نظر گرفته شدند. با توجه به نتایج تحقیق، متغیرهای سن و تحصیلات بر روی وضعیت اعتباری تأثیر نداشته و از مدل حذف شدند. در صورتی که سایر متغیرها دارای رابطه معنا دار با وضعیت اعتباری مشتریان بودند. بنابراین می توان با استناد به هشت ویژگی باقی مانده، وضعیت اعتباری احتمالی دریافت-کنندگان را پیش بینی نمود. همچنین مدل توانسته است پیش بینی خوبی از وضعیت اعتباری مشتریان داشته باشد.
رضایی و آقابیگی (۱۳۸۶) در پژوهشی با نام ” اعتبارسنجی مشتریان اعتباری بانک ملی بر اساس رگرسیون لجستیک” به سنجش اعتبار کلیه مشتریان حقوقی تسهیلات اعتباری بانک ملی طی سالهای ۸۲ لغایت ۸۵ که فعالیت آنها تولیدی بود، پرداختند. در بدو امر تعداد ۶۱ متغیر تعیین و متعاقباً پس از استخراج کامل کلیه اطلاعات موجود از بانکهای اطلاعاتی و پالایش اطلاعات بدست آمده نهایتاً تعداد ۱۶ متغیر جهت مدلسازی انتخاب گردید که عبارتند از : نوع طرح، داشتن هم گروه، داشتن تعهدات قبلی، نوع شرکت، مدت زمان تنفس، میزان تسهیلات، میزان سرمایه شرکت، سابقه فعالیت شرکت، میزان سهم متقاضی در سرمایه گذاری، نسبت دارایی جاری، دوره گردش موجودی بر حسب روز، دوره وصول مطالبات بر حسب روز، بازده فروش شرکت، نسبت مالکانه و نسبت بدهی. نتیجه تحقیق نشان می دهد، فرایند اعتباردهی در بانک ملی، فرایند قضاوتی است همچنین متغیرهای داشتن تعهدات قبلی، نسبت دارایی جاری، نسبت مالکانه و نسبت بدهی، بر میزان بدحسابی و خوش- حسابی متقاضیان تسهیلات متناسب با ضرایب برآورد شده تأثیرگذار می باشند.
سوری (۱۳۸۴) در پژوهش خود با عنوان ” یک مدل سنجش اعتبار برای مشتریان اشخاص حقوقی یک بانک، کاربردی از روش بیزین ” با بهره گرفتن از نمونه ای از مشتریان حقوقی بانک به برآورد یک مدل پروبیت از احتمال نکول آنها پرداخت. جامعه آماری این تحقیق قریب به ۱۸۰۰ پرونده اعتباری مشتریان اشخاص حقوقی بانک مورد نظر است که از بدو تأسیس این بانک تا سال ۱۳۸۳ تسهیلات اعتباری دریافت کرده اند. با در نظر گرفتن اینکه جامعه آماری به دو گروه خوش- حساب و بدحساب طبقه بندی شده است، در جمع آوری اطلاعات نیز ابتدا مشتریان حقوقی هر گروه شناسایی شده و به تناسب مشتریان خوش حساب و بدحساب در جامعه، نمونه ای به اندازه ۱۷۰، به طور تصادفی، مشاهده گرفته شد. نظر به اینکه در برآورد یک مدل سنجش اعتبار حداقلی از اطلاعات مالی نیاز است با بررسی پرونده اعتباری نمونه گرفته شده تنها ۷۴ پرونده مناسب تشخیص داده شد. پس از بررسی پرونده های اعتباری مشتریان و محاسبه نسبتهای مالی برای بنگاه های نمونه، در مدل نهایی متغیرهایی مانند نسبت آنی، نسبت بدهی به خالص دارایی ها، متوسط دوره وصول مطالبات، نسبت بدهی به بانک به کل بدهی، نسبت دارایی های جاری به کل دارایی، نسبت نقد به دارایی های جاری، زمینه فعالیت، سابقه فعالیت برای توضیح احتمال نکول مناسب تشخیص داده شد. این نتایج مربوط به این نکته است که مدل مذکور برآورد شده، وضعیت اعتباری بیش از ۸۰ درصد از بنگاه های نمونه را به درستی پیش بینی می کند.
