ارائه چارچوبی برای شناسایی و ارزیابی معیارها و گزینه‌های فین‌تک‌ همکار بانک ملت

محورهای موضوعی : اخلاق و حسابداری

مسعود رجبی فر ¹ , محمدرضا پورفخاران ² , محمود دهقان نیری ³ , محمدحسن ملکی ⁴

1 - دانشجوی دکتری، گروه مدیریت، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
2 - استادیار، گروه حسابداری، واحد قم، دانشگاه آزاد اسلامی، قم، ایران
3 - دانشیار، گروه مدیریت صنعتی، دانشگاه تربیت مدرس، تهران، ایران
4 - دانشیار، گروه مدیریت، دانشگاه قم، قم، ایران.

تاریخ دریافت : 1403/01/31 تاریخ پذیرش : 1403/05/12 تاریخ انتشار : 1403/07/05

کلید واژه: فناوری مالی, صنعت بانکداری, فین‌تک‌های بانکی, انتخاب طبقه‌بندی JEL, G29, G29, G29, G24.,

چکیده مقاله :

هدف: هدف پژوهش حاضر، ارائه چارچوبی برای ارزیابی فین‌تک‌های همکار بانکی است.

روش‌: تحقیق حاضر از نظر جهت‌گیری، کاربردی و از منظر روش‌شناسی، دارای ماهیت کمّی است. در این مطالعه از سه روش دلفی فازی، بهترین- بدترین فازی و مشابهت فازی استفاده شد. از روش دلفی فازی، برای غربال معیارهای پژوهش، از روش بهترین- بدترین فازی برای وزن‌دهی به معیارهای پژوهش و نهایتاً از تکنیک مشابهت فازی به منظور اولویت‌بندی فین‌تک‌های همکار بخش بانکی استفاده گردید. برای جمع‌آوری داده‌های پژوهش، ابزارهای مصاحبه و پرسشنامه مورد استفاده قرار گرفت. پرسشنامه‌های تحقیق عبارت بودند از: پرسشنامه غربال معیارها، پرسشنامه مقایسات زوجی و نهایتاً پرسشنامه اولویت‌سنجی.

یافته‌ها: ابتدا از طریق مرور پیشینه و مصاحبه با خبرگان بانکی، 17 معیار ارزیابی فین‌تک‌های بانکی استخراج شد. در گام بعدی، این معیارها با دلفی فازی غربال شدند. پنج معیار دارای عدد دیفازی بالاتر از 7/0 بودند و برای ارزیابی فین‌تک‌ها انتخاب شدند. وزن این معیارها با تکنیک BWM فازی محاسبه شد. معیار قابلیت فین‌تک برای روابط راهبردی بلندمدت با بانک با وزن 35/0، بیشترین اهمیت نسبی را در میان معیارهای تحقیق داشت. نهایتاً سه فین‌تک همکار بانک ملت با توجه به معیارهای پژوهش و تکنیک مشابهت فازی مورد ارزیابی قرار گرفتند. فین‌تک «ج» با امتیاز 82/0، بیشترین اولویت را برای همکاری با بانک ملت داشت.

نتیجه‌گیری: بانک‌ها به جای نگاه منفی و رقابتی به فین‌تک‌ها می‌توانند به مشارکت راهبردی با آن‌ها بپردازند و با سرمایه‌گذاری روی آن‌ها، تحقیق و توسعه خود را بهبود داده و خدمات با نوآوری و کیفیت بیشتر را به مشتریان خود ارائه کنند.

کلیدواژه‌ها: فناوری مالی، صنعت بانکداری، فین‌تک‌های بانکی، انتخاب

 

چکیده انگلیسی:

 

1. INTRODUCTION

In recent years, financial technology (FinTech) has fundamentally disrupted the global financial ecosystem, challenging the traditional dominance of banks. The 2008 global financial crisis, combined with the rapid expansion of mobile technology and internet infrastructure, catalyzed the emergence of FinTech firms offering faster, cheaper, and more customer-centric financial services. Unlike traditional banking institutions, FinTechs leverage artificial intelligence, blockchain, big data analytics, and the Internet of Things to revolutionize service delivery and customer experience.

FinTechs have not only created new business models but have also significantly reshaped customer expectations and behavior. Traditional banks, especially in emerging markets such as Iran, have been slow to adapt, facing challenges in innovation, agility, and customer engagement. However, the potential for strategic collaboration between banks and FinTechs is increasingly recognized. A notable example is Mellat Bank in Iran, which has begun forming partnerships with local FinTech companies to enhance service delivery and innovation capacity.

