بکارگیری مدل تحلیل پوششی داده‌های فازی شبکه‌ای با ورودی غیر اختیاری-خروجی نامطلوب به‌منظور ارزیابی عملکرد شعب بانک

الموضوعات : دانش مالی تحلیل اوراق بهادار

حسن امینی جاوید ¹ (دانشجوی دکتری مدیریت صنعتی، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاداسلامی، تهران،ایران)
محمد ابراهیم محمدپور زرندی ² (استاد گروه مدیریت، دانشکده مدیریت و حسابداری، واحد تهران مرکز، دانشگاه آزاداسلامی، تهران، ایران (نویسنده مسئول))
میرفیض فلاح شمس ³ (دانشیار گروه مدیریت، دانشکده مدیریت و حسابداری، واحد تهران مرکز، دانشگاه آزاداسلامی، تهران،ایران)
نقی شجاع ⁴ (دانشیار گروه ریاضی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران)

تاريخ الإرسال : 07 الإثنين , ربيع الأول, 1444 تاريخ التأكيد : 08 الأحد , جمادى الثانية, 1444 تاريخ الإصدار : 05 الأحد , محرم, 1445

الکلمات المفتاحية: ارزیابی عملکرد, تحلیل پوششی داده‌ای شبکه‌ای, تئوری فازی, ورودی غیر اختیاری, خروجی نامطلوب,

ملخص المقالة :

مسئله ارزیابی کارایی یکی از مهم‌ترین چالش‌های پیش روی مدیران در صنعت پویا و حیاتی بانکداری به شمار می‌رود. به دلیل نقش بسیار مهم و اساسی بانک‌ها در اکثر فعالیت‌های اقتصادی، بررسی کارایی بانک از جایگاه برخوردار است. مدل‌های مبتنی بر تحلیل پوششی داده‌ها کاربردهای وسیعی در حوزه سنجش و ارزیابی کارایی بانک‌ها داشته‌اند. در این پژوهش سعی شد تا با اضافه کردن مفروضات دیگری به مدل سنتی تحلیل پوششی داده‌ها، از مدلی استفاده نمود که با شرایط واقعی مرتبط با واحدهای تصمیم گیری منطبق‌تر بوده و میزان کارایی را به‌صورت دقیق‌تری محاسبه نماید. در طراحی مدل تحلیل پوششی داده ها در پژوهش حاضر، به شبکه ای بودن و روابط داخلی هر واحد تصمیم گیری، ستانده نامطلوب، ورودی غیراختیاری و برخورداری متغیرها از ماهیت فازی توجه شده است. پس از توسعه مدل با مفروضات ذکرشده، ابتدا بر اساس مرور مطالعات پیشین و نیز بررسی‌های میدانی و کسب نظر از خبرگان این صنعت، شاخص‌هایی به‌عنوان ورودی و خروجی در نظر گرفته شدند. پس از شناسایی شاخص‌ها، به‌منظور غربالگری اولیه شاخص‌های شناسایی‌شده از ادبیات تحقیق، از روش دلفی فازی استفاده شد. پس از تائید اولیه شاخص‌ها، از تکنیک تحلیل عاملی تاییدی به نهایی سازی شاخص‌ها اقدام شد. در نهایت نیز مدل پژوهش با استفاده از داده‌های جمع‌آوری‌شده توسط نرم‌افزار گمز و با رویکرد برش آلفا حل شد. نتایج حاکی از آن است که از بین 38 شعبه مورد بررسی، 8 شعبه کارا و 30 شعبه دیگر ناکارا هستند.

المصادر:

احدزاده نمین، مهناز؛ خمسه، الهه و محمدی، فرزانه (1398). ارزیابی عملکرد شعب بانک با استفاده از رویکرد کنترل وزن در تحلیل پوششی داده‌ها. مهندسی مالی و مدیریت اوراق بهادار، 10(40)، 28-1.

