Solving the multi-criteria ranking problem of the branches of Sepah bank of Fars province with interval data by EDAS approach

Subject Areas : تحقیق در عملیات

Hamid Soleimanpour ¹ , Sadegh Niroomand ² , Zadollah Fathi ³ , Ali Mahmoodirad ⁴

1 - Department of Industrial Management, Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
2 -
3 - Department of Industrial Management, Faculty of Management, Central Tehran Branch, Islamic Azad University, Tehran
4 - Department of Mathematics, Babol Branch, Islamic Azad University, Amol, Iran

Received: 2023-04-19 Accepted : 2023-07-01 Published : 2024-10-17

Keywords: شعب بانک, روش ایداس بازه ای, تصمیم گیری چند معیاره, رتبه بندی,

Abstract :

The aim of this paper is to evaluate and rank the branches of a financial institute (bank) in existence of multiple criteria. For this aim, the branches of Sepah bank in Fars province of Iran are considered. A multi-criteria decision making framework is used to perform the aimed ranking. In this framework, the suitable criteria are selected. Then the performance of each branch in each criterion in last years as an interval value is considered. The criteria are weighted by a mixed approach where the experts opinions and also interval Shannon entropy approach is used. Finally an interval EDAS multi-criteria approach is proposed to perform the aimed ranking. According to the proposed approach the weights of the criteria and also the ranking of the branches have been obtained. Furthermore, according the performed sensitivity analysis by changing the coefficients of the mixed approach, different values for the weights of the criteria are obtained where also these different weight values affect the obtained ranking and different rankings are obtained.

References:


[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.

Full-Text:



حل مسئله رتبه­بندی چندمعیاره شعب بانک­های سپه استان فارس با داده­های بازه ای با روش ایداس

 

چکیده

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.

کلیدواژه‌ها:  تصمیم گیری چند معیاره، رتبه بندی، شعب بانک، روش ایداس بازه ای

Abstract

The aim of this paper is to evaluate and rank the branches of a financial institute (bank) in existence of multiple criteria. For this aim, the branches of Sepah bank in Fars province of Iran are considered. A multi-criteria decision making framework is used to perform the aimed ranking. In this framework, the suitable criteria are selected. Then the performance of each branch in each criterion in last years as an interval value is considered. The criteria are weighted by a mixed approach where the experts opinions and also interval Shannon entropy approach is used. Finally an interval EDAS multi-criteria approach is proposed to perform the aimed ranking. According to the proposed approach the weights of the criteria and also the ranking of the branches have been obtained. Furthermore, according the performed sensitivity analysis by changing the coefficients of the mixed approach, different values for the weights of the criteria are obtained where also these different weight values affect the obtained ranking and different rankings are obtained.

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

 

1- مقدمه 

موسسات مالی و اعتباری به عنوان بخش بسیار مهم و حیاتی اقتصاد یک کشور، نقش مؤثری در اقتصاد هر کشور داشته و دارای موقعیت ویژه ای هستند. کارآمدی بانکی در گردش پول و ثروت و هدفمند سازی آن در راستای فعالیت های سازنده می تواند به طور مستقیم بر رشد بخشهای اقتصادی اثر داشته و زمینه توسعه بازار سرمایه و تولید را فراهم سازد. ارزیابی واحدهای یک بانک و موسسه مالی و اعتباری از جمله مولفه های موثر در فراهم ساختن زمینه رقابتی بین آنها می باشد و بدون تردید واحدها را در مسیر ارتقا عملکرد قرار خواهد داد. شناسایی وضعیت فعلی و مقایسه عملکرد هر واحد با سایر واحدها به همراه رتبه بندی می تواند انگیزه رقابت­پذیری و زمینه اصلی پیشرفت باشد.