Despite this trend, banks often lack a structured framework for evaluating potential FinTech partners. Most previous studies have focused on the challenges and risks of FinTech, its impact on bank performance, or regulatory considerations. There is a gap in the literature concerning the criteria for selecting FinTech firms for strategic collaboration. This study aims to fill this gap by proposing a comprehensive, data-driven framework for identifying, weighting, and ranking key evaluation criteria for bank-FinTech partnerships, specifically in the context of Mellat Bank.

The research addresses two central questions:

1. What are the most important criteria for evaluating FinTech companies for strategic collaboration with banks?
2. Based on these criteria, which FinTech among Mellat Bank’s existing partners holds the highest potential for continued strategic cooperation?

 

MATERIALS AND METHODS

The study adopts a quantitative, applied research design utilizing multi-criteria decision-making (MCDM) techniques within a fuzzy logic framework. Three major analytical methods were employed:

1. Fuzzy Delphi Method – for screening initial evaluation criteria.
2. Fuzzy Best-Worst Method (F-BWM) – to assign weights to the shortlisted criteria.
3. Fuzzy Similarity Technique – to rank and prioritize FinTech alternatives.

Data Collection:

Two primary tools were used:

• Semi-structured interviews with banking and FinTech experts.
• Three structured questionnaires:
• A screening questionnaire (for Fuzzy Delphi).
• A pairwise comparison questionnaire (for F-BWM).
• A prioritization questionnaire (for Fuzzy Similarity).

The expert panel consisted of 10 professionals from Mellat Bank, including managers and technical staff in IT infrastructure, data analytics, organizational development, and commercial banking.

Analytical Process:

The research methodology unfolded in three stages:

1. Criteria Identification: Based on a comprehensive literature review (2010–2022) and expert input, 17 evaluation criteria were initially extracted.
2. Criteria Screening (Fuzzy Delphi): Using a defuzzification threshold of 0.70, the list was narrowed down to five core criteria.
3. Weighting (F-BWM) and Ranking (Fuzzy Similarity): The five final criteria were weighted and applied to assess and rank three real-world FinTech partners of Mellat Bank (anonymized as FinTech A, B, and C).

Software used included Excel for data handling and LINGO for solving the optimization models in BWM.

 

RESULTS AND DISCUSSION

Step 1: Criteria Screening

Out of 17 initial criteria, the following five criteria passed the defuzzification threshold (>0.70) and were selected for detailed analysis:

1. Strategic relationship potential with the bank
2. Contribution to service quality improvement
3. Security considerations
4. Service innovation capabilities
5. Support for digital banking transformation

This reduction was crucial as the F-BWM method is sensitive to the number of criteria. Keeping the number manageable enhances consistency and robustness in weighting.

Step 2: Criteria Weighting (Fuzzy BWM)

The final criteria were evaluated using expert pairwise comparisons, and the results yielded the following normalized weights:

Criteria	Weight
Strategic partnership potential	0.35
Improvement in service quality	0.25
Security considerations	0.17
Service innovation	0.14
Support for digital banking transformation	0.09

The consistency ratio of the F-BWM model was calculated at 0.04, confirming strong reliability of the weightings.

Step 3: FinTech Alternatives Evaluation (Fuzzy Similarity)

Three anonymized FinTech companies currently working with Mellat Bank were evaluated. The fuzzy similarity technique was applied to compute each FinTech’s closeness to the ideal positive and negative solutions. The final performance scores were as follows:

FinTech Option	Performance Score	Rank
FinTech C	0.82	1
FinTech A	0.20	2
FinTech B	0.19	3

FinTech C emerged as the most suitable strategic partner for Mellat Bank, outperforming the others in areas such as strategic alignment, innovation potential, and security standards.

Discussion:

The results reflect a paradigm shift from technology-first selection toward strategic compatibility and long-term value creation. Among the highest-ranked criteria was the ability of FinTechs to engage in long-term, collaborative partnerships rather than merely offering novel tech solutions. This aligns with international findings (e.g., Wang et al., 2021; Zhao et al., 2022) that emphasize sustained integration and joint value creation as the foundation for successful FinTech-bank collaborations.

Interestingly, while innovation and technical features remain essential, they were ranked below service quality impact and strategic fit. This suggests that Iranian banks, particularly Mellat Bank, prioritize FinTechs that complement their internal structures, regulatory constraints, and long-term goals over those offering standalone technologies.

Security, although not ranked highest, was still among the top three concerns. This reflects broader concerns in financial markets, especially in emerging economies, about regulatory compliance, data protection, and system reliability when integrating external FinTech services.