پورکاظمی، محمدحسین؛ صداقت، الدار و زیرک (1396). ارزیابی پتانسیل رشد شعبه بانک با استفاده از تحلیل پوششی داده‌ها (مطالعه موردی شعب درجه یک بانک اقتصاد نوین استان تهران). فصلنامه پژوهش‌های پولی-بانکی، سال 10(33)،408-383.

تقوی فرد، محمدتقی؛ امیری، مقصود و مظفری، رقیه (1396). سنجش کارایی مدیریت شعب بانک ملی با استفاده از تحلیل پوششی داده‌های سه مرحله‌ای. پژوهش‌های نوین در تصمیم‌گیری، 2(1) و 72-51.

جهانگیری، عباس (1397). کاربرد تکنیک تحلیل پوششی داده‌ها در نظام بانکداری ایران. نشریه تصمیم‌گیری و تحقیق در عملیات دوره 3 ،شماره(4).بهمن 1397.

ژیانی رضایی، حامد؛ گلزاریان پور، سیاوش و ماهیان، مجید.(1395).کارایی شعب بانک سپه ایران با استفاده از روش تجزیه‌وتحلیل پوششی داده‌های پنجره‌ای (مطالعه موردی: شعب درجه 3 بانک سپه شهر مشهد). فصلنامه مطالعات مالی و بانکداری اسلامی، سال دوم ، شماره چهار، پاییز و زمستان 95.

سبحانی، حسن و کارجو، حلیمه. (1391). بررسی و اندازه‌گیری کارایی فنی شعب منتخب بانک‌های صادرات استان تهران. پژوهش‌ها و سیاست‌های اقتصادی، 2(62)، 211-195.

سجادی فر، سیدحسین؛ عسلی، مهدی؛ فتحی بهرام؛ محمدباقری، اعظم. (1394). اندازه‌گیری کارایی انرژی با استفاده از روش تحلیل پوششی داده‌ها با خروجی‌های نامطلوب. برنامه‌ریزی و بودجه، 20(4)، 70-55.

غیوری مقدم، علی؛ علیپور، صفدر؛ نعمت الهی، زعیمه و اصغری، ایرج. (1396). تعیین کارایی هزینه و سود بانک‌ها با استفاده از تکنیک تحلیل پوششی داده‌ها و بررسی عوامل تعیین‌کننده آن. پژوهش‌های تجربی حسابداری، 7(3)، 100-81.

معظمی گودرزی، محمدرضا؛ جابرانصاری، محمدرضا؛ معلم، آذر؛ شکیبا، محبوبه. (1393). کاربرد تحلیل پوششی داده‌ها در ارزیابی کارایی نسبی و رتبه‌بندی شعب بانک رفاه استان لرستان و مقایسه نتایج آن با روش تاپسیس. پژوهش‌های رشد و توسعه پایدار، 14(1)، 126-115.

معمارپور، مهدی و واعظی، احسان.(1396)ارزیابی کارایی و رتبه‌بندی شعب یک بانک خصوصی با استفاده از رویکرد تحلیل پوششی دومرحله‌ای و تکنیک رتبه‌بندی بردا. نشریه تصمیم‌گیری و تحقیق در عملیات دوره 2 ،شماره(2).بهمن 1396.

میرمحمدصادقی، علیرضا؛ مغان، مهدی؛ کشاورز، مهدی؛ کشاورز، مهرنوش (1395)، ارزیابی سیستم و زیرسیستم‌های تهویه قطارهای مترو تهران به کمک مدل تحلیل پوششی داده‌های ارتباطی فازی، فصلنامه مدیریت صنعتی دانشگاه علامه طباطبائی.

Chen, Y. Ch., Chiu Y. H., Huang, Ch. W., & Heng T. Ch. (2013). The analysis of bank business performance and market risk— Applying Fuzzy DEA. Economic Modelling, 32 , 225 –232.