موسسات مالی و اعتباری، نقش های مالی و اجتماعی مهمی را در یک کشور ایفا می کنند که از جمله آنها می توان به انجام تراکنش های مالی، مکانی برای سرمایه گذاری، پرداخت وام به مشتریان، به کارگیری افراد و ... اشاره کرد. هدف و چالش مهم مدیران این بخش، ارزیابی و رتبه بندی بانک ها یا شعب بانک های مختلف به منظور اولویت بندی آنها برای تصمیم گیری های بعدی است. برای این منظور، مهمترین معیارها معیارهای هزینه و درآمد هستند. از آنجایی که معیارهای مختلفی وجود دارد که کارایی هزینه و درآمد یک بانک را نشان می دهد، مشکل رتبه بندی بخش بانکی را می توان به عنوان یک مسئله تصمیم گیری چند معیاره (MCDM) مدل کرد. این مشکل از برخی جنبه ها دشوار و پیچیده است. انتخاب معیارهای مهم، جمع‌آوری داده‌های هر شعبه بانک، نامشخص بودن برخی از داده‌ها، تعیین وزن‌های اهمیت معیار، روش ارزیابی و غیره. برای ارزیابی و رتبه بندی برخی از شعب بانکها ، مبنای تعیین معیارهای مهمی است که از نظر درآمد، هزینه و سایر شعب بر شعب تأثیر میگذارد. با توجه به ادبیات این حوزه مانند مطالعه [1]و همچنین مطالعه انجام شده توسط [2]، معیارهایی مانند میزان سرمایه، میزان بازده دارایی، نقدینگی و ... معیارهای هایی هستند که برای ارزیابی بخش بانکی مورد استفاده قرار گرفته اند [3]. علاوه بر معیارهای کلاسیک فوق، از مجموعه معیارهایی به نام CAMEL برای ارزیابی عملکرد بخش بانکی استفاده می شود. این مجموعه معیارها شامل چند گروه اصلی از معیارها میشود، مانند معیارهای مبتنی بر سرمایه، معیارهای مبتنی بر کیفیت دارایی، معیارهای مدیریتی، معیارهای مبتنی بر سود و معیارهای مبتنی بر نقدینگی. این معیارها توسط بسیاری از پژوهشگران برای ارزیابی عملکرد بخش بانکی بکار گرفته شده است ([4]، [5]، [6]، [7] و[8]). یکی دیگر از جنبه‌های مهم مساله رتبه‌بندی بخش بانکی، استفاده از رویکرد تصمیم‌گیری چند معیاره (MCDM) برای رتبه‌بندی شعب بانک‌ها تحت معیارهای داده شده یا تعیین‌شده است.

2- پیشینه تحقیق

رویکردهای متعددی در ادبیات تصمیم گیری چند معیاره پیشنهاد شده است که میتواند برای این هدف مورد استفاده قرار گیرد. از رایج ترین رویکردهای ادبیات تحلیل سلسله مراتبی (AHP)، تاپسیس (TOPSIS)، الکتره (ELECTRE)، پرومته (PROMETHEE)، مولتی مورا (MULTIMOORA) و ... میتوان نام برد. این رویکردها به طور گسترده در مسایل مربوط به بخش بانکی استفاده شده است. در ادامه به برخی از پژوهش های چند ساله اخیر انجام شده که با استفاده از روشهای تصمیم گیری چند معیاره به ارزیابی گزینه های موجود پرداخته اند و با استفاده از رتبه بندی، میزان کارایی گزینه ها مشخص و به تصمیم گیرنده پیشنهاد شده است، اشاره میشود[9].  به ارزیابی تأمین کننده ها و تخصیص سفارش با توجه به معیارهای محیطی پرداخته اند و برای ارزیابی تامین کننده ها از روش ایداس فازی استفاده نمودند. تحلیل و شناسایی معیارهایی که بیش از سایر معیارها در کیفیت سفارش تاثیر می گذارد در این پژوهش هدفگذاری شده است[10],[11]. برای سنجش عملکرد ساختمان از روشهای تصمیم گیری چندمعیاره استفاده کردند. روش انتروپی برای وزندهی معیارها و روش تاپسیس اساس کار ایشان در پژوهش انجام شده بوده است[12]. برای انتخاب تامین کننده ها که از مسائل مهم در زنجیره تامین می باشد از روش تاپسیس فازی استفاده کردند. روش ارائه شده در پژوهش برای یک واحد تولیدی فولاد در هند بررسی شده است. برای جزییات بیشتر به [13] و [14] مراجعه کنید. جدول 1 برخی از مهمترین پژوهشهای انجام شده در حوزه  بانکی با روشهای تصمیم گیری چند معیاره را نشان می دهد.

 

جدول1- معرفی برخی از پژوهشگران با موضوع فعالیت پیرامون حوزه بانکی با روشهای تصمیم گیری چند معیاره.

پژوهشگر	تمرکز پژوهش	روش حل	عدم قطعیت
شاهبندرزاده [15]	ارزیابی شعب بانک ملت در بوشهر	کارت امتیازی متوازن	-
رسولی نژاد [16]	ارزیابی شعب بانک صادرات تهران	AHP	-
[17]	ارزیابی 5 بانک بزرگ ترکیه	AHP , TOPSIS	فازی
[18]	ارزیابی سه بانک بزرگ ایران	AHP , TOPSIS	فازی
[19]	ارزیابی بانکهای اسپانیا با تنوع پذیری معیارها	TOPSIS	-
[20]	ارزیابی 15 شعبه یانک سامان	AHP , TOPSIS	فازی
[21]	مقایسه چهار روش در تصمیم گیری چند معیاره	آنتروپی	-
[22]	ارزیابی 9 بانک بورسی	AHP , TOPSIS	فازی
[23]	ارزیابی شعب بانک سپه استان سیستان و بلوچستان	TOPSIS	-
[24]	ارزیابی شعب بانک	TOPSIS, VIKOR	فازی
[25]	رتبه بندی کشورها از نظر اعتبار مالی	TOPSIS	-
[26]	ارزیابی عملکرد صنعت بانکداری	استنتاج فازی	فازی شهودی
اسلامی نصرت آبادی و همکاران [1]	ارزیابی عملکرد شعب بانک	داده کاوی	-
این مطالعه	ارزیابی شعب بانک طی یک دوره زمانی با لحاظ ارزش عددی معیارها	EDAS	بازه ای

