طراحی شاخص‌های ارزیابی عملکرد بانک‌ها به وسیله مدل تحلیل‌پوششی‌داده‌های‌شبکه‌ای و غیرمحدبFDH و غیرشعاعیSBM

محورهای موضوعی : آمار

آسیه سادات حاتمی ¹ (دانشجوی دکترا مدیریت صنعتی، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران)
مرتضی شفیعی ² (دانشیار گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران)
مژده ربانی ³ (گروه مدیریت صنعتی، دانشکده مدیریت، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران)
محمدرضا مظفری ⁴ (دانشیار گروه ریاضی، دانشکده علوم پایه، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران)

تاریخ دریافت : 1399/06/05 تاریخ پذیرش : 1399/09/25 تاریخ انتشار : 1401/06/01

کلید واژه: SBM Model, Network Data Envelopment Analysis, FDH Model, Performance evaluation,

چکیده مقاله :

ارزیابی عملکرد از ضروریات هر بانکی به منظور برنامه‌ریزی و کنترل است و با توجه به نقش بانک‌ها در اقتصاد کشور، اندازه‌گیری کارایی آن بسیار حائز اهمیت است، لذا نیاز است تا از مدل‌های مناسبی برای ارزیابی کارایی بانک‌ها استفاده نمود. یکی از این مدل‌ها تحلیل‌پوششی‌داده‌ها می‌باشد و با توجه به ساختار چندمرحله‌ای بانک‌ها نمی‌توان از مدل‌های مرسوم تحلیل‌پوششی‌داده‌ها استفاده‌نمود، زیرا مدل‌های مرسوم به ساختار داخلی، محصولات میانجی یا فعالیت‌های ارتباطی توجه نمی‌کنند و تخمین ظاهری از کیفیت کارایی را ارائه می‌دهند. همچنین مدل‌های مرسوم به ماهیت ورودی و خروجی‌ها کمتر توجه می‌کنند و ماهیت شعاعی دارند، به همین دلیل هدف این پژوهش ارائه یک مدل جدید تحلیل‌پوششی‌داده‌های‌شبکه‌ای غیرمحدبFDH و غیرشعاعیSBM است تا علاوه بر رفع ضعف مدل‌های مرسومDEA از قدرت تفکیک بالاتری برخوردار باشند. مدلهای پیشنهادی، غیر شعاعی و بر اساس ماکزیمم کردن متغیرهای کمکی بر اساس FDHمی باشند که فرم برنامه ریزی خطی را ندارند اما برای حل مدلهای پیشنهادی از نسبتهای پارامترهای استفاده شده است. همچنین به منظور مطالعه تجربی به ارزیابی عملکرد 20شعبه یک بانک تجاری با در نظر گرفتن شاخص‌های تعداد پرسنل و میزان ساعت کاری پرسنل به عنوان ورودی و سپرده‌های بدون‌هزینه و سپرده‌های هزینه‌زا و تسهیلات به عنوان شاخص‌های میانی(واسطه‌ای) و شاخص‌های مطالبات معوق و کارمزد دریافتی به عنوان خروجی پرداخته شده‌است و به رتبه‌بندی شعبه‌های آن پرداخته شده‌است و نهایتا شعبه‌های کارا و ناکارا مشخص شدند و استراتژی‌های لازم برای بهبود عملکرد شعب ناکارا داده‌شدند.

چکیده انگلیسی:

Performance appraisal is essential for any bank to plan and control. And considering the role of banks in the country's economy, measuring its efficiency is very important, so it is necessary to use appropriate models to assess the efficiency of banks. One of these models is data envelopment analysis. Due to the multi-stage structure of banks, conventional data envelopment analysis models cannot be used, because conventional models do not pay attention to internal structure, intermediate products or communication activities And provide an estimate of the quality of performance. Also, conventional models pay less attention to the nature of inputs and outputs and have a radial nature, so the aim of this study is to provide a new model of NDEA with SBM model and FDH model for eliminating the weakness of conventional DEA models and Have a higher resolution. Also, for experimental study, to evaluate the performance of 20 branches of a commercial bank by considering the indicators, number of personnel and staff working hours as input and free deposits (free of charge and costly deposits) and facilities as intermediate indicators (intermediaries). And the indicators of overdue receivables and received fees have been considered as output and the ranking the branches , and finally efficient and inefficient branches have been identified. And the necessary strategies were given to improve the performance of inefficient branches.