میرزایی، نظریان و باقری (۱۳۹۰) در تحقیقی به ” بررسی عوامل مؤثر بر ریسک اعتباری اشخاص حقوقی بانک ها ” پرداختند. در این پژوهش، محقق با بهره گرفتن از روش رگرسیون لجستیک یک نمونه تصادفی ۴۵۵ تایی (۳۲۳ مشتری خوش حساب و ۱۳۲ مشتری بدحساب) از شرکتهای حقوقی را که در سال ۱۳۸۷ از بانک ملی استان تهران تسهیلات اعتباری دریافت نموده اند، بررسی کردند. ابتدا ۳۹ متغیر توضیح دهنده شامل متغیرهای کیفی و مالی با بهره گرفتن از روش C5 شناسایی شده و در نهایت ۱۱ متغیر (نوع فعالیت، نوع قرارداد، مبلغ تسهیلات، نوع تسهیلات، تعداد کل حسابهای بانکی، نسبت ارزش وثیقه / ارزش تسهیلات، سابقه همکاری شرکت با بانک، سابقه داشتن بدهی به شبکه بانکی، نسبت آنی، نسبت گردش کل دارایی، نسبت مالکانه) را که اثر معناداری بر ریسک اعتباری و تفکیک بین دو گروه از مشتریان خوش حساب و بدحساب داشتند، انتخاب کرده و مدل نهایی را به وسیله آنها برازش کرد. نتایج نشان می دهد که بر اساس شاخص های آماری، این توابع از نظر ضرایب و همچنین قدرت تفکیک کنندگی معنادار بوده و اعتبار بالایی دارند و همچنین می توان بر اساس متغیرهای کیفی و مالی مشتریان حقوقی بانک را از نظر ریسک اعتباری دسته بندی و امتیاز دهی نمود و از بین نسبتهای مالی، نسبت مالکانه و نسبت آنی بیشترین سهم را در تفکیک مشتریان به دو گروه شرکتهای با ریسک اعتباری بالا و شرکتهای با ریسک اعتباری پایین دارند.
فردحریری (۱۳۸۷) در پژوهشی با عنوان ” مدل سازی ریسک و رتبه بندی اعتباری مشتریان حقوقی بانک رفاه “ با هدف شناسایی عوامل مؤثر و تدوین مدلی برای سنجش ریسک اعتباری مشتریان حقوقی بانک رفاه به روش ” رگرسیون لاجیت ” پرداخته است. بدین منظور اطلاعات کیفی و مالی یک نمونه تصادفی ۲۰۰ تایی از مشتریانی که در سالهای ۱۳۸۵ و ۱۳۸۶ از شعب بانک رفاه در سراسر کشور تسهیلات اعتباری دریافت نموده اند، جمع آوری شد. در ابتدا ۱۹ متغیر توضیح- دهنده شامل متغیر های کیفی ومالی شناسایی و بررسی شد. از بین متغیرهای موجود با بهره گرفتن از تحلیل رگرسیون لاجیت در نهایت ۷ متغیر که اثر معنی داری بر ریسک اعتباری مشتریان حقوقی داشتند، انتخاب و مدل نهایی توسط آنها برازش شد. نتایج تحقیق نظریه های اقتصادی و مالی در زمینه عوامل موثر بر ریسک اعتباری را تأیید می کند. اکثر متغیرهای شناسایی شده در این تحقیق ، بر ریسک اعتباری سایر بانک ها (از جمله بانک های صادرات وملت) نیز مؤثر بوده اند.
عرب مازار و رویین تن (۱۳۸۵) در پژوهشی با عنوان ” بررسی عوامل مؤثر بر ریسک اعتباری مشتریان بانکی (بررسی موردی بانک کشاورزی) ” با بهره گرفتن از روش رگرسیون لوجیت، عوامل مؤثر بر ۲۰۰ شرکت (۱۴۲ مشتری خوش حساب و ۵۸ مشتری بدحساب) که در سال های ۱۳۷۸ تا ۱۳۸۳ از شعب بانک کشاورزی استان تهران تسهیلات اعتباری دریافت نموده اند را مورد بررسی قرار داده اند. در این مدل، ابتدا ۳۶ متغیر توضیح دهنده (متغیرهای کیفی و مالی با بهره گرفتن از تکنیک C5) شناسایی و مورد بررسی قرار گرفتند که از میان آنها با بهره گرفتن از تحلیل لاجیت در نهایت ۱۷ متغیر اثر گذار بر ریسک اعتباری (نوع فعالیت، سابقه همکاری با بانک کشاورزی، سابقه داشتن بدهی معوق، مبلغ وام، معدل گردش حساب، جمع گردش بدهکار حساب، جمع گردش بستانکار حساب، جمع دارایی های جاری، بستانکاران، بدهی بانک ها، بدهی جاری، نسبت جاری، نسبت نقدی، نسبت گردش سرمایه جاری، نسبت متوسط دوره وصول مطالبات، نسبت بدهی جاری به حقوق صاحبان سهام، نسبت بدهی کل به دارایی کل) انتخاب و به مدل نهایی را به وسیله آنها برازش کرده اند. افزایش سابقه همکاری شرکت با بانک و افزایش دارایی های جاری شرکت، ریسک اعتباری را کاهش می دهد در حالی که سابقه داشتن بدهی معوق به بانک و افزایش بدهی جاری شرکت سبب افزایش ریسک اعتباری می شود. همچنین نتایج آنها نشان می دهد مدل لاجیت در برآورد عوامل مؤثر بر ریسک اعتباری از توان بالایی برخوردار است.
تهرانی و فلاح شمس (۱۳۸۵) در ” طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور ” با بهره گرفتن از داده های اعتباری ۳۱۶ مشتری حقوقی بانک های کشور و با بهره گرفتن از مدل های احتمال خطی، لجستیک و شبکه های عصبی مصنوعی اقدام به طراحی و آزمون کارآیی مدل ریسک اعتباری پرداختند. نتایج حاکی از این بود که ارتباط بین متغیرها در مدل پیش بینی ریسک اعتباری به صورت خطی نبوده و تابع های نمایی و سیگموئید، مناسب ترین مدل های پیش بینی ریسک اعتباری است و بیشترین کارآیی برای پیش بینی ریسک اعتباری به ترتیب مربوط به شبکه های عصبی مصنوعی و مدل لجستیک می باشد.
