حل مسئله رتبه بندی چندمعیاره شعب بانک های سپه استان فارس با داده های بازه ای با روش ایداس

الموضوعات :

حمید سلیمانپور ¹ , صادق نیرومند ² , زاداله فتحی ³ , علی محمودی راد ⁴

1 - گروه مدیریت صنعتی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مهندسی صنایع، مرکز آموزش عالی فیروزآباد، دانشگاه صنعتی شیراز، شیراز، ایران
3 - گروه مدیریت صنعتی، دانشکده مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه ریاضی، واحد بابل، دانشگاه آزاد اسلامی، بابل، ایران

تاريخ الإرسال : 28 الأربعاء , رمضان, 1444 تاريخ التأكيد : 13 السبت , ذو الحجة, 1444 تاريخ الإصدار : 14 الخميس , ربيع الثاني, 1446

الکلمات المفتاحية: Ranking, Interval EDAS approach, Multi-criteria decision making, Bank branches,

ملخص المقالة :

هدف از این پژوهش ارزیابی عملکرد شعب یک موسسه مالی اعتباری با در نظر گرفتن معیارهای چندگانه و رتبه‌بندی آنها از این منظر می‌باشد. بدین منظور شعب درجه 1 بانک سپه در استان فارس در نظر گرفته می‌شوند. ابتدا مجموعه ای از معیارهای مهم برای ارزیابی بخش بانکی از میان ادبیات و صاحب نظران حوزه انتخاب شده است. سپس برای رویارویی با ماهیت عدم قطعیت در مسایل دنیای واقعی، داده های شعب بانک در معیارهای انتخابی سال‌های گذشته به دست آمده و به صورت مقادیر بازه ای نمایش داده می‌شود. چارچوب تصمیم گیری شامل دو مرحله برای رتبه بندی شعب بانک‌های داده شده پیشنهاد شده است. در مرحله اول، معیارها با روش آنتروپی شانون بازه ای و همچنین نظرات متخصصان، وزن دهی می‌شوند. در مرحله دوم، رویکرد ایداس بازه‌ای گسترش یافته و برای رتبه‌بندی شعب بانک‌ها اعمال می‌شود. با اجرای روش حل پیشنهادی بر روی مطالعه موردی، شعبه‌های مختلف رتبه بندی می‌شوند. بر اساس اجرای روش پیشنهاد شده، اوزان معیارها و رتبه‌بندی شعب بدست آمده است. بر اساس تحلیل حساسیت انجام شده تغییرات ضرایب اهمیت وزن‌های بدست آمده از متخصصان و همچنین آنتروپی شانون باعث تغییر در مقادیر اوزان نهایی معیارها می‌گردد. و همچنین با استفاده از اوزان مختلف بدست آمده رتبه‌بندی‌های متفاوت بدست می‌آید.

المصادر:


[1] اسلامی نصرت آبادی، حمید، جعفر تارخ ، محمد، پورابراهیمی، علیرضا. ارزیابی عملکرد شعب بانک با رویکرد داده-کاوی و سیستم خبره. فصلنامه مهندسی مالی و مدیریت اوراق بهادار، دوره 12، شماره 46 ، صفحه 49-23،
فروردین 1400.

[1] Kumbirai, M., & Webb, R. (2010). A financial ratio analysis of commercial bank performance in South Africa. African Review of Economics and Finance, 2(1), 30-53.

[2] Bičo, A., & Ganić, M. (2012). The efficiency of banking sector in Bosnia and Herzegovina in comparison to Slovenia: comparative analysis. Journal of Economic and Social Studies, 2(2), 125-149.

[3] Said, R. M., & Tumin, M. H. (2011). Performance and financial ratios of commercial banks in Malaysia and China. International Review of Business Research Papers, 7(2), 157-169.

[4] Wanke, P., Azad, M. A. K., & Barros, C. P. (2016). Efficiency factors in OECD banks: A ten-year analysis. Expert Systems with Applications, 64, 208-227.

[5]Gavurova, B., Belas, J., Kocisova, K., & Kliestik, T. (2017). Comparison of selected methods for performance evaluation of Czech and Slovak commercial banks. Journal of Business Economics and Management, 18(5), 852-876.

[6] Elitcha, K. (2021). The moderating role of stock markets in the bank competition-entrepreneurship relationship. Small Business Economics, 56(4), 1333-1360.

[7] Miglo, A. (2022). Crowdfunding and bank financing: substitutes or complements?. Small Business Economics, 59, 1115-1142.

[8] Contreras, S., Delis, M. D., Ghosh, A., & Hasan, I. (2022). Bank failures, local business dynamics, and government policy. Small Business Economics, 58(4), 1823-1851.

[9] Keshavarz Ghorabaee, M., Zavadskas, E. K, Olfat, L., Turskis, Z. (2015). Multi-criteria inventory classification using a new method of evaluation based on distance from average solution (EDAS). Informatica, 26, 435–451.