 

در این تحقیق قصد داریم از یک چارچوب تصمیم گیری چند معیاره به منظور ارزیابی و رتبه بندی شعب بانک های ایران استفاده کنیم. نکات برجسته تحقیق و مشارکت های این مطالعه در زیر خلاصه می شود.

•        مساله رتبه بندی چند معیاره موردی واقعی شعب بانک سپه در استان فارس متمرکز شده است.

•        از ایده کارشناسان بخش بانکی به منظور انتخاب مجموعه¬ای از معیارهای مهم بر اساس معیارهای CAMEL برای ارزیابی شعب بانکی استفاده می شود.

•        برای تصمیم گیریهای قوی تر، از داده های سال های گذشته شعب بانک ها در روش رتبه بندی استفاده می شود. بنابراین با استفاده از داده های گذشته، یک ماتریس تصمیم با مقادیر بازه ای ساخته می شود.

•        روش آنتروپی شانون با ارزش بازه ای برای هدف تعیین وزن اهمیت معیارها استفاده می شود.

•        رویکرد ایداس برای رتبه‌بندی شعب بانک‌ها به در محیط بازه ای گسترش یافته است.

بقیه این مقاله به شرح زیر سازماندهی شده است. بخش 3 تعاریف و مفاهیم اولیه اعداد بازه ای بیان می شود. ویژگی های مسئله رتبه بندی چند معیاره شعب بانک سپه در استان فارس ایران در بخش چهارم ارائه می گردد. بخش 5 روش حل پیشنهادی متشکل از تعیین وزن معیارها و رویکردهای رتبه بندی چند معیاره را تشریح می کند. بخش6 نتایج محاسباتی مطالعه موردی را ارائه می کند. مقاله با بخش 7 که شامل نتیجه گیری و نکات پایانی است به پایان می رسد.

3- تعاریف و مفاهیم اولیه اعداد بازه ای

در این بخش برخی تعاریف و مفاهیم بازه ها که در این مقاله مورد نیاز است را مرور می کنیم.

تعریف 1 . یک بازه روی مجموعه اعداد حقیقی را با   نشان می دهیم که  و  به ترتیب کران پایین و کران بالای این بازه هستند. راه دیگر نمایش یک بازه استفاده از مرکز و شعاع است. در این صورت این بازه را میتوان به صورت  نمایش داد که در آن     و  .

تعریف 2 .  فرض کنید   و  دو بازه باشند و  یک عدد حقیقی باشد، آنگاه

تعریف 3 . فرض کنید    برای   اعداد بازه ای باشند، در این صورت میانگین این اعداد عبارتست از .        

 

4-مساله رتبه بندی چند معیاره بخش بانکی در ایران

همانطور که قبلا ذکر شد، این پژوهش به بررسی مساله رتبه بندی چند معیاره شعب بانک سپه در استان فارس می پردازد. این مساله در سه مرحله ساخته شده است که در ادامه این بخش توضیح داده شده است.

 

1-4 شعبه های بانک سپه

در این تحقیق 20 شعبه از شعب درجه 1 بانک سپه (Br-1 الی Br-20) در استان فارس را بر اساس معیارهایی که در زیر بخش بعدی شرح داده شده است، ارزیابی و رتبه‌بندی می‌کنیم. این بانک ها در استان فارس هستند به طوری که همگی در محیط مالی و اجتماعی تقریباً مشابه و مشترکی فعالیت می کنند.

 

2-4 اهمیت معیارها

شعبه های ذکر شده در جدول 2 باید بر اساس معیارهای انتخاب شده ارزیابی و رتبه بندی شوند. برای انجام چنین ارزیابی و رتبه‌بندی، ابتدا مهم‌ترین معیارها از ادبیات بخش بانکی بررسی می‌شود. بر اساس ادبیات (همانطور که در بخش1 توضیح داده شد) معیارهای مبتنی بر CAMEL می توانند برای انتخاب لیست معیارهای نهایی استفاده شوند. بنابراین معیارهای انتخاب شده باید در یکی از طبقات اصلی مدیریت، سرمایه، سود، کیفیت دارایی و نقدینگی دسته بندی شوند. برای این منظور، گروهی از کارشناسان بانک سپه انتخاب شدند و از آنها خواسته شد تا معیارهای مناسب را بر اساس متدولوژی CAMEL پیشنهاد دهند. بنابراین با توجه به ادبیات موضوع و گروه خبرگان منتخب، 14 معیار برای ارزیابی و رتبه بندی شعب بانکی که در جدول 2 نشان داده شده است، انتخاب شدند. معیارهای انتخاب شده در جدول 2 نشان داده شده است که آنها به معیارهای مثبت و منفی تقسیم شده اند. مقادیر بالاتر از معیارهای مثبت بهتر است در حالی که مقادیر پایین تر از معیارهای منفی مطلوب است.