لطیفی (۱۳۸۳) در پژوهش خود با عنوان ” بررسی ارتباط بین شاخص های ریسک اعتباری و بازپرداخت به موقع تعهدات مشتریان بانکی ” شاخص های ریسک اعتباری که بیشترین همبستگی با بازپرداخت تعهدات مشتریان را دارد تعیین کرده و مدلی طراحی نموده که بر اساس آن عددی به عنوان شاخص اعتباری وام گیرنده در تصمیمات اعتباردهی تعیین شده است. در این خصوص از گزارش های اطلاعات اعتباری و مالی ۱۰۰ مورد از شرکت های تولیدی که از تسهیلات فروش اقساطی در سال های ۱۳۷۸ تا ۱۳۸۲ بهره مند شده اند، استفاده کرده است به طوری که با بکارگیری تحلیل های چند متغیره فرضیه وجود ارتباط معنادار بین شاخص های ریسک اعتباری و انجام تعهدات مشتریان، مورد تأیید قرار گرفته و در کنار آن مدلی تحت تابع ممیز برای اندازه گیری وضعیت اعتباری شرکت های تولیدی، مشتریان بانک ارائه شده است.
مدرس و ذکاوت (۱۳۸۲) برای ” طراحی مدل های ریسک اعتباری برای بانک توسعه صادرات ایران ” یک نمونه ۱۲۰ تایی از مشتریان حقوقی را انتخاب و از روش های تحلیل تمایزی و رگرسیون لجستیک استفاده کردند. متغیرهای نسبت جاری، نسبت بدهی به کل دارایی، نسبت حقوق صاحبان سهام به کل دارایی، نسبت سود قبل از کسر مالیات به حقوق صاحبان سهام، نسبت سود قبل از کسر مالیات به خالص فروش به عنوان پیش بینی کننده های نکول در مدل های تحلیل تمایزی و رگرسیون لجستیک استفاده شد. نتایج نشان داد که بر اساس متغیرهای مالی می توان مشتریان حقوقی بانک توسعه را از نظر ریسک اعتباری به خوش حساب و بدحساب دسته بندی کرد. از بین متغیرهای مالی استفاده شده در این تحقیق متغیر نسبت جاری بیشترین سهم را در تفکیک مشتریان داشت.
مطالعات انجام شده در خارج از کشور
یکی دیگر از مطالعات انجام شده در زمینه اندازه گیری ریسک اعتباری اوراق قرضه شرکتها با بهره گرفتن از مدل نمره دهی چند متغیره، بوسیله آلتمن^[۹] در سال ۱۹۶۸ انجام شد و به مدل نمره Z شهرت یافت. آلتمن برای اولین بار از تحلیل تمایزی برای تعیین تابع پیش بینی ورشکستگی شرکتها استفاده کرد و رابطه بین سوابق نکول و تعدادی از متغیرهای مالی و حسابداری را با بهره گرفتن از مدل چند متغیره بررسی نمود. هدف وی شناسایی عوامل مختلف تعیین کننده ی نکول بود تا بتواند شرکتهای در حال نکول را از سایر شرکتها تفکیک نماید. نسبتهای مالی نهایی مورد نظر او نسبتهای سرمایه در گردش / کل دارایی، سود انباشته / کل دارایی، درآمد قبل از بهره و مالیات / کل دارایی، ارزش بازار حقوق صاحبان سهام / ارزش دفتری بدهی ها، کل فروش / کل دارایی بودند. نتایج نشان داد که پیش بینی های این مدل در بیش از ۷۵ درصد موارد درست است.
ساندرز و آلن^[۱۰] از این مدل برای پیش بینی ریسک اعتباری وام گیرندگان استفاده کرده و به این نتیجه رسیدند که این مدل از قدرت بالایی برای پیش بینی ریسک اعتباری برخوردار است. در اواخر سال ۱۹۷۰ مدل های احتمالی خطی و وضعیتی احتمالی چندگانه^[۱۱] برای پیش بینی ورشکستگی شرکتها مطرح شدند. همچنین در سالهای ۱۹۸۰ و ۱۹۹۰ استفاده از مدلهای برنامه ریزی ریاضی در بسیاری از مطالعات عنوان شد. هدف اصلی این روشها، حذف فرضیه ها و محدودیتهای موجود در تکنیک های قبلی، بهبود اعتبار و صحت طبقه بندی بود.