[10] Wang, E., Alp, N., Shi, J., Wang, C., Zhang, X., & Chen, H. (2017). Multicriteria building energy performance benchmarking through variable clustering based compromise TOPSIS with objective entropy weighting. Energy, 125, 197–210.

[11] Wang, Z.-X., Li, D.-D., & Zheng, H.-H. (2018). The external performance appraisal of China energy regulation: An empirical study using a TOPSIS method based on entropy weight and Mahalanobis distance. International Journal of Environmental Research and Public Health, 15 (2), 236.

[12] Kumar, S., Kumar, S., & Gopal Barman, G. (2018). Supplier selection using fuzzy TOPSIS multi criteria model for a small scale steel manufacturing unit. Procedia Computer Science 133 , 905-912.

[13] Hornuf, L., Klus, M. F., Lohwasser, T. S., & Schwienbacher, A. (2021). How do banks interact with fintech startups?. Small Business Economics, 57(3), 1505-1526.

[14] Aristei, D., & Angori, G. (2021). Heterogeneity and state dependence in firms’ access to bank credit. Small Business Economics, 59, 47-78.

[15] Shahbandarzadeh, h. (2006). Design the method evaluated the performance bank branches by using multi criteria decision making techniques (Doctoral dissertation). University of Tehran. Tehran, Iran

[16] Rasoulinejad, E. (2009). Ranking of selected branches of Bank Saderat in Tehran using the integrated model DEAHP and ANP (M.A thesis in industrial management). University of Tehran, Tehran, Iran. (in Persian).

[17] Secme, N. Bayrakdaroglu, A., & Kahraman, C. (2009). Fuzzy performance evaluation in Turkish Banking Sector using Analytic Hierarchy Process and TOPSIS. Expert Systems with Applications, 36 (9), 11699–11709.

[18] Motameni, A.R., Javadzadeh, M. & Tizfahm, M. (2010). The strategy performance evaluation of the banks. Journal of Strategic Management Studies, 1, 159-141.

[19] Garcia, F., Guijarro, F., & Moya, I. (2010). Ranking Spanish savings banks: A multicriteria approach. Matematical and Computer Modelling, 52(7-8), 1058-1065.

[20] Aghaei, M., Asadollahi, A. & Pakari, A. (2013). Ranking of Saman bank’s branches in Tehran on the basis of customer satisfaction factors by F.M.C.D.M models. International Journal of Scientific Management and Development, 1(1), 46-61.

[21] Kazemi, A. & Mousavi, J. (2013). Ranking Iranian private banks using multi-criteria decision-making methods. Journal of Quantitative Research in Management, 3, 121-140

[22] Mahmudi, A. & Bagherlou, H. (2014). Ranking the bank stock with multi-criteria decision-making method. 3th Iranian Management & Accounting Conference, Tehran University.

[23] Alidade, B. & Ghasemi, M. (2015). Ranking the branches of bank Sepah of Sistan Baluchistan using balanced score card and fuzzy multi-attribute decision-making methods, Research Journal of Recent Sciences, 4(1), 17-24.
[24] Beheshtinia, M. A., & Omidi, S. (2017). A hybrid MCDM approach for performance evaluation in the banking industry. Kybernetes, 46(8), 1386-1407.

[25] Niroomand, S., Mirzaei, N., & Hadi‐Vencheh, A. (2019a). A simple mathematical programming model for countries' credit ranking problem. International Journal of Finance & Economics, 24(1), 449-460.

[26] Seyfi-Shishavan, S. A., Kutlu Gündoğdu, F., Farrokhizadeh, E. (2021). An assessment of the banking industry performance based on Intuitionistic fuzzy Best-Worst Method and fuzzy inference system. Applied Soft Computing, 113, 107990.

[27] Krylovas, A., Zavadskas, E.K., Kosareva, N., & Dadelo, S. (2014). New KEMIRA method for determining criteria priority and weights in solving MCDM problem. International Journal of Information Technology & Decision Making, 13(6), 1119–1133.

[28] Hadi-Vencheh, A. (2010). An improvement to multiple criteria ABC inventory classification. European Journal of Operational Research, 201(3), 962-965.

[29] Niroomand, S., Bazyar, A., Alborzi, M., Miami, H., & Mahmoodirad, A. (2018). A hybrid approach for multi-criteria emergency center location problem considering existing emergency centers with interval type data: a case study. Journal of Ambient Intelligence and Humanized Computing, 9(6), 1999–2008.

[30] Niroomand, S., Mosallaeipour, S., & Mahmoodirad, A. (2019b). A hybrid simple additive weighting approach for constrained multicriteria facilities location problem of glass production industries under uncertainty. IEEE Transactions on Engineering Management, 67(3), 846-854.