جدول 2- معیارهای انتخاب شده برای مسئله رتبه­بندی چند معیاره پیشنهادی

(1)
(2)
(3)
(4)
(5)
(6)

کد معیار	توضیحات	نوع معیار (مثبت یا منفی)
C-1	کل سپرده	مثبت
C-2	مبلغ تسهیلات پرداختی	مثبت
C-3	سود پرداختی	منفی
C-4	هزینه عملیاتی	منفی
C-5	جمع هزینه ها	منفی
C-6	سود دریافتی	مثبت
C-7	استقراض شعبه ای	منفی
C-8	خود اتکایی مالی	مثبت
C-9	درآمد ATM	مثبت
C-10	درآمد دستگاههای POS شعبه	مثبت
C-11	تعداد مشتریان الکترونیک	مثبت
C-12	تعداد مشتریان	مثبت
C-13	میزان صدور ضمانت نامه	مثبت
C-14	تعداد پرسنل شعبه	مثبت

3-4 ماتریس تصمیم

در این زیربخش، ماتریس تصمیم گیری مسئله رتبه بندی چند معیاره شعب بانک سپه در استان فارس تعیین می شود. این ماتریس یک ماتریس m×n بعدی است که m تعداد شعبه¬ها (m=20) و n تعداد معیارها (n=14) است. ماتریس تصمیم به صورت زیر ارائه شده است:

در این ماتریس  عملکرد بازه ای شعبه بانک i را در معیار انتخاب شده j نشان میدهد. ماتریس  حاوی اعداد از نوع عدم قطعیت با مقدار بازه ای است. عملکرد با ارزش بازه‌ای هر شعبه در هر معیار از داده‌های پنج سال گذشته به‌دست می‌آیدکه مقادیر پایین و بالای بازه به ترتیب حداقل و حداکثر مقادیر در بین مقادیر پنج سال گذشته است. در نظر گرفتن ماتریس تصمیم گیری با ارزش بازه¬ای برای این مسئله دارای مزایای زیر است.

·       مساله این مطالعه مانند سایر مسائل واقعی دارای درجه ای از عدم قطعیت است. با در نظر گرفتن ماتریس تصمیم با مقدار بازه ای، این عدم قطعیت برطرف می شود.

·       با در نظر گرفتن مقادیر بازه ای عملکردها، علاوه بر داده های سالهای اخیر، داده های سال های گذشته نیز در رویه تصمیم گیری در نظر گرفته می شود که به این معنی است که تصمیم گیری در شرایط عادلانه تر و قوی تر انجام می شود.

ماتریس تصمیم ارائه شده برای رتبه بندی شعب بانک ارائه شده در جدول 2 استفاده می شود. بخش بعدی مقاله به روش حل برای این هدف می پردازد.

5- روش حل                 

همانطور که قبلا ذکر شد، مسئله رتبه‌بندی این پژوهش به منظور ارزیابی و رتبه‌بندی شعب بانک سپه در استان فارس بر اساس معیارهای از پیش تعیین‌شده با مقادیر نوع بازه‌ای انجام شده است. در این بخش یک روش حل متشکل از دو مرحله کلی به شرح زیر برای حل این مساله رتبه بندی ارائه شده است.

گام اول. ارزش وزن اهمیت هر معیار تعیین می شود.

گام دوم. روش ایداس بازه‌ای به منظور ارزیابی و رتبه‌بندی شعب بانک‌ها توسعه داده شده است.

دو گام فوق در ادامه این بخش توضیح داده شده است.