امتیازدهی و رتبه بندی اعتباری و تاریخچه پیدایش آنها
امروزه به منظور اعتبارسنجی مشتریان، نظامهایی نظیر ” امتیازدهی اعتباری^[۱۲] ” و ” رتبه بندی اعتباری ^[۱۳] ” تدوین و توسعه یافته اند. امتیازدهی اعتباری، نظامی است که بوسیله آن بانکها و مؤسسات اعتباری با بهره گرفتن از اطلاعات حال و گذشته متقاضی، احتمال عدم بازپرداخت وام توسط وی را ارزیابی نموده و به او امتیاز می دهد(یانگ لویی^[۱۴]،۲۰۰۱، ۴). به عبارت دیگر امتیازدهی اعتباری به معنی کمی نمودن احتمال نکول در آینده است. این روش مشتریان اعتباری را بی طرفانه و بر اساس آمار و اطلاعات کمی رتبه بندی می نماید در حالی که روش های قدیمی برای ارزیابی مشتریان به طور عمده ذهنی^[۱۵] و مبتنی بر دیدگاه مسئولین بودند. رتبه بندی اعتباری هم در واقع روشی برای شناسایی و موافقت با اعطای وام به متقاضیان با ریسک پایین و اجتناب از اعطای وام به متقاضیان با ریسک بالا از طریق رتبه بندی آنها می باشد.

نمونه­های استافیلوکوکوس که از عفونت­های بالینی جداسازی شده باشند، باید به روش­های رقیق سازی در آبگوشت و یا انتشار از دیسک مورد بررسی قرار بگیرند. مقاومت در برابر پنی سیلین G بر اساس مثبت بودن تست بتالاکتاماز قابل پیش ­بینی خواهد بود؛ تقریبا ۹۰% از سویه­های استافیلوکوکوس اورئوس، آنزیم بتالاکتاماز را تولید می­ کنند. مقاومت در برابر نافسیلین (اگزاسیلین و متی سیلین)، در حدود ۳۵% از نمونه­های استافیلوکوکوس اورئوس و تقریبا در ۷۵% از نمونه­های استافیلوکوکوس اپیدرمیدیس، دیده می­ شود. مقاومت در برابر نافسیلین با حضور ژن mecA ارتباط دارد. این ژن یک پروتئین متصل شونده به پنی سیلین (PBP2a^[29]) را کد می­ کند که نافسیلین روی این ژن تاثیری ندارد. ژن mecA در روش واکنش زنجیره­ای پلیمراز قابل شناسایی است. اغلب آزمایشگاه­های بالینی از یک روش فنوتیپی از قبیل کشت در محیط آگار غربال کننده اگزاسیلین، استفاده می­ کنند. استافیلوکوکوس­هایی که در آگار مولر- هینتون حاوی ۴% نمک و g/mlμ۶ اگزاسیلین رشد کرده باشند، به طور شاخص از نظر mecA مثبت بوده و مقاوم به نافسیلین هستند. به گونه ­ای جایگزین، روشی برای سنجش محصول ژن mecA، پروتئین PBP2a در شکل تجارتی در دسترس است که نسبت به روش واکنش زنجیره­ای پلیمراز برای ژن mecA و یا نسبت به آزمون بررسی مقاومت به روش کشت باکتری در محیط آگار نمک دار حاوی اگزاسیلین، بسیار سریع تر است (بروکس و همکاران، ۲۰۱۰).

۷-۱۵-۲- تست­های سرمی و تعیین تیپ:
تست­های سرمی که برای تشخیص عفونت­های حاصل از استافیلوکوکوس اورئوس، باشند ارزش کاربردی محدود دارند. روش تعیین تیپ مولکولی در ثابت کردن انتشار کلون­های اپیدمیک تولیدکننده بیماری-های حاصل از استافیلوکوکوس اورئوس مورد استفاده قرار گرفته اند. الکتروفورز ژل پالس- فیلد^[۳۰] و تعیین تیپ سکانس مولتی لوکوس^[۳۱]، قدرت تمایزدهندگی بالایی دارند (بروکس وهمکاران، ۲۰۱۰).
مواد و روش­ها
۱-۳- مواد و وسایل مورد نیاز:
الف) مواد مصرفی برای کشت استافیلوکوکوس
محیط آگار حاوی خون گوسفند
محیط آگار حاوی خون خرگوش
محیط آگار حاوی خون اسب
محیط مانیتول سالت آگار
محیط نوترینت آگار
محیط مولر - هینتون براث
محیط TSB^[32]
پلاسمای خرگوش
ب) وسایل مصرفی برای استخراج DNA
سمپلر ۱۰۰۰ میکرولیتری
سمپلر ۱۰۰ میکرولیتری
سر سمپلر آبی، زرد و سفید
لوله اپندورف
ج) محلول های مصرفی برای استخراج DNA
محلول TE^[33] (۱۰mM Tris-HCl , pH=8.1 mM EDTA)
محلول SDS^[34] ۱۰ درصد(Roche, Germany)
پروتئیناز K (Fermentas, Germany, 20 mg/ml)
محلول NaCl 5 مولار (Merck)
محلول (CTAB^[35]10 % ,NaCl 0.6 M) CTAB/NaCl
محلول فنل/ کلروفرم/ ایزو آمیل الکل (۲۵-۲۴-۱)، که این مواد به صورت یک حجم ایزو آمیل الکل، ۲۴ حجم کلروفرم و ۲۵ حجم فنل ترکیب شدند.