منابع و مأخذ:

 

]1[ اسکندری اعظم(1390). تحلیل کارایی به وسیله مدل تحلیل ‌پوششی‌داده‌ها و شبکه عصبی، دانشگاه آزاد اسلامی واحد شیراز، پایان نامه کارشناسی ارشد.

 

]2[ جهانشاهلو، غلامرضا، نیکو مرام، هاشم، حسین­زاده لطفی، فرهاد، (1395). تحلیل پوششی داده­ها و کاربردهای آن، چاپ دوم، تهران، انتشارات دانشگاه آزاد اسلامی واحد علوم و تحقیقات.

 

]3[ رجبی‌تنها معصومه، عبدالله‌زاده غلام حسین(1389)، ارزیابی نابرابری‌های استانی بهره‌وری محصولات کشاورزی ایران: معرفی یک استان مرجع واقعی برای استان‌های نابهره‌ور، سال دهم، شماره1، صص171-199.

 

]4[ سلیمانی‌دامنه رضا، مؤمنی منصور، مصطفایی امین، رستمی‌مال‌خلیفه محسن (1396)، توسعه یک مدل تحلیل‌ پوششی‌ داده‌های ‌شبکه‌ای‌ پویا برای ارزیابی عملکرد بانک‌ها، مجله چشم‌انداز مدیریت صنعتی، صص 67-89.

 

]5[ صالح­زاده سیدجواد، حجازی رضا، ارکان علی، حسینی سیدمهران (۱۳۹۰). ارائه روش تلفیقی اندازه گیری کارایی ساختارهای شبکه­ای شامل دور و لینک تخصصی، مجله علمی و پژوهشی مدیریت تولید و عملیات، شماره۲، صص ۶۰-۴۷.

 

]6[ عرب‌مازار عباس، ورهرامی ویدا، حسنی حسین (1397)، ارزیابی عملکرد بانک‌های کشور به وسیله مدل تحلیل­‌پوششی‌­داده‌ها، فصلنامه­اقتصاد­مقداری (بررسی‌های اقتصادی سابق)، دوره15، شماره2، صص1-21.

 

]7[ کردرستمی سهراب، امیرتیموری علیرضا، باقری سیده ‌فاطمه (1389)، بهبودی بر مدل FDH در ماهیت ورودی-خروجی، مجله ریاضیات کاربردی واحد لاهیجان.

]8[ کوپر، سیفورد و تون (1396). تحلیل پوششی داده‌ها؛ مدل‌ها و کاربردها (علی میرحسینی، مترجم). تهران: انتشارات دانشگاه صنعتی امیرکبیر.

مهرگان، م.ر. (1387) مدل­های کمی در ارزیابی عملکرد سازمان­ها.تهران، ایران: دانشگاه تهران.

 

]9[ مومنی منصور، صفری حسین، رستمی محسن، مصطفایی امین، سلیمانی‌دامنه رضا (1396). طراحی یک مدل تحلیل ‌پوششی ‌داده‌های ‌شبکه‌ای غیرشعاعی جهت ارزیابی عملکرد، فصلنامه علمی پژوهشی مطالعات (مدیریت بهبود و تحول)، سال بیست و ششم، شماره 68، صص 23-1.

 

]10[ نیلچی مسلم، اسماعیل فدائی نژاد محمد، رضوی ‌حاجی ‌آقا سیدحسین، بدری احمد (1396)، ارائه مدل تحلیل ‌پوششی داده‌های چند بخشی جدید برای ارزیابی کارایی شعب بانک‌ها، فصلنامه علمی – پژوهشی مطالعات مدیریت صنعتی – سال پانزدهم، شماره 46، صص 73-96.