 

 

CONCLUSION

This research provides a structured, quantifiable framework for evaluating and prioritizing FinTech firms as strategic partners for banks. By applying fuzzy logic techniques and expert insight, the study identified five key criteria that most significantly influence the success of bank-FinTech collaborations.

Key Conclusions:

• Strategic alignment is the most important selection criterion for FinTech partnerships, underscoring the need for vision compatibility and shared long-term objectives.
• Service quality improvements through FinTechs offer tangible value, provided that the partnership extends beyond superficial innovation.
• Security and compliance remain foundational, as banks operate in highly regulated and risk-averse environments.
• Innovation and digital transformation are necessary but should serve broader goals such as customer satisfaction, cost efficiency, and risk reduction.
• The Fuzzy BWM and Similarity approach offers a robust methodology for strategic decision-making in the FinTech ecosystem.

Managerial Implications:

1. Banks should transition from adversarial to collaborative FinTech engagement by integrating FinTechs into their long-term digital strategies.
2. Regulators and bank executives must develop tools and guidelines that assess not only technological capabilities but also strategic compatibility.
3. Investment in FinTechs should be guided by frameworks like the one proposed, ensuring alignment with organizational goals and customer needs.

Suggestions for Future Research:

• Expand the model to include dynamic interrelationships among criteria using methods like Interpretive Structural Modeling (ISM).
• Develop a strategic roadmap for multi-phase collaboration between banks and FinTechs.
• Examine how different collaboration models (investment, acquisition, joint ventures) influence performance across banking institutions.

In sum, this study offers a replicable framework for banks seeking to intelligently assess FinTech collaborators and provides valuable insight into the evolving landscape of financial innovation in Iran and similar emerging economies.

منابع و مأخذ:

ابراهیمی، الهام؛ قلی‌پور، آرین؛ مقیمی، سید محمد؛ قالیباف اصل، حسن (1396). تحلیل و سنجش ریسک‌های منابع انسانی با به‌کارگیری تکنیک‌های دیمتل فازی و مشابهت فازی. مدیریت فرهنگ سازمانی، 15(43)، ص۱-۲۳.
اسدالله، مهسا؛ ثانوی‌فرد، رسول؛ حمیدی‌زاده، علی (1398). الگوی کسب‌و‌کار بانکداری الکترونیک مبتنی بر ظهور فین‌تک‌ها و استارتاپ‌های مالی. مدیریت توسعه فناوری، 7(2)، ص248-195.
باغانی، الهه (1399). بررسی نحوه نظارت بر فناوری‌های نوین مالی فین‌تک و ارز دیجیتال. دانش سرمایه‌گذاری، 9(35)، ص168-153.
پاینده، رضا؛ شهبازی، میثم؛ منطقی، منوچهر؛ کریمی، تورج (1398)، همکاری بانک و فین‌تک: مروری نظام‌مند بر ادبیات علمی. پژوهش‌های مدیریت در ایران، 23(4)، ص171-130.
پاینده، رضا؛ منطقی، منوچهر؛ شهبازی، میثم (1400). واکاوی و کشف الگوهای همکاری بانک‌های ایران با فین‌تک‌ها. مدیریت نوآوری، 10(1)، ص191-165.
خزاعی، حسین؛ فائزی رازی، فرشاد؛ وکیل الرعایا، یونس (1401). ارائه مدل پذیرش محصولات و خدمات فین‌تک توسط مشتریان بانک‌های کشور ایران. اقتصاد و بانکداری اسلامی، 11(38)، ص225-256.
طالعی‌فر، رضا؛ درویش، حسن؛ موغلی، علیرضا؛ عباسی، نرگس (1394). طراحی الگوی سازمان پروژه‌محور مبتنی بر عملکرد سازمانی (مطالعه موردی: جهاد دانشگاهی استان فارس). مدیریت سازمان‌های دولتی، 3(4)، ص29-13.
فرهمند، امیرعباس؛ رادفر، رضا؛ پورابراهیمی، علیرضا؛ شریفی، مانی (1400). آمادگی پذیرش فناوری‌های اینترنت اشیاء در موسسات و بانک‌های اسلامی. اقتصاد و بانکداری اسلامی، 10(36)، ص37-70.
کوشش کردشولی، رضا؛ غلامی جمکرانی، رضا؛ ملکی، محمدحسن؛ فلاح شمس، میرفیض (1400). آینده‌پژوهی فناوری مالی در ایران با رویکرد سناریونگاری. برنامه‌ریزی و بودجه، 25(150)، ص۳۳-۶۳.
کوشش کردشولی، رضا؛ ملکی، محمدحسن؛ غلامی جمکرانی، رضا (1400). ارائه چارچوبی برای شناسایی پیشران‌های کلیدی اثرگذار روی آینده فناوری مالی با بکارگیری فنون دلفی فازی و تحلیل سلسله‌مراتبی فازی نوع ۲. مهندسی مالی و مدیریت اوراق بهادار، 12(49)، ص۳۵۷-۳۷۴.
محقر، علی و همکاران (1392). شناسایی کارکردهای سازمان مادر: مطالعه موردی: سازمان‌های پروژه‌محور فعال در صنعت ساخت. مدیریت صنعتی، 5(11)، ص۱۴۱-۱۵۴.
محمدی، فریده؛ دارابی، رویا؛ بدیعی، حسین (1402). شناسایی و ارائه مدل عوامل اثرگذار بر پیاده‌سازی فین‌تک در نظام بانکی کشور. پژوهش‌های حسابداری مالی و حسابرسی، 16(61)، ص105-126.
مرادی، شیوا؛ نادری، نادر؛ دل‌انگیزان، سهراب (1399). بررسی فرآیند توسعه استارتاپ‌های فین‌تک در ایران. توسعه کارآفرینی، 13(1)، ص140-121.
مرادی، شیوا؛ نادری، نادر؛ دل‌انگیزان، سهراب (1400). آینده‌‏نگاری صنعت بانکداری ایران با تاکید بر نقش استارتاپ‌های فین‌تک در افق ۱۴۰۴. مطالعات مدیریت کسب‌وکار هوشمند، 10(38).
مهدوی‌پناه، حسن؛ خلیلی عراقی، مریم؛ منتظر، مهدی؛ وکیلی‌فرد، حمیدرضا (1402). تحلیل تاثیر فین‌تک بر شمول مالی در ایران. دانش سرمایه‌گذاری، 13(51)، ص567-587.
نجفی، فریبا؛ ایراندوست، منصور؛ سلطان‌پناه، هیرش؛ شیخ‌احمدی، امیر (1398). طراحی الگوی مدیریت ارتباط صنعت بانکداری ایران با فین‌تک‌ها و استارتاپ‌های فین‌تکی با رویکرد نظریه داده‌بنیاد. راهبرد بازرگانی، 26(13)، ص18-1.
هادی‌شایسته، اباذر؛ ملکی، محمدحسن؛ میرعرب بایگی، سید علیرضا؛ یزدانیان، نرگس (1400). آینده‌پژوهی سازمان‌های پروژه‌محور فعال در صنعت خدمات مالی. مدیریت صنعتی، 13(3)، ص414-391.
هدایتی، ارشد؛ دهدشتی، زهره؛ محمدیان، محمود؛ ناصحی‌فر، وحید (1402). طراحی مدل عوامل موثر بر همکاری بانک‌های خصوصی ایرانی با فین‌تک‌ها با استفاده از روش فراترکیب. پژوهشنامه بازرگانی، 27(107)، ص39-66.
Arner, D.W., Barberis, J. & Buckey, R.P. (2016). FinTech, RegTech, and the reconceptualization of financial regulation. Nw. J. Int'l L. & Bus., No. 37.
Chen, K.C. (2020). Implications of Fintech Developments for Traditional Banks. International Journal of Economics and Financial Issues, 10(5).
Chen, X., You, X. & Chang, V. (2021). FinTech and commercial banks' performance in China: A leap forward or survival of the fittest? Technological Forecasting and Social Change, No. 166, p.120645.
Cheng, M. & Qu, Y. (2020). Does bank FinTech reduce credit risk? Evidence from China. Pacific-Basin Finance Journal, No. 63.
Clavijo, S., Vera, N., Beltran, D. & Londoño, J.D. (2019). Digital financial services (FINTECH) in Latin America. Available at: SSRN: 3334198.
Deng, L., Lv, Y., Liu, Y. & Zhao, Y. (2021). Impact of fintech on bank risk-taking: Evidence from China. Risks, 9(5).
Firmansyah, E.A., Masri, M., Anshari, M. & Besar, M.H.A. (2022). Factors affecting fintech adoption: a systematic literature review. FinTech, 2(1), p. 21-33.
Guo, S. & Zhao, H. (2017). Fuzzy best-worst multi-criteria decision-making method and its applications. Knowledge-Based Systems, No. 121, p. 23-31.