لیزوزیم (μg/ml 30)
ایزوپروپانول خالص (Merck)
اتانول ۷۰ درصد سرد
د) مواد مصرفی برای انجام واکنش زنجیره­ای پلیمراز
dNTPs(Mμ۵۰، سیناژن)
(۷۵mM Tris-HCl, pH 9.0, 2mM MgCl₂, 50mM KCl, 20mM [NH₄]₂SO₄) PCRbuffer
Taq DNA Polymeras (سیناژن)
MgCl₂ (سیناژن)
پرایمر R (سیناژن)
پرایمر F (سیناژن)
آب مقطر غیر یونیزه (مخصوص واکنش زنجیره­ای پلیمراز )
ﻫ) مواد مصرفی برای الکتروفورز
ژل آگارز (Agarose, Merck, Germany)
اتیدیوم بروماید۱۰mg/ml
مارکر (Gene Ruler TM 100 bp DNA Ladder SMO331 & Fermentas, Germany)
بافر بارگذار^[۳۶] (۶X Loading solution GBX8 & Fermentas, Germany)
Merck, Germany) 10X TAE^[37] Buffer)
۱X TAE
و) دستگاه­های مورد استفاده
دستگاه واکنش زنجیره­ای پلیمراز (Bio - RAD)
دستگاه UV ترانس ایلومیناتور(BTS-20, Japan)
دستگاه الکتروفورز (Paya pajoohesh pars, Iran)

(۴-۲۵)
را به عنوان طول موثر فیبر برای تابش های پمپ، مولفه های استوکس اول و استوکس دوم تعریف می کنند. اگر وابستگی محوری خطی باشد، به صورت زیر درمی آید.

(۴-۲۶)
۴-۱-۴ اعمال تقریب برای حل دستگاه معادلات بالا
اکنون تقریب های زیر را برای حل روابط (۱۹-۴) به کار می بریم]۱۳[و]۲۰[
الف) اگر توان ورودی پمپ ما از توان آستانه مولفه استوکس اول کمتر باشد()، استوکس اول و دوم تولید نمی شوند و و از حل معادله(۱۹a) داریم:
(۴-۲۷)
ب) بدست آوردن توان پمپ آستانه برای تولید مولفه استوکس اول
وقتی توان ورودی به توان آستانه مولفه استوکس اول()می رسد،(توان آستانه مولفه استوکس اول) را می توان از روابط )۱۹-۴(و(۴-۲۷)بدست آورد. ]۱۳[
(۴-۲۸)
ج) وقتی توان ورودی از توان آستانه مولفه استوکس اول بیشتر می شود()، با بهره گرفتن از روابط)۱۹-۴( و )۱۹-۴(داریم:
(۴-۲۹)
(۴-۳۰)
در مورد کاواک با بازتاب بالا و تلفات کلی کوچک که است، تقریبا مساوی صفر می شود و بنابراین را می توان به صورت زیر از رابطه)۱۵-۴(بدست آورد. ]۱۳[
(۴-۳۱)
د) وقتی توان ورودی بین توان آستانه مولفه های استوکس اول و دوم( )قرار می گیرد، می توان را از رابطه )۱۹-۴(بدست آورد و داریم:
(۴-۳۲)
هم چنین با حل معادلات )۱۵-۴( و)۱۹-۴(می توان و را بدست آورد]۱۳[و]۲۰[
(۴-۳۳)
(۴-۳۴)
ه) وقتی توان ورودی بیشتر از توان آستانه مولفه استوکس دوم () است، می توان ، ،و را به کمک روابط بالا بدست آورد و داریم: ]۱۳[و]۲۰[
(۴-۳۵)
(۴-۳۶)
(۴-۳۷)
(۴-۳۸)
و) بدست آوردن توان پمپ آستانه برای تولید مولفه استوکس دوم
برای این کارقرار می دهیم و با بهره گرفتن از روابط(۴-۳۲)و(۴-۲۲)داریم: ]۱۳[و]۲۰[
(۴-۳۹)
(۴-۴۰)
شیب بازده مولفه استوکس دوم از رابطه زیر بدست می آید: ]۱۳[و]۲۰[
(۴-۴۱)
به توان پمپ ورودی بستگی ندارد. بازده انتقال انرژی() برای تابش دوم استوکس را
می توان به صورت زیر تعریف کرد.
(۴-۴۲)
با انتخاب L و بهینه می توان بازده انتقال انرژی را ماکزیمم کرد. واضح است که L و بهینه به توان پمپ ورودی بستگی دارند. ]۱۳[
۴-۲ الگوریتم تقریب اولیه
با بهره گرفتن از این الگوریتم می توان به جوابی برای دستگاه معادلات دیفرانسیل غیر خطی مربوط به توان موج های لیزر(موج ورودی و مولفه های استوکس) دست یافت. در قسمت قبل بعد از اعمال تغییر متغیر، دستگاه معادلات را با اعمال تقریب و بازه بازه کردن توان ورودی حل کردیم. در این بخش می خواهیم تغییر متغیری تقریبا مشابه مرحله قبل اعمال کرده و الگوریتمی مناسب برای حل کلی دستگاه معادلات بیابیم.