1-5 گام اول: تعیین وزن معیارها 

در مرحله اول روش حل پیشنهادی، روشی برای تعیین مقادیر وزن اهمیت معیارهای در نظر گرفته شده دنبال می‌شود. در ادبیات MCDM، رویکردهای بسیاری برای این هدف مورد استفاده قرار گرفته است. این رویکردها را می‌توان به‌عنوان (1) تعیین وزن بر اساس نظر کارشناسان معروف به وزن‌های خارجی [27] (2) تعیین وزن توسط داده‌های ماتریس تصمیم‌گیری معروف به وزن‌های داخلی طبقه‌بندی کرد ([28]، [29]، [30]) و (3) تعیین وزن با ترکیبی از وزن های خارجی و داخلی. در این مطالعه یک رویکرد تعیین وزن را پیشنهاد می‌کنیم که نظرات کارشناسان و داده‌های ماتریس تصمیم را با هم در نظر می‌گیرد. روش پیشنهادی ابتدا با استفاده از نظر متخصصان حوزه، مقادیر وزن ترد خارجی را برای معیارها تعیین می کند، سپس مقادیر وزن بازه داخلی را از ماتریس تصمیم فاصله ای مسئله تعیین می کند. در نهایت مقادیر وزن داخلی و خارجی به دست آمده برای مقادیر وزن نهایی ترکیب می شوند. این روش در شکل 1 نشان داده شده است.

 

 

شکل 1- رویه روش تعیین وزن پیشنهادی.

 

(7)

مراحل محاسبه وزن خارجی معیارها (که وزن خارجی معیار j با  نشان داده شده است) در زیر توضیح داده شده است.

گام 1. 1. یک تعداد از خبرگان حوزه بانکی را انتخاب کنید (مثلا s تا).

گام 1. 2. از خبرگان جهت تعیین نمره هر معیار بصورت   سوال کنید که  نمره معیار j  که توسط خبره p تعیین می شود که بالاترین نمره برابر 10 است.

گام 1 .3. اهمیت وزن خارجی هر معیار را با استفاده از رابطه  محاسبه کنید.

گام 2. 1. با استفاده از رابطه زیر ماتریس تصمیم A  (رابطه 1) را نرمال کنید.

(10)

گام 2. 2. برای آنتروپی بازه ای هر معیار کرانهای پایین و بالا (که به ترتیب با  و  نشان می­دهیم) به صورت زیر محاسبه می شوند.

 

که

, , and .

گام 2. 3. درجه بازه پراکندگی را برای هر معیار j به صورت زیر محاسبه کنید.

(8)
(9)

گام 2. 4. وزن خارجی اهمیت هر معیار در فرم بازه ای (به صورت  نشان داده شده است) با معادله زیر محاسبه کنید.

(12)

 

 

روش تعیین وزن پیشنهادی در گام 3 ، مقادیر وزن بازه ای نهایی از معیار (برای معیار j با  نشان داده شده است) با ترکیب وزنهای داخلی و خارجی به صورت زیر محاسبه کنید.

(13)

که   اهمیت مقادیر وزن خارجی است که توسط تصمیم گیرنده تعیین می­شود.

2-5 روش ایداس بازه ای

روش ایداس (EDAS) یک روش جدید و کارا برای تصمیم گیری چند معیاره است که توسط کشاورز قربایی و همکاران [9] پیشنهاد شده است. فرآیند ارزیابی در این روش بر اساس فواصل مثبت و منفی از جواب میانگین است.گامهای این روش را در حالتی که مولفه های ماتریس تصمیم به صورت اعداد بازه ای هستند، توسعه خواهیم داد. برای این منظور فرض کنید که یک مساله MCDM با n گزینه و m معیارها در اختیار داریم. گامهای این روش به صورت زیر است:

گام اول (تولید ماتریس تصمیم اولیه در دوره زمانی مورد نظر). در این گام ماتریس تصمیم که هر عضو آن یک عدد بازه­ای با مقدار کران پایین و بالا است، تولید می­شود که شکل کلی آن به صورت زیر است:

 

که در آن  برای .

گام دوم (تعیین وزن هر معیار). وزن هر معیار یک عدد بازه ای با مقدار کران پایین و بالا است. بردار وزن که به صورت  است که برای  داریم  .

گام سوم (بی مقیاس کردن ماتریس تصمیم در گام سوم). بدین منظور اگر ارزش معیار مثبت باشد از رابطه زیر،

 

و اگر ارزش معیار منفی باشد از رابطه زیر استفاده می­شود.

 

گام چهارم (محاسبه میانگین برای مقادیر کران بالا و پایین هر معیار).

 

 

گام پنجم (محاسبه فاصله در جهت مثبت  و فاصله در جهت منفی   از میانگین بدست آمده در گام قبل).

 

 

 

 

 

 

گام ششم (محاسبه مجموع وزین شده فواصل مثبت و منفی بدست آمده در گام قبل).

 

 

گام هفتم (نرمالسازی مقادیر گام قبل).

 

 

گام هشتم (محاسبه میانگین مقادیر نرمال شده).

 

  گام نهم (رتبه بندی بازه ها). با محاسبه احتمال برتری هر جفت از شعب بانک ()، امتیاز هر شعبه بصورت  محاسبه می­گردد. در نهایت رتبه­بندی شعب بر اساس ترتیب نزولی مقادیر  تعیین می­گردد.

