ارائه مدل هوش مصنوعی مبتنی بر منطق فازی- سلسله مراتبی به منظور سنجش تاثیرپذیری عوامل سازمانی بر سپرده سرمایه گذاری و دارایی بانک سپه با تعمیم سیستم‌های معادلات همزمان
محورهای موضوعی : دانش سرمایه‌گذاری
مسعود خورانی
1
,
کریم حمدی
2
,
حسین وظیفه دوست
3
1 - دانشجوی دکتری تخصصی مدیریت بازرگانی ، گرو ه مدیریت بازرگانی، واحد علوم تحقیقات، دانشگا ه آزاد اسلامی، تهران، ایران.
2 - دانشیار گرو ه مدیریت بازرگانی، واحد علوم تحقیقات، دانشگا ه آزاد اسلامی، تهران، ایران
3 - استاد گرو ه مدیریت بازرگانی، واحد علوم تحقیقات دانشگا ه آزاد اسلامی، تهران، ایران.
کلید واژه: بانک سپه, سیستم های معادلات همزمان, تورم, مدل های سلسله مراتبی, سرمایه گذاری,
چکیده مقاله :
بکارگیری تکنیک‌ها و روش‌های هوش مصنوعی در بهبود ارزیابی‌ها و کاهش دقت محاسباتی یکی از مهمترین توانمندی‌های موجود در حیطه کاربرد کامپیوتر در علوم مختلف می‌باشد که بصورت رویکردهای استراتژیک راهبردی بخصوص در مدیریت منابع مالی،سرمایه گذاری وعلوم اقتصادی بکار گرفته می‌شود. هنگامی‌که مدل‌های محاسباتی برپایه چندین متغیر مختلف استوار است بسیار کارآمدتر خواهد بود. زیرا که در یک مدیریت سرمایه گذاری استراتژیک در سطح درون سازمانی و کلان اقتصادی بخصوص بانک‌ها، کوچک‌ترین خطاهای محاسباتی عواقب وخیم مالی بهمراه خواهد داشت. بدین منظور، پژوهش حاضر در سه مرحله گردآوری اطلاعات، سنجش داده‌ها و تهیه مدل‌های ارزیابی آماده‌سازی گردیده است. در مرحله گردآوری اطلاعات از روش اکتشافی (توصیفی-پیمایشی) برای گردآوری اطلاعات (داده‌های مربوط به ترازنامه‌های مالی بانک‌های سپه شهر تهران و بانک مرکزی مشتمل بر 17 شعبه) بهره گرفته شده که بعد از استخراج معیارها توسط پرسنل خبره (شامل 50 متخصص) مورد سنجش قرار گرفته است. بعد از سنجش اطلاعات، این داده‌ها طبقه‌بندی گردیده و سپس به منظور تحلیل اطلاعات توسط مدل Fuzzy-AHP تحلیل شده است. نتایج بدست آمده مشخص نموده که متغیرهایی مانند درآمد واقعی سرانه، تعداد شعب و اندازه بانک‌ها بر سپرده‌های بانکی تاثیر مثبت و تورم بر آن تاثیر منفی و معناداری دارد که این مسئله بیانگر افزایش تورم منجر به کاهش ارزش پول، ایجاد پول داغ و خروج پول از بانک‌ها و تبدیل آن به دارایی‌های سرمایه‌ای و در نهایت کاهش سپرده‌های بانکی خواهد گردید که بر روی تولید ناخالص داخلی و سرمایه تاثیر مستقیم دارد.
The use of artificial intelligence techniques and methods in improving evaluations and reducing computational accuracy is one of the most important capabilities in the field of computer application in various sciences, which is a strategic strategic approach, especially in financial resource management, investment and science. Economic is used. It will be much more efficient when computational models are based on several different variables. Because in a strategic investment management at the intra-organizational and macroeconomic level, especially banks, the smallest calculation errors will have serious financial consequences. For this purpose, the present study has been prepared in three stages of data collection, data measurement and preparation of evaluation models. In the data collection stage, an exploratory method (descriptive-survey) was used to collect information (data related to the financial balance sheets of Sepah Shahr Bank of Tehran and the Central Bank consisting of 17 branches) which after extracting the criteria by expert personnel. (Including 50 specialists) has been evaluated. After measuring the data, these data were classified and then analyzed by Fuzzy-AHP model for data analysis. The results show that variables such as real per capita income, number of branches and size of banks have a positive effect on bank deposits and inflation has a negative and significant effect on it, which indicates an increase in inflation leading to devaluation, hot money creation. And the outflow of money from banks and its conversion into capital assets and eventually the reduction of bank deposits will have a direct impact on GDP and capital.