برای این کار از دستگاه معادلات (۴-۱) روی بازه ۰ تا L انتگرال گیری کرده و تغییر متغیر زیر رااعمال می کنیم: (برای نمونه عملیات را برای رابطه اول(۴-۱) می آوریم)
(۴-۴۳)
(۴-۴۴)
(۴-۴۵)
بنابراین دستگاه معادلات (۴-۱) به شکل زیر در می آید.]۱۵[
(۴-۴۶)
با اعمال شرایط مرزی (۴-۲) در حالت کلی تر و رابطه شناخته شده داریم:
(۴-۴۷)
با فرض اینکه جواب های ما به صورت نمایی است داریم: ]۱۵[
(۴-۴۸)
(۴-۴۹)
(۴-۵۰)
(۴-۵۱)

۲-۲-۳٫ تحقیقات انجام گرفته در داخل کشور

بنی مهد^[۲۰۸] (۱۳۸۵) در رساله دکتری خود در دانشگاه آزاد واحد علوم و تحقیقات به تبیین و ارائه الگو برای اندازه گیری محافظه کاری حسابداری مطابق با شرایط کشور ایران پرداخته است. وی با بررسی مدلهای مختلف اندازه گیری محافظه کاری و درنظر گرفتن شرایط محیطی ایران، مدل اقلام تعهدی را بعنوان معیار مناسبی برای اندازه گیری محافظه کاری در ایران معرفی نموده است . براساس نتایج پژوهش فوق با افزایش بازده تعهدی داراییها و رشد فروش محافظه کاری افزایش و با افزایش بازده نقدی و اهرم مالی محافظه کاری حسابداری کاهش مییابد. ضمن اینکه مالیات و اندازه شرکت اثری بر محافظه کاری ندارد. شواهد این پژوهش بیانگر کاهش در محافظه کاری حسابداری بواسطه کاهش در بازده تعهدی و نقدی داراییها در شرکتهای مورد تحقیق است. شواهد این تحقیق نشان میدهد که کاهش در بازده نقدی و تعهدی داراییها ناشی از بروز رفتارهای فرصت طلبانه مدیران شرکتها، در نتیجه عدم تفکیک محتوایی مالکیت از مدیریت و عدم کاربرد تئوری نمایندگی در ایران و فقدان وظیفه پاسخگویی مدیر است. ازاین رو کاهش محافظه کاری حسابداری در شرکتهای ایرانی، ریشه در ساختارهای مدیریتی و اقتصادی کشور دارد.

امیر بیکی لنگرودی^[۲۰۹] (۱۳۸۶) در تحقیق خود با عنوان بررسی عدم تقارن زمانی سود به عنوان معیار محافظه کاری در گزارشگری مالی، ۱۰۰ شرکت پذیرفته در بورس اوراق بهادار تهران را طی دوره زمانی ۱۳۷۵ تا ۱۳۸۵ مورد بررسی قرار داد و به این نتیجه رسید که بین عدم تقارن زمانی سود و نسبت MTB ، رابطه منفی معنیداری وجود دارد، هر چه دوره برآورد معیار عدم تقارن زمانی سود طولانیتر شود، این رابطه نیز منفیتر میشود.
آزاد^[۲۱۰] (۱۳۸۷) به بررسی نقش اطلاعاتی صورتهای مالی محافظه کارانه شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی ۵ ساله ( سالهای ۱۳۸۱ تا ۱۳۸۵ ) پرداخت. طبق نتایج، با افزایش عدم تقارن اطلاعاتی بین سرمایه گذاران آگاه و ناآگاه، تقاضا و انگیزه اعمال محافظه کاری در صورتهای مالی بیشتر میشود و شرکتها سود محافظه کارانهتری را گزارش مینمایند. نتایج تحقیق بیانگر آن است که صورتهای مالی محافظه کارانه ابزاری است، برای کاهش عدم تقارن اطلاعاتی بین سرمایهگذاران در سهام شرکتها و همچنین متناسب با تغییر میزان عدم تقارن اطلاعاتی بین سرمایهگذاران ، تقاضا و انگیزه محافظه کاری در صورتهای مالی تغییر میکند.
چشان^[۲۱۱] (۱۳۸۷) ارتباط بین بدهیهای بلند مدت با محافظه کاری حسابداری را مورد بررسی قرار داد، جامعه آماری مورد بررسی در این پژوهش شرکتهای پذیرفته شده در بورس اوراق بهادار تهران میباشد که به طور مستمر از سال ۷۷ تا ۸۵ در بورس معامله میشدند. در تحقیق مزبور از داده های تعداد ۶۰ شرکت در هر سال و ۵۴۰ سال- شرکت استفاده شده است. نتایج آزمون فرضیات پژوهش حاکی از آن است که با افزایش بدهیهای بلند مدت شرکت، مدیریت شرکت برای اخذ اعتبار بیشتر از اعتباردهندگان و برای رعایت الزامات ناشی از قرار دادهای بدهی( مانند نگه داشتن نسبت جاری و سطح بدهی در میزان معین و محدود کردن توزیع سود بین سهامداران ) از روش های محافظه کاری و با افزایش سود و داراییهای شرکت بر سر تقسیم سود بین سهامداران و اعتبار-دهندگان تعارضی به وجود نمیآید.
عسکری^[۲۱۲] (۱۳۸۸) در تحقیق خود تحت عنوان بررسی تاثیر محافظه کاری بر پایداری سود، شرکتهای پذیرفته شده در بورس اوراق بهادار تهران را در محدوده زمانی بین سال های ۱۳۷۷ تا ۱۳۸۶ مورد بررسی قرار داد. وی به این نتیجه رسید که بین محافظه کاری و پایداری سود ارتباط معناداری وجود ندارد.