Habibi, A., Jahantigh, F.F. & Sarafrazi, A. (2015). Fuzzy Delphi technique for forecasting and screening items. Asian Journal of Research in Business Economics and Management, 5(2),
p.130-143.
Kwon, K.Y., Molyneux, P., Pancotto, L. & Reghezza, A. (2024). Banks and FinTech acquisitions. Journal of Financial Services Research, 65(1), p. 41-75.
Ky, S.S., Rugemintwari, C. & Sauviat, A. (2019). Is fintech good for bank performance? The case of mobile money in the East African Community. The Case of Mobile Money in the East African Community (June 5, 2019).
Lee, C.C., Li, X., Yu, C.H. & Zhao, J. (2021). Does fintech innovation improve bank efficiency? Evidence from China’s banking industry. International Review of Economics & Finance, No. 74, p. 468-483.
Lee, I. & Shin, Y.J. (2018). Fintech: Ecosystem, business models, investment decisions, and challenges. Business Horizons, 61(1), p. 35-46.
Mao, X.B., Wu, M., Dong, J.Y., Wan, S.P. & Jin, Z. (2019). A new method for probabilistic linguistic multi-attribute group decision making: Application to the selection of financial technologies. Applied Soft Computing, No. 77, p. 155-175.
Milian, E.Z., Spinola, M.D.M. & de Carvalho, M.M. (2019). Fintechs: A literature review and research agenda. Electronic Commerce Research and Applications, No. 34.
Misati, R.N., Kamau, A., Kipyegon, L. & Wandaka, L. (2020). Is the evolution of Fintech complementary to bank performance in Kenya? (No. 46). KBA Centre for Research on Financial Markets and Policy Working Paper Series.
Nicholls, C.C. (2019). Open banking and the rise of FinTech: Innovative finance and functional regulation. Banking & finance law review, 35(1), p. 121-151.
Omarova, S.T. (2020). Technology v technocracy: Fintech as a regulatory challenge. Journal of Financial Regulation, 6(1), p. 75-124.
Phan, D.H.B., Narayan, P.K., Rahman, R.E. & Hutabarat, A.R. (2020). Do financial technology firms influence bank performance? Pacific-Basin finance journal, No. 62.
Raddatz, N., Coyne, J., Menard, P. & Crossler, R.E. (2023). Becoming a blockchain user: understanding consumers’ benefits realisation to use blockchain-based applications. European Journal of Information Systems, 32(2), p. 287-314.
Riemer, K., Hafermalz, E., Roosen, A., Boussand, N., El Aoufi, H., Mo, D. & Kosheliev, A. (2017). The Fintech Advantage: Harnessing digital technology, keeping the customer in focus. University of Sydney, Business School and Capgemini.
Romānova, I. & Kudinska, M. (2016). Banking and fintech: A challenge or opportunity? In: Contemporary issues in finance: Current challenges from across Europe. Emerald Group Publishing Limited.
Rubini, A. (2018). Fintech in a flash: financial technology made easy. Walter de Gruyter GmbH & Co KG.
Schindler, J.W. (2017). FinTech and financial innovation: Drivers and depth. Finance and Economics Discussion Series 2017-081. Washington: Board of Governors of the Federal Reserve System, https://doi.org/10.17016/FEDS.2017.081
Schueffel, P. (2016). Taming the beast: A scientific definition of fintech. Journal of Innovation Management, 4(4), p. 32-54.
Suryono, R.R., Budi, I. & Purwandari, B. (2020). Challenges and trends of financial technology (Fintech): a systematic literature review. Information, 11(12).
Temelkov, Z. (2018). Fintech firm’s opportunity or threat for banks? International journal of information, Business and Management, 10(1), p. 137-143.
Turner, J.R. (2018). The management of the project-based organization: A personal reflection. International Journal of Project Management, 36(1), p. 231-240.
Van Loo, R. (2018). Making innovation more competitive: The case of fintech. UCLA L. Rev., No. 65.
Wang, R., Liu, J. & Luo, H. (2021). Fintech development and bank risk taking in China. The European Journal of Finance, 27(4-5), p. 397-418.
Wang, Y., Xiuping, S. & Zhang, Q. (2021). Can fintech improve the efficiency of commercial banks? An analysis based on big data. Research in International Business and Finance, No. 55. ‏
Wonglimpiyarat, J. (2018). Challenges and dynamics of FinTech crowd funding: An innovation system approach. The Journal of High Technology Management Research, 29(1), p. 98-108.
Zhao, J., Li, X., Yu, C.H., Chen, S. & Lee, C.C. (2022). Riding the FinTech innovation wave: FinTech, patents and bank performance. Journal of International Money and Finance, No.122.