Ebrahimnejad, A., Tavana, M., Hosseinzadeh Lotfi, F., Shahverdi, R., & Yousefpour, M. (2014). A tree-stage data envelopment analysis model with application to banking industry.Measurement, 49, 308-319.

Goyal J., Singh M, Singh R , & Aggarwal Arun(2018). Efficiency and technology gaps in Indian banking sector: Application of meta-frontier directional distance function DEA approach. The Journal of Finance and Data Science xx (2018): 1-17.

Hadian, E., & Azimi Hosseini, A. (2004). Measuring the efficiency of the Iranian banking system using dea approach. Iranian Economic Research, 6(20), 1-25.

Henriques,  I.C.,  Sobreiro,  V.A.,  Kimura,  H.,  Mariano,  E.B. (2020).  Two-Stage  DEA  in  Banks:Terminological  Controversies  and  Future  Directions,  Expert  Systems  with  Applications.  Volume 161,  113632.

Kao,  C.  (2014).  Network  Data  Envelopment  Analysis:  A  Review; uropean Journal of Operational Research, 239: 1-16.

Khalili-Damghani, K., Shahmir, Z.(2015). Uncertain network data envelopment analysis with undesirable outputs to evaluate the efficiency of electricity power production and distribution processes, Computers & Industrial Engineering.1-61.

Kong WH, Fu TT, Yu M. M.( 2017). Evaluating taiwanese bank efficiency using the two-stage range DEA model. Int J Inf Tech Decis;16:1043–60.

Lozano S., & Moreno P.,(2014) Network Fuzzy Data Envelopment Analysis. Studies in Fuzziness and Soft Computing.207-230.

Mohtashami, A., & MohammadkhaniGhiasvand, B. (2020) Z-ERM DEA integrated approach for evaluation of banks & financial institutes in stock exchange. Expert Systems with Applications.Volume 147, , 113218.

Olfat L., Pishdar, Mahsa.(2017). Interval type-2 fuzzy dynamic network data envelopment analysis with undesirable outputs considering double frontiers: An application to Iran Airports, sustainability evaluation. International Journal of Industrial Engineering, 24(6), 635-662.

Puri J., & Yadav Sh.P.(2014). A fuzzy DEA model with undesirable fuzzy outputs and its application to the banking sector in India. Expert Systems with Applications.

Puri J., & Yadav Sh.P.(2017). Improved DEA models in the presence of undesirable outputs and imprecise data: an application to banking industry in India. Int J Syst Assur Eng Manag.

Sherman, H., & Gold, d. (1985).Bank branch operating efficiency: Evaluation With data envelopment analysis. Journal of banking and finance, 9, 297-316.

Tsolas, I.E., Charles, V., Gherman, T. (2020). Supporting Better Practice Benchmarking: A DEA-ANN Approach to Bank Branch Performance Assessment, Expert Systems with Applications. Volume 160, 113599.

Wang, W-K., Lu, W-M., Liu, Pei-Yi(2015). A fuzzy multi-objective two-stage DEA model for evaluating the performance of US bank holding companies. Expert Systems with Applications, 41, 4290–4297.

Wanke P., Abul Kalam Azad Md. Emrouznejad , Ali (2018). Efficiency in BRICS banking under data vagueness: A two-stage fuzzy approach. Global Finance Journal, 35,58–71.

Wanke Peter, Abul Kalam Azad M, Emrouznejad A & Antunes Jorge.(2019) A dynamic network DEA model for accounting and financial indicators: A case of efficiency in MENA banking. International Review of Economics and Finance 61 (2019) 52–68.

Wasiaturrahma, Sukmana, R., Rohmatul, S., Cahyaning, A., Salama U., & Hudaifah A. (2020). Financial performance of rural banks in Indonesia: A two-stageDEA approach. Heliyon, 6, e04390.

ZhouX., Xu, Zh., Chai, J., Yao, Liming., Wang, Sh., Le, B.(2019). Efficiency evaluation for banking systems under uncertainty: A multi-period three-stage DEA model. Omega,85,68–82.