ارزیابی عملکرد شعب بانک با شاخص‌های مالی با استفاده از تحلیل پوششی داده های نسبتی
الموضوعات :سمیه راضی پور قلعه جوق 1 , فرهاد حسین زاده لطفی 2 , محسن رستمی مال خلیفه 3 , حمید شرفی 4
1 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
3 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
4 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
الکلمات المفتاحية: تحلیل پوششی داده ها, تحلیل حساسیت, داده های نسبتی, الگویابی,
ملخص المقالة :
بانک ها به عنوان اصلی ترین بخش سیستم مالی نقش مهی در توسعه اقتصادی هر کشور دارند. محاسبه کارایی و در نتیجه یافتن نقاط قوت و ضعف شعب، تاثیر بسزایی در افزایش بهره وری بانک ها دارد. تحلیل پوششی داده ها یکی از تکنیک های ارزیابی عملکرد می باشد که علاوه بر محاسبه کارایی نسبی قادر به معرفی نقاط الگو برای واحدهای تصمیم گیرنده ناکارا است. این تکنیک قادر به ارزیابی کارایی واحدهای تصمیم گیرنده با چندین ورودی وچندین خروجی می باشد. در این مقاله با استفاده از تکنیک تحلیل پوششی داده ها، مدلی برای ارزیابی، تحلیل حساسیت و الگویابی 18 شعبه یکی از بانک های تجاری ایران با نسبت های مالی ارایه شده است. بدین منظور مدلی برای تخمین خروجی با داده های نسبتی طراحی شده است که با تغییر مقادیر ورودی، میزان تغییرات مورد نیاز در خروجی ها برای حفظ کارایی و همچنین حفظ رتبه با استفاده از مدل داده نسبتی پیشنهادی قابل محاسبه می باشد.
1) آذر عادل، زارعی محمودآبادی محمد، مقبل باعرض عباس، خدیور آمنه. سنجش بهرهوری شعب بانک با رویکرد تحلیل پوششی دادههای شبکهای یکی از بانکهای استان گیلان. فصلنامه پژوهشهای پولی-بانکی.1393. (20)7. 35-2851
2) احد زاده نمین مهناز، خمسه الهه، محمدی فرزانه. ارزیابی عملکرد شعب بانک با استفاده از رویکرد کنترل وزن در تحلیل پوششی دادهها. فصلنامه مهندسی مالی و مدیریت اوراق بهادار.1397. 40. 28-1
3) خواجوی شکراله، غیوری مقدم علی، غفاری محمدجواد. تکنیک تحلیل پوششی دادهها مکملی برای تحلیل سنتی نسبتهای مالی. بررسیهای حسابداری و حسابرسی.1389. (60)17 :56-41
4) عرب مازار عباس، ورهامی ویدا، حسنی حسین. ارزیابی عملکرد بانکهای کشور با استفاده از تحلیل پوششی دادههای شبکهای. فصلنامه اقتصاد مقداری ( بررسیهای اقتصادی سابق).1397. (15)2: 21-1
5) کرد رستمی سهراب، امیرتیموری علیرضا، معصوم زاده عاطفه. ارزیابی عملکرد نیروی انسانی و شعب بانک صادرات گیلان با استفاده از روش تحلیل پوششی دادهها. تحقیق در عملیات و کاربردهای آن. 1394. (45)2 :137-125
6) محرابیان سعید، ساعتی مهتدی صابر، هادی علی. ارزیابی کارایی شعب بانک اقتصاد نوین با ترکیبی از روش شبکه عصبی و تحلیل پوششی دادهها. تحقیق در عملیات و کاربردهای آن.1390. (8)4: 39-29
7) Berger, A. N., Humphrey, D. B. (1997). Efficiency of financial institutions: International survey and directions for future research. European Journal of Operational Research, 98(2), 175–212.
8) Charnes, A., Cooper, WW., Rhodes, E. (1978). Measuring the efficiency of decision making units, European Journal of Operational Research, 2, 429-444.
9) Despic.O, Despic.M, Paradi. J.C. (2007) .DEA-R: ratio-based comparative efficiency model, its mathematical relation to DEA and its use in applications. J Prod Anal 28, 33–44.
10) Fethi, M. D., & Pasiouras, F. (2010). Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey. European Journal of Operational Research, 204, 189–198.
11) Gumus,Y., Celikkol,H., (2011). Data envelopment analysis: An augmented method for analysis of firm performance. International Research Journal of Finance and Economics, Euro Journal Publishing.
12) Halkos, G.E., Salamouris,D.S. (2004). Efficiency measurement of Greek commercial bank with the use of financial ratios: a data envelopment analysis. Management accounting research, 15, 201-224.
13) Kaffash, S. & Marra. (2017). Data envelopment analysis in financial services: a citations network analysis of banks, insurance companies and money market funds. Annals of Operations Research, 253(1), 307-344.
14) Kamyab, P., Mozaffari, M.R., Gerami, J. and Wankei, P.F. (2020), Two-stage incentives system for commercial banks based on centralized resource allocation model in DEA-R. International Journal of Productivity and Performance Management. https://doi.org/10.1108/IJPPM-11-2018-0396.