دینداریزاده^[۲۱۳] (۱۳۸۹) به بررسی ارتباط بین سازوکارهای راهبری شرکتی و محافظه کاری حسابداری در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از دو دیدگاه موجود در خصوص ارتباط بین نظام راهبری شرکتی و محافظه کاری میپردازد. دیدگاه جانشین و دیدگاه مکمل. دیدگاه جانشین، محافظه کاری را وسیلهای جهت کاهش عدم اطمینان و عدم تقارن اطلاعاتی بین مدیران و مالکان واحد تجاری میداند. بر اساس این دیدگاه در شرایط ضعیف بودن نظام راهبری در واحدهای اقتصادی، تقاضا برای محافظه کاری از طرف سهامداران و سایر ذینفعان برای کاهش عدم اطمینان و افزایش کیفیت اطلاعات حسابداری افزایش پیدا میکند. در این دیدگاه شرکتهای دارای نظام راهبری شرکتی قوی بدلیل وجود سایر مکانیزمهای کنترل مدیریت، تقاضایی برای بکارگیری محافظه کاری توسط مدیریت ندارند. از طرفی دیگر، براساس دیدگاه مکمل، نظارت بهتر توسط مکانیزمهای نظام راهبری شرکتی، منجر به محافظه کاری بیشتر در صورتهای مالی برای اطمینان از صحت اطلاعات مندرج در صورتهای مالی و اطمینان از عدم انجام اقدامات یکجانبه مدیریت به نفع خویش میگردد.
در این تحقیق جهت بررسی ارتباط بین محافظه کاری و نظام راهبری شرکتی از معیارهای درصد مالکیت سهامداران نهادی، درصد اعضای غیرموظف هیات مدیره، تفکیک وظایف رئیس هیات مدیره از مدیرعامل و وجود حسابرس داخلی در شرکت بعنوان سازوکارهای نظام راهبری شرکتی و روش های گیولی وهاین و بال و شیواکومار بعنوان معیارهایی برای محاسبه محافظه کاری استفاده شده است. نتایج تحقیق بیانگر این مطلب میباشد که بدلیل محدودیت پایین بودن حجم نمونه آماری و با توجه به نیاز مدل بال وشیواکومار به تعداد مشاهدات زیاد و در طول دوره زمانی طولانی، مدل مزبور در ایران از لحاظ آماری معنی دار نبوده و امکان استفاده از این روش در ایران در حال حاضر میسر نمیباشد. همچنین یافته های این تحقیق در خصوص ارتباط بین محافظه کاری محاسبه شده از طریق روش گیولی و هاین و نظام راهبری شرکتی بیانگر وجود رابطه مثبت بین درصد مالکیت نهادی سهام و درصد اعضای غیرموظف هیات مدیره و رابطه منفی بین تفکیک وظایف رئیس هیات مدیره از مدیرعامل با محافظه کاری در شرکتهای بورس اوراق بهادار تهران بوده است. ضمن اینکه بین محافظه کاری و وجود حسابرسی داخلی در بورس اوراق بهادار تهران رابطهای مشاهده نگردید. نتیجه کلی تحقیق تائیدکننده دیدگاه مکمل در خصوص ارتباط بین محافظه کاری و مکانیزیمهای راهبری شرکتی بوده است.
جدول (۲-۲): خلاصهای از تحقیقات انجام شده در زمینه محافظه کاری در ایران

(۲-۱۷)
که در آن m تعداد کل ورودی‌ها (به غیر از بایاس) اعمال شده به نورون j است. وزن سیناپسی (که مربوط به ورودی ثابت  است) برابر با بایاس اعمال شده  به نورون j است. در نتیجه تابع سیگنال  در خروجی نورن j در گام n ظاهر می‌شود:
(۲-۱۸)
مشابه با الگوریتم LMS، الگوریتم پس انتشار خطا اصلاح وزنی برابر با  به وزن سیناپسی اعمال می‌شود که متناسب با مشتقات جزئی  است. با بهره گرفتن از قانون استقرا می‌توانیم این گرادیان را به صورت زیر به دست آوریم:
(۲-۱۹)
مشتق جزئی  ضریب حساسیت را مشخص می‌کند که جهت جستجو در فضای وزن را برای وزن  مشخص می‌کند.

با مشتق گیری از دو طرف معادله (۲-۱۵) نسبت به  به دست می‌آوریم.
(۳-۲۰)
با مشتق گیری از دو طرف معادله (۲-۱۴) نسبت به  به دست می‌آوریم:
(۲-۲۱)
سپس با مشتق گیری از رابطه (۳-۵) نسبت را به دست می‌آوریم.
(۲-۲۲)
که علامت پریم در سمت راست علامت مشتق نسبت به آرگومان است. نهایتاً با مشتق گیری از معادله (۲-۱۷) نسبت را دست می‌آوریم.