 

[1] Agrel, P. J. Tind, J. "A Dual Approach to Non Convex Frontier Models", Journal of Productivity Analysis, Vol.16, No.2, (September 2001): 129-147.

 

[2] Avkiran, N.K., (2015), “An illustration of dynamic network DEA in commercial banking including robustness tests”, Omega 55, 141-150.

 

[3] SHAFIEE, M. (2018). A Non-Convex Data Envelopment Analysis Model (FDH) for Rostam High School Performance Evaluation.

 

[4] Banker RD, Charnes A, Cooper WW.(1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30, 1078–92.

 

 

[5] Castelli, L., Pesenti, R., Ukovich, W. (2004). DEA-like models for the efficiency evaluation of hierarchically structured units. European Journal of Operational Research, Volume 154 (Issue 2), pp. 465-476.

 

[6] Charnes A, Cooper, W.W., Rhodes E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2, 429–44.

 

[7] Chen, C., Yan, H. (2011). Network DEA model for supply chain performance evaluation. European Journal of Operational Research, Volume 213 (Issue. 1), pp. 147– 155.

 

[8] Fare, R., Grosskopf, S. (2000). Network DEA. Socio-economic planning science, Volume 34, pp. 35-49.

 

[9] Farrel, M.J. (1957). The measurement of productive efficiency. Journal of the Royal Statistical Society, Series, A 120,253-281.

 

[10] Deprins D, Simar L, Tullkens H, Measuring labor-efficiency in post officies. In Marchand M, Pestieau p, Tullkens H, editors(1984). The performance of public enterprises. Amsterdam: Etsvier science publishers: 1984, 243-267.

 

[11] Fu, P., & Tian, Y. (2019). Research on the Efficiency of Commercial Banks in China: Based on Two-Stage FDH Method.

 

[12] Fujii, H., Managi, S., & Matousek, R. (2014). Indian bank efficiency and productivity changes with undesirable outputs: A disaggregated approach. Journal of Banking & Finance, 38, 41-50.

 

[13] Fukuyama, H., Weber, W.L. (2010). A slacks-based inefficiency measure for a twostage system with bad outputs. Omega, Volume 38 (Issue. 5), pp. 398-409.

 

[14] Huang, J., Chen, J. and Yin, Z. (2014). A Network DEA Model with Super Efficiency and Undesirable Outputs: An Application to Bank Efficiency in China, Mathematical Problems in Engineering (DOI: 10.1155/ 2014/793192).

 

[15] Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European journal of operational research, 185(1), 418-429.

 

[16] Kao, C. (2009). Efficiency decomposition in network data envelopment analysis: A relational model. European journal of operational research, 192(3), 949-962.

 

[17] Liang, L., Yang, F., Cook, W.D., Zhu, J. (2006). DEA models for supply chain efficiency evaluation. Annals of Operations Research, Volume 145 (Issue. 1), pp. 35-49.

 

[18] Liu, W., Zhou, Z., Ma., C., Liu, D., Shen, W. (2015). Two-stage DEA models with undesirable input-intermediate-outputs. Omega, 56: 74-87.

 

[19] Lozano, S. (2016). Slacks-based inefficiency approach for general networks with bad outputs: An application to the banking sector. Omega, 60, 73-84.

 

[20] Sexton, TR., Lewis, HF., (2004). Two-stage DEA: An application to major league baseball, Journal of Productivity Analysis, 19, 227-249.

[21] Tavakoli, I. M., & Mostafaee, A. (2019). Free disposal hull efficiency scores of units with network structures. European Journal of Operational Research, 277(3), 1027-1036.

 

[22] Tone, K. (2001). A slacks-based measure of efficiency in data envelopment analysis, European Journal of Operational Research, 130, 498–509.

 

[23] Tone, K. , Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European Journal of Operational Research, 197. 243–252.