15) Mozaffari .M.R, Gerami .J, Jablonsky .J. (2012). Relationship between DEA models without explicit inputs and DEA-R models. CEJOR, 22, 1–12.
16) Mozaffari, M.R., Kamyab, P., Jablonsky, J., Gerami, J. (2014). Cost and revenue efficiency in DEA-R models, Computers & Industrial Engineering. 78, 188-194
17) Ouenniche.J., Carrales. S., (2018). Assessing efficiency profiles of UK commercial banks: a DEA analysis with regression-based feedback. Annals of Operations Research, 266: (1-2) 551–587.
18) Paradi, J.C., Sherman,H.D., Tam F.K., (2018). Data Envelopment Analysis in the Financial Services Industry: A Guide for Practitioners and Analysts Working in Operations Research Using DEA. International Series in Operations Research & Management Science. Springer.
19) Wei, C.K., Chen, L.C., Li, R.K., Tsai, C.H. (2011). A study of developing an input oriented ratio-based comparative efficiency model. Expert Systems with Applications. 38, 2473-2477
_||_
1) Azar Adel, Zarei Mahmoudabadi Mohammad, Maqbul Baarad Abbas, Khadivar Amina. Measuring the productivity of bank branches with the approach of network data coverage analysis of one of the banks in Gilan province. Financial and Banking Research Quarterly, 2013. (20) 7. 35-2851
2) Ahadzade Namin Mahnaz, Khamsa Elaha, Mohammadi Farzaneh. Evaluating the performance of bank branches using the weight control approach in data coverage analysis. Quarterly Journal of Financial Engineering and Securities Management. 2017. 40. 28-1
3) Khajavi Shokrale, Ghiori Moghadam Ali, Ghafari Mohammad Javad. The data coverage analysis technique is a supplement to the traditional analysis of financial ratios. Accounting and auditing investigations. 2019. (60) 17:56-41
4) Arab Mazar Abbas, Varhami Vida, Hosni Hossein. Evaluating the performance of the country's banks using network data coverage analysis. Quantitative Economics Quarterly (Former Economic Surveys). 2017. (15)2: 1-21
5) Kord Rostami Sohrab, Amirtimori Alireza, Masoomzadeh Atefeh. Evaluating the performance of human resources and Bank Saderat Gilan branches using the method of data envelopment analysis. Research in its operations and applications. 2014. (45)2:137-125
6) Mehrabian Saeed, Saati Mohtadi Saber, Hadi Ali. Evaluating the efficiency of Ekhtaz Novin Bank branches with a combination of neural network method and data envelopment analysis. Research in its operation and applications. 2019. (8) 4: 29-39
7) Berger, A. N., Humphrey, D. B. (1997). Efficiency of financial institutions: International survey and directions for future research. European Journal of Operational Research, 98(2), 175–212.
8) Charnes, A., Cooper, WW., Rhodes, E. (1978). Measuring the efficiency of decision making units, European Journal of Operational Research, 2, 429-444.
9) Despic.O, Despic.M, Paradi. J. C. (2007). DEA-R: ratio-based comparative efficiency model, its mathematical relation to DEA and its use in applications. J Prod Anal 28, 33–44.
10) Fethi, M. D., & Pasiouras, F. (2010). Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey. European Journal of Operational Research, 204, 189–198.
11) Gumus, Y., Celikkol, H., (2011). Data envelopment analysis: An augmented method for analysis of firm performance. International Research Journal of Finance and Economics, Euro Journal Publishing.
12) Halkos, G.E., Salamouris, D.S. (2004). Efficiency measurement of Greek commercial banks with the use of financial ratios: a data envelopment analysis. Management accounting research, 15, 201-224.
13) Kaffash, S. & Marra. (2017). Data envelopment analysis in financial services: a citations network analysis of banks, insurance companies and money market funds. Annals of Operations Research, 253(1), 307-344.
14) Kamyab, P., Mozaffari, M.R., Gerami, J. and Wankei, P.F. (2020), Two-stage incentives system for commercial banks based on centralized resource allocation model in DEA-R. International Journal of Productivity and Performance Management. https://doi.org/10.1108/IJPPM-11-2018-0396.
15) Mozaffari .M.R, Gerami .J, Jablonsky .J. (2012). Relationship between DEA models without explicit inputs and DEA-R models. CEJOR, 22, 1–12.
16) Mozaffari, M.R., Kamyab, P., Jablonsky, J., Gerami, J. (2014). Cost and revenue efficiency in DEA-R models, Computers & Industrial Engineering. 78, 188-194
17) Ouenniche.J., Carrales. S., (2018). Assessing efficiency profiles of UK commercial banks: a DEA analysis with regression-based feedback. Annals of Operations Research, 266: (1-2) 551–587.
18) Paradi, J.C., Sherman, H.D., Tam F.K., (2018). Data Envelopment Analysis in the Financial Services Industry: A Guide for Practitioners and Analysts Working in Operations Research Using DEA. International Series in Operations Research & Management Science. Springer.
19) Wei, C.K., Chen, L.C., Li, R.K., Tsai, C.H. (2011). A study of developing an input oriented ratio-based comparative efficiency model. Expert Systems with Applications. 38, 2473-2477
