نوع مقاله : مقاله پژوهشی - کاربردی

نویسندگان

1 دانشجوی دکتری گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2 استاد گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

3 دانشیار گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.

10.22105/dmor.2021.246994.1211

چکیده

هدف از این تحقیق، تلفیق دو روش تحلیل پوششی داده ها و شبکه عصبی بمنظور ارائه یک مدل بهینه برای رتبه‌بندی عوامل ناکارایی در صنعت بانکداری ایران است. ابتدا از طریق مطالعه مبانی نظری و مصاحبه با خبرگان بانکی شاخص‌های ارزیابی کارایی در صنعت بانکداری شناسایی و نهایی گردید. در ادامه بمنظور ارزیابی کارایی واحدها در جامعه آماری مورد مطالعه از تکنیک تحلیل پوششی داده ها به ویژه مدل برنامه ریزی آرمانی اصلاح شده تحلیل پوششی داده ها استفاده شد، که از 32 مدیریت بانک مورد مطالعه، 3 مدیریت کارا و 29 مدیریت ناکارا تشخیص داده شدند. سپس شعب زیر مجموعه مدیریت های ناکارا مورد ارزیابی قرار گرفته و با استفاده از اطلاعات شعب ناکارا ماتریس شبکه‌ عصبی برای تشخیص عوامل ناکارایی تهیه و با مدل های مختلف شبکه عصبی به تحلیل نتایج پرداخته شد. مدلی که کمترین میانگین مجذور خطا را داشته باشد به عنوان مدل بهینه به منظور تعیین عوامل ناکارایی انتخاب خواهد شد، در نتیجه مدل نگاشت خود سازمانده با تابع انتقال تانژانت هیپربولیک و با قاعده آموزش ممنتم 0/9 انتخاب گردید. با تحلیل حساسیت روش مذکور شاخص‌های سهم نقدینگی استانها، توزیع پرسنل و هزینه های عملیاتی به عنوان مهمترین عوامل ناکارایی انتخاب شدند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Provide an optimal model for determining and ranking inefficiency factors in the banking industry by combining data envelopment analysis and neural network

نویسندگان [English]

  • Gholamreza Panahandeh Khojin 1
  • Abbas Toloie Ashlaghi 2
  • Mohamad Ali Afshar Kazmi 3

1 Phd Student of Industrial Management, Faculty of Economics and Management, Research and Sciences Branch, Islamic Azad University, Tehran, Iran.

2 Full Professor of Industrial Management, Faculty of Economics and Management, Research and Sciences Branch, Islamic Azad University, Tehran, Iran.

3 Associate Professor of Department of Industrial Management, Faculty of Economics and Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.

چکیده [English]

The purpose of this study is to combine two methods of data envelopment analysis and neural network in order to provide an optimal model for ranking inefficiency factors in the Iranian banking industry. First, through the study of theoretical foundations and interviews with banking experts, efficiency evaluation indicators in the banking industry were identified and finalized. In order to evaluate the efficiency of the units in the statistical population of the study, data envelopment analysis technique was used, especially the modified goal programming data envelopment analysis model, which was identified from 32 managements, 3 efficient managements and 29 inefficient managements. Then, the branches of inefficient management were evaluated and using the information of inefficient branches, the neural network matrix was prepared to identify the causes of inefficiency and the results were analyzed with different neural network models. The model with the lowest mean square error will be selected as the optimal model to determine the inefficiency factors. As a result, the self-organized mapping model with hyperbolic tangent transfer function and 0.9 momentum training rule was selected. By analyzing the sensitivity of this method, the indicators of provincial liquidity share, personnel distribution and operating costs were selected as the most important factors of inefficiency.

کلیدواژه‌ها [English]

  • Data Envelopment Analysis
  • Modified goal programming data envelopment analysis
  • Neural Network
  • Self-Organized neural network
  • Inefficiency Factors