 

 

6- مطالعه موردی

در این بخش، چارچوب تصمیم‌گیری پیشنهادی بند 3 برای ارزیابی و رتبه‌بندی شعب بانک سپه در استان فارس بر اساس معیارهای از پیش تعیین‌شده با مقادیر نوع بازه‌ای اجرا می‌شود. برای این منظور، برخی از پارامترها و شاخص های رویکرد راه حل پیشنهادی به شرح زیر ثابت می شوند:

·       بانک سپه دارای 20 شعبه در استان فارس است، بنابراین m=20.

·       تعداد معیارها همانطور که در بخش 2 توضیح داده شده 14 است، بنابراین، n=14.

·       ده کارشناس برای تعیین وزن خارجی در نظر گرفته شده است، بنابراین، s=10.

·       بر اساس تصور مدیران بانک، برای تعیین وزن‌های بازه نهایی، وزن‌های بیرونی و درونی به طور مساوی مقیاس‌بندی می‌شوند، بنابرایناست.

پس از اجرای مرحله اول روش حل پیشنهادی، خروجی­ها به عنوان نمونه، مقادیر وزن­های خارجی، وزن­های داخلی و وزن های نهایی در جدول 3 به دست آمده و گزارش شده است. بر اساس نتایج جدول 3، با توجه به نظرات کارشناسان (منعکس شده به عنوان مقادیر وزن خارجی)، معیارهایی مانند C-5 و C-6 به طور همزمان مهمترین معیارها هستند. از سوی دیگر، C-13 کم اهمیت ترین معیارها با مقدار وزن خارجی 0.04 است. با توجه به مقادیر وزن داخلی و با در نظر گرفتن مرکز هر بازه، مهمترین معیار C-13 و کم اهمیت ترین معیار C-14 است. با توجه به مقادیر وزنی نهایی و با در نظر گرفتن مرکز هر بازه، مهمترین معیار C-6 و کم اهمیت ترین معیار C-14 است. در ادامه، از مقادیر وزنی به دست آمده از جدول 3 برای انجام فاز 2 روش حل پیشنهادی برای رتبه بندی شعب بانک استفاده می کنیم. از آنجایی که سه مقدار وزن مهم مختلف برای هر معیار (وزن خارجی، وزن داخلی و وزن نهایی) وجود دارد، هر نوع از مقادیر وزنی را می توان برای رویکرد پیشنهادی استفاده کرد. با در نظر گرفتن گزینه های رتبه بندی مرحله 9 از بخش 3.2، نه آزمایش تعریف شده است که در آن هر آزمایش به یک رتبه بندی منجر می شود. بنابراین، رتبه‌بندی جدول 4 با رویکرد ایداس فاصله¬ای پیشنهادی تعریف می‌شود که در آن سطر و ستون هر رتبه‌بندی ویژگی‌های آزمایش آن را تعیین می‌کند.

جدول 3- مقادیر وزنی به دست آمده برای معیارها (برای ).

(14)

 

                     جدول 4- رتبه بندی با استفاده از رویکرد ایداس فاصله ای برای مطالعه موردی.

معیار	وزنهای خارجی ()	وزنهای داخلی ()	وزنهای نهایی  ()
C-1	0.092	[0.043, 0.047]	[0.068, 0.070]
C-2	0.091	[0.151, 0.167]	[0.121, 0.129]
C-3	0.088	[0.098, 0.110]	[0.093, 0.099]
C-4	0.077	[0.041, 0.045]	[0.059, 0.061]
C-5	0.095	[0.111, 0.127]	[0.103, 0.111]
C-6	0.095	[0.166, 0.193]	[0.131, 0.144]
C-7	0.073	[0.010, 0.011]	[0.042, 0.042]
C-8	0.066	[0.062, 0.071]	[0.064, 0.068]
C-9	0.054	[0.019, 0.021]	[0.037, 0.038]
C-10	0.049	[0.005, 0.006]	[0.027, 0.028]
C-11	0.054	[0.011, 0.014]	[0.033, 0.034]
C-12	0.063	[0.005, 0.008]	[0.034, 0.036]
C-13	0.040	[0.216, 0.230]	[0.128, 0.135]
C-14	0.053	[0.000, 0.000]	[0.027, 0.027]

روش تعیین اهمیت وزن
وزنهای خارجی	وزنهای داخلی	وزنهای نهایی
رتبه بندی 1	رتبه بندی 2	رتبه بندی 3

 

اکنون برای هر آزمایش جدول 4 رتبه بندی شعب بانک به دست می آید که در جدول 5 نشان داده شده است.

                                      جدول 5- رتبه های به دست آمده برای شعب بانک ها با آزمایش های مختلف جدول 4.

