رتبه بندی شعب بانک با داده های نامطلوب و فازی: یک رویکرد مبتنی بر DEA

Subject Areas : Data Envelopment Analysis

سهراب کردرستمی ¹ ( Lahijan Branch, Islamic Azad University )
علیرضا امیرتیموری ² ( Rasht Branch, Islamic Azad University )
منیره جهانی صیاد نویری ³ ( Lahijan Branch, Islamic Azad University )

Received: 2016-08-09 Accepted : 2016-10-26 Published : 2016-12-01

Keywords:

Abstract :

بانک ها یکی از مهمترین بخشهای مالی به منظور توسعه اقتصادی هر کشور هستند. بدیهی است که نمرات و رتبه های کارآیی، جنبه های مهم و مؤثر در راستای برنامه ریزی های آینده تمی باشند. گاهی اوقات عملکرد بانک ها را باید در حضور عوامل نامطلوب و مبهم سنجید. بنا به این دلایل، در مقاله حاضر یک روش مبتنی بر تحلیل پوششی داده ها  (DEA) برای ارزیابی کارآیی و رتبه بندی واحدهای تصمیم گیری (DMUها) معرفی شده است که در آن سنجشهای نامطلوب و فازی وجود دارد. برای نمایش این موضوع در حضور سنجشهای نامطلوب و فازی، DMUها با استفاده از یک رویگرد مقدار مورد انتظار فازی ارزیابی شده و DMUهای دارای نمرات کارآیی مشابه بوسیله محدودیت ها و شاخص تعادل حداکثر براساس قیمت های سایه بهینه رتبه بندی شدند. پس از آن، نمرات کارآیی 25 شعبه یک بانک تجاری ایرانی با استفاده از روش پیشنهادی ارزیابی گردیدند. همچنین یک رتبه بندی کامل شعبات بانکی برای تمایز بین شعبات ارائه شده است.

References:

Adler, N., Friedman, L., & Sinuany-Stern, Z. (2002). Review of ranking methods in the data envelopment analysis context. European Journal of OperationalResearch, 140(2) ,249-265.

Alirezaee, M. R., & Afsharian, M. (2007). A complete ranking of DMUs using restrictions in DEA models. Applied MathematicsandComputation, 189(2) 1550-1559.

Amirteimoori, A.,  Kordrostami, S., & Khoshandam, L. (2014). Multi-dimensional non-discretionary factors in production processes: a data envelopment analysis.IMA Journal of Management Mathematics, 25(4) ,435-448.

Asmild, M.,  & Tam, F.(2007).  Estimating global frontier shifts and global Malmquist indices, Journal of Productivity Analysis, 27(2) ,137-148.         

Camanho, A.S., &  Dyson, R.G.(1999).  Efficiency, Size, Benchmarks and Targets for Bank Branches: An Application of Data Envelopment Analysis.The Journal of the Operational Research Society, 50(9) ,903-915.

Gaganis , C.,  Liadaki, A., Doumpos, M.,  & Zopounidis, C. (2009). Estimating and analyzing the efficiency and productivity of bank branches: Evidence from Greece. Managerial Finance, 35(2) ,202-218.

Guo, D., & Wu, J. (2013).  A complete ranking of DMUs with undesirable outputs using restrictions in DEA models. Mathematical and Computer Modelling, 58(5-6) ,1102-1109.

Hatami-marbini, A., Emrouznejad, A., & Tavana, M. (2011). A taxonomy and review of the fuzzy DEA literature: Two decades in the making. European Journal of OperationalResearch, 214(3) ,457-472. 

Jahanshahloo, G.R.,   Hosseinzadeh Lotfi, F., Sanaei, M., & Fallah Jelodar, M. (2008). Review of ranking models in data envelopment analysis. Applied Mathematical Science, 2(29) ,1431-1448.  

Liu, B., & Liu, Y. K. (2002).  Expected value of fuzzy variable and fuzzy expected value models. IEEE Transactions on Fuzzy Systems, 10(4) ,445-450.

McEachern, D., & Paradi, J.C.(2007).  Intra- and inter-country bank branch assessment using DEA.Journal of Productivity Analysis, 27(2) ,123-136.

Mitropoulos, J.,  Anastasiou, A.,  Sissouras, A.(2003).  Managing cost efficiency of bank branches : an empirical study for the “Commercial Bank of Greece”. Journal of Interdisciplinary Mathematics, 6(1) ,1-17.

Noulas, A.G.,  Glaveli, N.,&  Kiriakopoulos, I. (2008). Investigating cost efficiency in the branch network of a Greek bank: an empirical study. Managerial Finance, 34(3) 160-171.

Parkan, C. (1987). Measuring the efficiency of service operations: an application to bank branches. Engineering Costs and Production Economics, 12(1-4) ,237-242.

Pastor, J.T., Lovell, C.A.K.,  & Tulkens, H. (2006). Evaluating the financial performance of bank branches. Annals of Operations Research, 145(1) ,321-337.

Puri, J., & Yadav, S.P. (2014).  A fuzzy DEA model with undesirable fuzzy outputs and its application to the banking sector in India. Expert Systems with Applications, 41(14) ,6419-6432.

Sherman, H.D., &  Gold, F. (1985). Bank branch operating efficiency: Evaluation with data envelopment analysis. Journal of banking & finance, 9(2) 297-315.

Wang, Y. M., & Chin, K.S. (2011).  Fuzzy data envelopment analysis: A fuzzy expected value approach. Expert Systems with Applications, 38(9) ,11678-11685.

Wu, J., Yang, F., Liang, L. (2010). A modified complete ranking of DMUs using restrictions in DEA models. Applied MathematicsandComputation, 217 (2) 745-751.