ارائه مدل سرمایه گذاری مخاطره¬پذیر در صنعت بیمه بر مبنای فرایند تحلیل شبکه¬ای فازی
محورهای موضوعی :
امیر محمدزاده
1
(دانشیار دانشگاه آزاد اسلامی واحد قزوین)
یزدان گودرزی فراهانی
2
(گروه اقتصاد اسلامی، دانشکده علوم اقتصادی و اداری، دانشگاه قم)
مریم پورفرزام
3
زليخا مرسلي ارزنق
4
(دانشجوی دکتری پردیس ارس دانشگاه تهران)
محسن مهرارا
5
(دانشکده اقتصاد دانشگاه تهران)
کلید واژه: کلیدواژه¬ها: سرمایه¬گذاری مخاطره¬پذیر, صنعت بیمه, فرایند تحلیل شبکه¬ای فازی.,
چکیده مقاله :
هدف مقاله حاضر شناسایی و ارائة يک الگوی سرمایه¬گذاری پر ریسک برای مؤسسات بیمه در راستای استقرار صندوق سرمايه گذارى ريسك پذير بیمه¬ای است. در این مقاله سعی شده است، تا با شناسایی و معرفي مهمترين فاكتورها و عوامل مؤثر سرمایه گذاری مخاطره پذیر (VC) با استفاده از تکنیک فرایند تحلیل شبکه¬ای فازی در صنعت بیمه ارائه گردد. داده¬های مورد نیاز تحقیق از طریق مصاحبه¬های عمیق با تعدادی از خبرگان و پژوهشگران صنعت بیمه و همچنین پرسشنامه جمع آوری شده است. با توجه به عدم استقلال و وجود وابستگي بين عوامل مؤثر، از روش فرآيند تحليل شبكه فازي براي شناسايي وابستگي¬هاي ممكن بين عوامل و اندازه¬گيري آنها براي توسعه مدل VC استفاده شده و نتايج حاصله با روش فرآيند تحليل شبكه غير فازي الویت-بندی شده است. یافته¬هاي پژوهش حاکی از آن است که شاخص¬های چرخه عملیاتی، نسبت گردش مجموع دارایی¬ها، بازده کل سرمایه گذاری، ضریب خسارت، نسبت دارایی به بدهی به ترتیب جایگاه اول تا پنجم را در بین شاخص¬های VC دارند. VC¬ها به صنعت بیمه کمک می-کنند تا قوانین حسابداری داخلی را برقرار کنند و صورت¬های مالی شان را استاندارد کنند. به عبارت دیگر، پشتیبانی VC اطلاعات "سخت" و " نرم" موردنیاز برای بیمه اصلاح می¬کند.
The purpose of this paper is to identify and present a high-risk investment model for insurance institutions in order to establish a risky insurance investment fund. In this paper, it has been tried to identify and introduce the most important factors and effective factors of venture capital (VC) using the technique of fuzzy network analysis process in the insurance industry. The data needed for the research has been collected through in-depth interviews with a number of experts and researchers in the insurance industry, as well as a questionnaire. Due to the lack of independence and the existence of dependence between the effective factors, the method of fuzzy network analysis process was used to identify the possible dependencies between factors and measure them for the development of the VC model, and the results were prioritized with the method of non-fuzzy network analysis process. Is. The findings of the research show that operating cycle indicators, total asset turnover ratio, total investment return, loss factor, asset-liability ratio are ranked first to fifth among VC indicators. VCs help the insurance industry establish internal accounting rules and standardize their financial statements. In other words, VC support modifies the "hard" and "soft" information required for insurance.
- Barkley, D., & Markley, D.M. (2001). Nontraditional Sources of Venture Capital for Rural America. Rural America, 16, 12-26.
- Berg, H. D., & Schmidt, J. R. (1994). Foreign trade and economic growth: Time series evidence from Latin America. The Journal of International Trade & Economic Development, 3, 249-268.
- Boer, P. (2003). Risk-adjusted valuation of R&D projects. Research TechnologyManagement, 46, 58-77.
- Bradley, D., & Jordan, B. (2002). Partial adjustment to public. Journal of Financial and Quantitative Analysis, 4, 595-616.
- Chen, Y. S., & Zhu, C. (2009). Political connection, institutional environment and capital investment of listed companies. Journal of Financial Economic, 12, 27–39.
- Dehghani, A., & Shahryar, B. (2017). A proposed pattern of enterprise risk management in insurance companies. Iranian Journal of Insurance Research, 7, 1-22.
- Hall, J. & Hofer, C. (1993). Venture capitalists› decision criteria in new venture evaluation. Journal of Business, 12, 45-59.
- Khataie, M. (2008). Extending financial markets and economic growth. Tehran, Iran: Monetary and Banking Research Institute Press.
- Kollmann, T., & Kuckertz, A. (2009). valuation Uncertainty of Venture Capitalists’ Investment Criteria. journal of business research, 3, 741-747.
- Lotfizadeh, A. (1965). Fuzzy Sets. Information and Control, 8, 338-353.
- Mazloomi, N., & Nateghi, A. A. (2020). A model of existing risks in Iran's insurance industry. Commercial Strategies, 16, 39-58. doi: 10.22070/cs.2020.2423
- Meade, L.M., & Sarkis, J. (1999). Analyzing organizational project alternatives for agile manufacturing processes: An analytical network approach. International Jornal of production Research, 37(2), 241-261.
- Pietrovito, F. (2009). Financial development and economic growth: A theoretical and empirical overview. Retrieved fromhttps://poseidon01.ssrn.com/delivery.
- Saaty, T. L. (1996). Decision making with dependence and feedback: the analytic network process
- Saaty, T.L (1980), The Analytical Hierarchy Process, New York, NY: McGraw-Hill.
- Timmons, J. A., & Bygrave, W. D. (1986). Venture capital's role in financing innovation for economic growth. Journal of Business Venturing, 2, 161-176
- Wu, L., Xu, L. (2018). Grandstanding and new stock speculation: evidence from private venture capitals in China. Economic paper, 57, 363–375.
- Zhang, X. (2012). Venture Capital Investment Selection Decision-making Base on Fuzzy Theory. Procedia., 25, 1369–1375.
- Zhou, C. (2009). Dependence Structure of Risk Factors and Diversification Effects. 22nd Australasian Finance and Banking Conference, Available at SSRN: https://ssrn.com/abstract=1456848 or http://dx.doi.org/10.2139/ssrn.1456848.