شعبه بانک	رتبه بندی 1	رتبه بندی 2	رتبه بندی 3
Br-1	4	4	2
Br-2	12	13	12
Br-3	3	7	6
Br-4	19	14	15
Br-5	1	6	5
Br-6	6	9	8
Br-7	20	15	16
Br-8	11	5	9
Br-9	9	16	14
Br-10	2	8	7
Br-11	15	17	17
Br-12	14	10	11
Br-13	7	11	10
Br-14	13	18	13
Br-15	17	19	18
Br-16	5	2	1
Br-17	16	20	19
Br-18	18	12	20
Br-19	10	1	4
Br-20	8	3	3

                

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

رتبه بندی های ارائه شده در جدول 5 کم و بیش متفاوت از یکدیگر است. بدیهی است که در تمام آزمایشات Br-4، Br-7، Br-11، Br-4، Br-15، Br-17، و Br-18 جزو بدترین شعب هستند در حالی که Br-5، Br-16، و Br-19 جزو بهترین شعب هستند. به منظور مقایسه بیشتر رتبه‌بندی‌های به‌دست‌آمده، شاخص شباهت جاکارد(JSI) ([25]) برای هر جفت از رتبه‌بندی‌ها اعمال می‌شود. از آنجایی که مقدار این شاخص بین  صفر و یک است، برای یک جفت از رتبه‌بندی‌ها، مقدار صفر این شاخص هیچ شباهتی را با رتبه‌ها نشان نمی‌دهد و مقدار یک رتبه‌بندی کاملاً مشابه را نشان می‌دهد. مقادیر شاخص شباهت جاکارد برای همه جفت‌های رتبه‌بندی جدول 5 محاسبه و در جدول 6 نشان داده شده است.

 

جدول 6- مقادیر شاخص شباهت جاکارد برای مقایسه رتبه بندی جدول 5.

رتبه بندی 3	رتبه بندی 2	رتبه بندی 1	Ranking
75/0	66/0	-	رتبه بندی1
84/0	-	-	رتبه بندی 2
-	-	-	رتبه بندی 3

 

با توجه به مقادیر شاخص شباهت جدول 6 شباهت رتبه های به دست آمده قابل بررسی است. بیشترین شباهت بین رتبه های 2 و 3 با شاخص شباهت 0.84 اتفاق می افتد. به این معنی که هنگام اعمال رویکرد ایداس بازه¬ای با وزن‌های داخلی و وزن‌های نهایی رتبه‌بندی‌های به‌دست‌آمده دارای شباهت 84 درصد با معیار شباهت جاکارد هستند.  از طرفی کمترین شباهت بین رتبه های 1 و 2 با شاخص شباهت0.66 اتفاق می¬افتد. به این معنی که رتبه‌بندی‌های حاصل از روش ایداس بازه‌ای با وزن‌های خارجی و وزن‌های داخلی شاخص شباهت جاکارد 66% دارند.  علاوه بر این، حساسیت مرحله تعیین وزن روش حل پیشنهادی در اینجا مورد مطالعه قرار می‌گیرد. برای این هدف، اثر مقادیر مختلف λ مقادیر وزنی اهمیت نهایی به‌دست‌آمده مورد مطالعه قرار می‌گیرد. برای این منظور مقادیر وزن داخلی و خارجی جدول 3 در نظر گرفته شده و مقدار λ از مجموعه مقادیر {0.2,0.4,0.6,0.8} به منظور بررسی حساسیت مقادیر وزن نهایی انتخاب شده است. با اعمال مقادیر λ ذکر شده در بالا، نتایج جدول 7 به دست می آید.

جدول 7- مقادیر وزن نهایی به دست آمده توسط مقادیر  مختلف.

 

جدول 7- مقادیر وزن نهایی به دست آمده توسط مقادیر  مختلف(ادامه).                

وزن نهایی با			وزن نهایی با
								معیار
0.065	0.003	0.066	0.063	0.055	0.004	0.057	0.053	c-1
0.132	0.010	0.137	0.127	0.146	0.014	0.153	0.139	c-2
0.098	0.008	0.102	0.094	0.101	0.010	0.106	0.096	c-3
0.057	0.002	0.058	0.056	0.051	0.003	0.052	0.049	c-4
0.110	0.010	0.115	0.105	0.115	0.012	0.121	0.109	c-5
0.147	0.017	0.155	0.138	0.164	0.021	0.174	0.153	c-6
0.036	0.000	0.036	0.036	0.024	0.001	0.024	0.023	c-7
0.067	0.005	0.069	0.064	0.067	0.006	0.070	0.064	c-8
0.035	0.001	0.035	0.034	0.028	0.001	0.028	0.027	c-9
0.024	0.001	0.024	0.023	0.015	0.000	0.015	0.015	c-10
0.030	0.002	0.031	0.029	0.022	0.003	0.023	0.020	c-11
0.030	0.002	0.031	0.029	0.019	0.003	0.020	0.017	c-12
0.151	0.009	0.155	0.146	0.188	0.011	0.193	0.182	c-13
0.022	0.000	0.022	0.022	0.011	0.000	0.011	0.011	c-14