Ahmadi, A., Ahmadi Jashfaqani, H., Hastiani, A. (2016). The effect of credit risk on the performance of the banking system: An interbank study with Panel VAR approach. Financial Economics Quarterly, 10 (34): 131-152. [In Persian]
Bidgoli, M., Taghavi, M., Ismailzadeh Moghari, A., Damankeside, M. (2018). Experimental test of the effect of business climate risk on the relationship between credit risk and financial performance in the Iranian banking industry. Financial Economics Quarterly, 13 (48): 1-35. [In Persian]
Brunelli M. (2014). Introduction to the Analytic Hierarchy Process. Springer, 192 p.
Cucinelli D., (2013). The Determinants of Bank Liquidity Risk within the Context of Euro Area. Interdisciplinary Journal of Research in Business, 2(10): 51-64.
Gaire HN. (2012). Real Interest Rate and Saving Behavior in Nepal. Reserve Bank of New Zealand: Bulletin, 64(3): 15-28.
Giannotti C, L. Gibilaro A., and G.Mattarocci, (2011), ''Liquidity Risk Exposure for Specialized and Unspecialized Real Estate Banks: evidences from the Italian market'', Journal of Property, Investment & Finance, vol. 29, i. 2, pp. 98-114
Gupta K.P., Manrai R. (2019). Prioritizing Factors Affecting the Adoption of Mobile Financial Services in Emerging Markets—A Fuzzy AHP Approach. Deep K., Jain M., Salhi S. (eds) Performance Prediction and Analytics of Fuzzy, Reliability and Queuing Models. Asset Analytics (Performance and Safety Management). Springer, Singapore.
Iqbal, Anjum,(2012), “Liquidity Risk Management : A Comparative Study between Conventional and Islamic Banks of Pakistan”, Global Journal of Management and Business Research,Vol.12, Issue.5, 55-64.
Ismailzadeh Moghari, A., Javanmardi, H. (2017). Designing a suitable model for liquidity management and risk forecasting in Bank Saderat Iran. Financial Economics Quarterly, 11 (39): 171-191. [In Persian]
Louzis D.P., Vouldis AT., Metaxas V.L. (2010). Macroeconomic and Bank-Specific Determinants of Non-Performing Loans in Greece: A Comparative Study of Mortgage, Business and Consumer Loan Portfolios. Journal of Banking & Finance 36(4): doi:10.2139/ssrn.1703026
Mehrara, M., Mehranfar, M. (2013). Banking performance and macroeconomic factors in risk management. Economic Modeling Quarterly, 7 (1): 21-37. [In Persian]
Mirzaeian, T. (2010). Evaluation of macro variables affecting the volume and composition of bank deposits (Case study of Bank Mellat during the years 1981-2008). Master Thesis, University of Social and Economic Sciences, Payame Noor University, Tehran. [In Persian]
Nguyen M., Skully M., Perera S. (2018). Market power, revenue diversification and bank stability: Evidence from selected South Asian countries. Journal of International Financial Markets, Institutions & Money, 22: 897-912.
Ostadi H., Sarlak A. (2014). Effective factors on the absorption of bank deposits in order to increase the relative share of Isfahan Sepah Bank. International journal of Academic Research in Economics and Management Sciences, 3(4): 139-149.
Rosenbaum J., Pearl J., Harris J., Perella JR. (2019). Investment Banking: Valuation, LBOs, M&A, and IPOs. Wiley, 512 p.
Salimi-bni, P., Asgari, N., Farooji, J. (1393). Evaluation and ranking of electronic banking systems and the capacity to attract financial resources. Ban, Organizational Resource Management Research, 4 (2): 63-43. [In Persian]
Sharmin S., Solaiman Kh. (2019). BigBank: A GIS Integrated AHP-TOPSIS Based Expansion Model for Banks. 2019 15th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS), Sorrento, Italy
Stojčić, M., Zavadskas, E.K., Pamučar, D., Stević, Ž. and Mardani, A. (2019), Application of MCDM Methods in Sustainability Engineering: A Literature Review 2008–2018, Symmetry, 11(3) 350.
Yang Q., Wu X. (2020). The Construction of Risk Evaluation System of Small Loan Company in China Based on AHP. In: Wang TS., Ip A., Tavana M., Jain V. (eds) Recent Trends in Decision Science and Management. Advances in Intelligent Systems and Computing, vol 1142. Springer, Singapore
Zadeh LA., Aliev R.A. (2018). Fuzzy Logic Theory and Applications: Part I And Part II. World Scientific, 692 p.
Zhang, X., Daly, K. J. (2013). The Impact of Bank-Specific and Macroeconomic Factors on China’s Bank Performance ok. The Chinese Economy, 47(5-6): 5-28.
Zopounidis C., Doumpos M. (2002). Multi-criteria decision aid in financial decision making: methodologies and literature review. Journal of Multi-Criteria Decision Analysis, 11(4-5): 167-186.
Zopounidis C., Doumpos M. (2017). Multiple Criteria Decision Making: Applications in Management and Engineering. Springer, 211 p.
_||_