ارائه مدل طبقه بندی هوشمند مبتنی بر شبکه عصب مصنوعی پرسپترون (MLP) و تحلیل سلسله مراتبی (AHP) در خدمات بازاریابی دیجیتال برای اولویت بندی ریسک نقدینگی و سرمایه گذاری
الموضوعات :
دانش سرمایه‌گذاری
علیرضا عاشوری رودپشتی
1
,
هرمز مهرانی
2
,
کریم حمدی
3
1 - گروه مدیریت بازرگانی ،د انشکده مدیریت و اقتصاد،, واحد علوم و تحقیقات، دانشگاه آزاد اسلامی ،تهران،ایران
2 - استادیار گروه مدیریت، موسسه آموزش عالی غزالی، قزوین، ایران (نویسنده مسئول)
3 - دانشیار مدیریت بازاریابی، گروه مدیریت بازرگانی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
تاريخ الإرسال : 01 الأربعاء , جمادى الأولى, 1442
تاريخ التأكيد : 26 الأحد , جمادى الأولى, 1442
تاريخ الإصدار : 08 الأحد , شعبان, 1442
الکلمات المفتاحية:
"خدمات بازاریابی دیجیتال ",
" هوش مصنوعی",
" شبکه عصبی پرسپترون (MLP)",
" AHP",
" ریسک نقدینگی",
ملخص المقالة :
مطالعه حاضر با استفاده از تکنیک‌های یادگیری ماشین و نظرکاوی کوشیده است تا بتواند مدل راهبردی خودکار به منظور طبقه‌بندی و کاوش نظرات ارائه شده در مورد خدماتی خاص که در این مورد در حوزه ی سرمایه گذاری بررسی شده است را با استفاده از بررسی نتایج به دست آمده در خدمات بازاریابی دیجیتال ارائه نماید. مدل مبتنی بر شبکه عصبی با شناسایی نظرات مرتبط، خصوصیات مختلف را در سطوح گوناگون ارزشیابی سنجیده و نظرات را بسته به کیفیت ارائه بصورت خودکار طبقه-بندی می‌نماید. بحران‌های مالی موجود در نظام‌های بانکی معمولاً ناشی از عدم توانایی در مدیریت ریسک‌های مالی و نقدینگی است که عاملی بر عدم شفافیت و توانایی در مدیریت سرمایه می‌باشد. بطوری‌که وجود چنین عدم‌قطعیت‌هایی سبب کاهش علاقه-مندی سرمایه‌گذاران در مشارکت‌های صنعتی و اجرایی گردیده است. این مقاله با هدف شناسایی عوامل موثر بر ریسک نقدینگی و همچنین ارائه مدلی هوشمند جهت پیش‌بینی و طبقه‌بندی عوامل ایجادکننده ریسک نقدینگی، شناسایی و اولویت‌بندی فاکتورهای درگیر آن پایه‌ریزی گردیده است. بدین منظور از روش سنجش هوشمند با بکارگیری شبکه عصبی پرسپترون (MLP) بهره گرفته شده که به عنوان یک رویکرد کاربردی هوش مصنوعی بشمار می‌آید. بدین منظور بررسی های لازم بر روی اطلاعات مالی و نقدینگی در شعب بانک ملت در شهر تهران (مشتمل بر ۳۶ شعبه) مورد توجه بوده و برای جامعه نمونه از مجموعه تصادفی خوشه‌ای از۳۷۴ نفر از مشتریان و سرمایه‌گذاران منتخب بهره گرفته شده است.
المصادر:
Abolhassani, A., Hassani Moghadam, R. (2006). Investigating the types of risk and its management methods in the interest-free banking system of Iran. Islamic Economics, 30 (2): 145-172. [In Persian]
Aggarwal C.C. (2018). Neural Networks and Deep Learning: A Textbook. Springer, 520 p.
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]
Alaraj M., Abbod F. (2016). A New Hybrid Ensemble Credit Scoring Model Based on Classifiers Consensus System Approach. Expert Systems with Applications, 64: 36-55.
Arabi, S.H., Shahjamali, M. (2019). Ranking of credit risk management tools in interest-free banking using AHP technique. Scientific Quarterly of Islamic Economics and Banking, 28 (3): 7-39. [In Persian]
Bagheri N., Haghshenaskashani, F. (2019). Credit risk assessment of urban cooperatives using neural network method. Journal of Economics and Urban Management, 6(4): 17-33. [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.