        

با توجه به نتایج جدول 7، نتیجه گیری می شود که مقادیر وزنی اهمیت نهایی نسبت به تغییرات مقادیر  حساس هستند. با افزایش مقدار  ، می توان یک نتیجه اصلی را به این شرح گرفت که با افزایش مقدار ، در تمام معیارها طول فاصله مقدار وزن نهایی کاهش می یابد. برای مثال در معیار اول (C-1)،                 

,  .

 7- بینش مدیریتی

به طور خلاصه، بینش‌های مدیریتی حاصل از یافته‌های یک مطالعه، درک بهتری از تأثیرات مستقیم و غیرمستقیم شرکت خود را در اختیار مدیران قرار می‌دهد و در عین حال سودآوری کسب‌وکارشان را بهبود می‌بخشد. در این بخش، بر اساس خروجی تحقیق به‌دست‌آمده، بینش‌های مفیدی برای تصمیم‌گیرندگانی که دارای مسئولیت‌های مدیریت اجرایی در بخش بانکی هستند، مورد بحث قرار می‌گیرد. برای این منظور و برای افزایش کاربرد رویکرد پیشنهادی، برخی مفاهیم مدیریتی بررسی شده است. این مفاهیم به مدیران سازمان های مالی در فرآیند اجرای مدل پیشنهادی و افزایش کارایی مدل کمک می کند. 

این مطالعه چارچوبی را برای مدیران فراهم می کند تا عدم قطعیت را در مسائل تصمیم گیری در نظر بگیرند. بنابراین، اگر اطلاعات دقیق در مورد ورودی ها و خروجی ها در دسترس نباشد، این ایده می تواند به مدیران در انتخاب تصمیم درست کمک کند. رویکرد پیشنهادی حداکثر ذهنیت تصمیم گیرندگان را در نظر می گیرد. با استفاده از مدل تصمیم گیری در حالت بازه ای، مدیران می توانند عدم قطعیت بیشتری را در مورد پارامترهای غیر قطعی در نظر بگیرند و تصمیم گیرندگان با استفاده از رویکرد پیشنهادی اطلاعات کمتری را از دست می دهند. همچنین تصمیم گیری با دقت بیشتری ارائه می شود.

مدیران بانک ها یا سیاست گذاران بخش مالی می توانند از مدل پیشنهادی برای پاسخگویی به خواسته های مشتریان استفاده کنند. علاوه بر این، آن‌ها می‌توانند از قابلیت‌های مدل در شرایط بازه ای نه تنها برای نظارت بر فرآیندهای درون شبکه، بلکه برای بهبود کارایی شاخه‌های مختلف استفاده کنند. مدل ارائه شده در شرایط عدم قطعیت در کلیه سازمان ها و مؤسسات مالی که به دنبال ارزیابی کارایی شعب زیر گروه خود هستند، بر اساس معیارهای انعطاف پذیر و سنتی قابل اجرا است.

      

8  - نتیجه گیری و پیشنهادات

در این مطالعه یک مساله مهم بخش بانکی مورد بررسی قرار گرفت. یک مساله معمولی رتبه بندی شعب بانک برای مطالعه موردی، شعب بانک سپه در استان فارس تعریف و حل شد. برای این منظور ابتدا مجموعه ای از معیارهای مهم برای ارزیابی بخش بانکی از میان ادبیات و صاحب نظران حوزه انتخاب شد. سپس برای رویارویی با ماهیت عدم قطعیت مسایل دنیای واقعی، داده‌های شعب بانک در معیارهای انتخابی سال‌های گذشته به‌دست آمد و به‌عنوان مقادیر بازه‌ای نمایش داده شد. چارچوب تصمیم گیری شامل دو مرحله برای رتبه بندی شعب بانک های داده شده پیشنهاد شد. در مرحله اول معیارها با روش هایی مانند نظر متخصصان حوزه، آنتروپی شانون بازه ای و ترکیبی از این روش ها وزن دهی شدند. در مرحله دوم، رویکرد ایداس بازه ای گسترش یافت و برای رتبه‌بندی شعب بانک‌ها اعمال شد. با اجرای روش حل پیشنهادی بر روی مطالعه موردی، چندین رتبه به دست آمد و شباهت های آنها با یکدیگر مقایسه شد. تصمیم گیرنده می تواند هر یک از رتبه بندی ها را برای تصمیمات مدیریتی بعدی در نظر بگیرد.

 

منابع

[1] حمید 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.

 

---