(۲-۲۳)
با بهره گرفتن از معادلات (۲-۲۰) تا (۲-۲۳) در (۲-۱۹) به دست می‌آوریم:
(۲-۲۴)
اصلاح  که به  اعمال می‌شود توسط قانون دلتا تعریف می‌شود:
(۲-۲۵)
که پارامتر نرخ یادگیری الگوریتم پس انتشار است. استفاده از علامت منفی در رابطه (۲-۲۵) نشان دهنده کاهش گرادیان در فضای وزن (جستجوی جهت تغییر وزنی که مقدار  را کاهش می‌دهد) است. به این ترتیب استفاده از روابط (۲-۲۴) و (۲-۲۵) به رابطه زیر منجر می‌شود.
(۲-۲۶)
که در آن گرادیان محلی به صورت زیر تعریف می‌شود:
(۲-۲۷)
گرادیان محلی تغییرات لازم در وزن‌های سیناپسی را مشخص می‌کند. بنابر معادله (۲-۲۷) گرادیان محلی  برای نورون خارجی j مساوی با حاصل ضرب سیگنال خطای مورد نظر  و مشتق تابع محرک مربوطه  می‌باشد.
از معادلات (۲-۲۹) و (۲-۲۷) در می‌یابیم که عنصر کلیدی در محاسبات تنظیم وزن  سیگنال خطای  در خروجی نورون j است. در این ارتباط می‌توانیم دو حالت متفاوت را بسته به محل قرارگیری نورون j در شبکه در نظر بگیریم. در حالت اول نورون j یک نود خروجی است. ارزیابی این حالت آسان است زیرا هر نود خروجی شبکه با پاسخ مطلوب مربوط به خود تغذیه می‌شود که محاسبه سیگنال خطای مربوطه را مستقیماً امکان پذیر می‌سازد. در حالت دوم نورون jیک نود مخفی است. گرچه نورون‌های مخفی مستقیماً قابل دسترسی نیستند، اما مسئولیت هر خطایی را که در خروجی شبکه رخ می‌دهد بر عهده دارند. با این حال سئوال این است که چگونه یک نورون مخفی را برای مسئولیتی که به عهده دارد تشویق یا تنبیه می‌کنیم. این یک مسأله اختصاص دهی اعتبار است و از طریق پس انتشار سیگنال خطا در شبکه حل می‌شود.
حالت ۱: نورون j یک نود خروجی است
هنگامی که نورون j در لایه خروجی شبکه قرار می‌گیرد توسط پاسخ مطلوبی که مربوط به خود نورون است تغذیه می‌شود. می‌توانیم از رابطه (۲-۱۴) برای محاسبه سیگنال خطای  مربوط به این نورون استفاده کنیم . وقتی  را مشخص می‌کنیم گرادیان محلی  با بهره گرفتن از معادله (۲-۲۷) مستقیماً محاسبه می‌شود.
حالت ۲: نورون j یک نود مخفی است
هنگامی که نورون j در لایه مخفی شبکه قرار داشته باشد هیچ پاسخ مطلوب معینی برای آن نورون وجود ندارد. بنابراین سیگنال خطای نورون مخفی باید به صورت بازگشتی بر مبنای سیگنال خطای همه نورون‌هایی که نورون مخفی مستقیماً به آن متصل است تعیین شود. این همان جایی است
که اجرای الگوریتم پس انتشار پیچیده می‌شود. با توجه به معادله (۲-۱۴) می‌توانیم گرادیان محلی را برای نورون مخفی به صورت زیر بازنویسی کنیم:
(۲-۲۸) نورون j مخفی است
که در سطر دوم از رابطه (۲-۲۲) استفاده کرده‌ایم. برای محاسبه مشتق جزیی  به ترتیب زیر عمل می‌کنیم.
(۲-۲۹) نورون k یک نورون خروجی است
که همان رابطه (۲-۱۵) است که در آن به جای اندیس j از اندیس k استفاده شده است. این کار را به این منظور انجام داده‌ایم که با حالت ۲ که اندیس به یک نورون مخفی اشاره می کند اشتباه نشود. با مشتق گیری از رابطه (۲-۲۹) نسبت به تابع کاری  به دست می‌آوریم:
(۲-۳۰)
حال می‌توانیم از قانون زنجیره‌ای برای مشتق جزئی استفاده کنیم و معادله (۳-۳۰) را به صورت زیر بازنویسی کنیم:
(۲-۳۱)
با این وجود داریم:
(۲-۳۲) نورون k یک نود خروجی است
بنابراین
(۲-۳۳)
همچنین می‌دانیم که میدان‌های اعمال شده محلی برای نورون k به صورت زیر قابل بیان هستند:
(۲-۳۴)
که در ان m تعداد کل ورودی‌های اعمال شده (به غیر از بایاس) به نورون k است. در اینجا نیز وزن سیناپسی  برابر با بایاس  اعمال شده به نورون k است و ورودی متناظر در مقدار ۱+ ثابت می‌شود. با مشتق گیری از رابطه (۲-۳۴) نسبت به  به نتیجه زیر می‌رسیم:
(۲-۳۵)
با بهره گرفتن از روابط (۲-۳۳) و (۲-۳۵) در رابطه (۲-۳۱) به مشتق جزیی مورد نظر می‌رسیم:
(۲-۳۶)