Ebrahimi M., Daryabar E. (2012). Credit risk management in the banking system - data envelopment analysis approach and Logistic regression and neural network. Investment Knowledge Quarterly, 1(2): 35-67. [In Persian]
El Shahat A. (2014). Artificial Neural Network (ANN): Smart & Energy Systems Applications. Scholars' Press, 192 p.
Eletter S.F., Yaseen S.G., Elrefae G.A. (2010). Neuro-based artificial intelligence model for loan decisions. American Journal of Economics and Business Administration, 2(1): 27-36.
Eyüboğlu, K., Çelik, P. (2016).Financial Performance Evaluation of Turkish Energy Companies with Fuzzy AHP and Fuzzy TOPSIS Methods. Business and Economics Research Journal, 7(3): 21-38.
Gunduz, M., Alfar, M. (2019). Integration of innovation through analytical hierarchy process (AHP) in project management and planning. Technological and Economic Development of Economy, 25: 258-276.
Hacioglu, U., Dincer, H. (2015). A Comparative Performance Evaluation on Bipolar Risks in Emerging Capital Markets Using Fuzzy AHP-TOPSIS and VIKOR Approaches. Inzinerine Ekonomika-Engineering Economics, 26(2): 118-129.
Hassoun H.M. (2003). Fundamentals of Artificial Neural Networks. A Bradford Book, 540 p.
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]
Khashei M., Torbat Sh. (2019). A Hybrid Intelligent Classification Model Based on Multilayer Perceptron Neural Networks and Fuzzy Regression for Credit Scoring. Computational Methods in Engineering, 37(2): 97-111. [In Persian]
Koutanaei, F. N., Sajedi, H., Khanbabaei, M. (2015). A hybrid data mining model of feature selection algorithms and ensemble learning classifiers for credit scoring. Journal of Retailing and Consumer Services, 27, 11-23.
Mahmoudi, Z., Kheirandish, M., Ahmadi, M. (2017). Identifying and ranking the factors affecting the credit risk of legal customers from the perspective of managers and experts of Bank Mellat in Bandar Abbas using the AHP model. Journal of Strategic Studies in Humanities and Islamic Sciences, 7 (1): 59-89. [In Persian]
Mehrara, M., Mehranfar, M. (2013). Banking performance and macroeconomic factors in risk management. Economic Modeling Quarterly, 7 (1): 21-37. [In Persian]
Moazeni, G. (2011). Comparison of growth and price stocks risk in Tehran Stock Exchange. Master Thesis, Faculty of Management and Accounting, University of Isfahan, Isfahan, Iran. [In Persian]
Nazarpour, M., Rezaei, A. (2013). Credit risk management in Islamic banking with the approach of reviewing contracts and the payment pattern of facilities. Islamic Financial Research, 4: 123-156. [In Persian]
Rahmani, G., Ismaili, A. (2010). Manage credit risk coverage using credit default swaps. Presented at the Third International Conference on the Development of the Financing System in Iran, Al-Zahra University, Tehran, Iran. [In Persian]
Shou, H. (2018). Research on Measurement of China's Systemically Important Banks Based on AHP-Entropy Model. Advances in Social Science, Education and Humanities Research, 182: 618-621.
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.
Sun, C. (2010). A performance evaluation model by integrating fuzzy AHP and fuzzy TOPSIS methods. Expert Systems with Applications, 37: 7745-7754.
Wang, S. (2019). Research on liquidity risk measurment method of financial block chain based on Sand box. In: 2019 International Conference on Smart Grid and Electrical Automation, doi: 10.1109/ICSGEA.2019.00111.
Wu, W., Kou, G., Peng, Y., Ergu, D. (2012). Improved AHP-group decision making for investment strategy selection, Technological and Economic Development of Economy, 18(2): 299-316.
Yadav, R., Ananad, S. (2020). Measuring the financial performance of MFIs in India using fuzzy logic AHP approach. Studies in Indian Place Names, 40(40): 2670-2678.
Yu, A., Jia, Z., Zhang, W., Deng, K., Herrera, F. (2020). A Dynamic Credit Index System for TSMEs in China Using the Delphi and Analytic Hierarchy Process (AHP) Methods. Sustainability, 12: 1715.
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.
_||_
