صنعت لاستیک ایران

صنعت لاستیک ایران

مدل سازی پیش بینی کارایی بانک های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تحلیل پوششی داده ها و الگوریتم های فرا ابتکاری در هوش مصنوعی: کاربردهای ضمنی در تأمین مالی صنعت لاستیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشیار دانشکده مدیریت و حسابداری، دانشکدگان فارابی دانشگاه تهران
2 دانشیار، گروه مدیریت صنعتی و فناوری، دانشکدگان فارابی دانشگاه تهران، قم ، ایران
3 3. دانشجوی دکتری حسابداری، دانشکده حسابداری و مدیریت دانشگاه پردیس کیش، دانشگاه تهران، کیش ، ایران
10.22034/irm.2026.527030.1321
چکیده
اولین گام در راه بهبود کارایی ارائه روشی برای پیش‌بینی کارایی بین واحدها در این زمینه است. نهادهای مالی از دیرباز نقش به سزایی در توسعه و رشد اقتصادی کشورها داشته و بانک‌ها به عنوان یکی از مهم‌ترین نهادهای مالی، نقش پررنگ‌تری نسبت به سایر نهادها در امر توسعه داشته‌اند. هدف پژوهش حاضر، ارزیابی و پیش‌بینی کارایی بانک‌ها با استفاده از تحلیل پوششی داده‌ها و الگوریتم‌های فرا ابتکاری در هوش مصنوعی است. در ابتدا با استفاده از مدل تحلیل پوششی داده‌ها و با در نظر گرفتن جمع کل دارایی‌ها، تعداد شعب، تعداد پرسنل، هزینه مالی، هزینه اداری و سطح تحصیلات کارکنان به عنوان ورودی‌های مدل و سود و زیان خالص، مانده تسهیلات اعطایی، درآمد سپرده‌گذاری‌ها، سپرده دیداری، درآمده تسهیلات اعطایی و درآمد کارمزد به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک‌های پذیرفته شده در بورس اوراق بهادار تهران در سال‌های 1391 تا 1401 پرداخته شد و در مرحله بعد، از شبکه عصبی مصنوعی و الگوریتم ژنتیک برای پیش‌بینی کارایی بانک‌ها استفاده شد. نتایج ارزیابی نشان داد که مدل شبکه عصبی پرسپترون چندلایه دارای دقت بالاتری در پیش-بینی کارایی بانک‌هاست. از آنجا که یکی از چالش‌های اصلی صنعت لاستیک ایران تأمین مالی و دسترسی به منابع بانکی است، نتایج حاصل از پیش‌بینی و ارزیابی کارایی بانک‌ها می‌تواند در راستای بهبود تخصیص منابع مالی به این صنعت مؤثر واقع شود. لذا مدل ارائه‌شده، کاربرد مستقیم در تحلیل توانمندی بانک‌ها برای پشتیبانی مالی صنعت لاستیک دارد.
کلیدواژه‌ها
موضوعات

بخنو، محمد؛ حیدری، مجتبی؛ کیوانی، شیروان. (۱۴۰۳)، ارزیابی کارایی و بهره­وری بانک­ها با استفاده از مدل تحلیل پوششی داده­ها به روش چندمرحله‌ای و مالم کوئیست: مطالعه­ای در مورد بانک­های دولتی استان آذربایجان غربی، چهارمین کنفرانس ملی مدیریت بازرگانی، کارآفرینی و حسابداری ایران، تهران.  
تقوی‌فرد، محمدتقی؛ حبیبی، رضا؛ مهدی­زاده، حجت. (1400)، سنجش عملکرد بانک­ها با استفاده از مدل DEA دومرحله‌ای (مطالعه موردی شعبه بانک سپه استان تهران). بررسی­های بازرگانی، 19(۱۰۹)، ۱۱۴-۹۹.
تقی­زاده مهرجردی، روح‌الله؛ فاضل یزدی، علی؛ محبی، رضا. (۱۳۹۲)، مدل­سازی و پیش­بینی کارایی بانک­های دولتی و خصوصی ایران با استفاده از مدل­های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژن‌شناختی. مدیریت دارایی و تأمین مالی، ۱(۲)، ۱۲۶-۱۰۳.
دلوی، محمدرضا؛ باقی، ابراهیم؛ عبدالباقی، عبدالمجید؛ کاظمی، جواد. (۱۳۹۴)، کاربرد الگوریتم ژن‌شناختی چندهدفه در بهینه‌سازی پرتفوی تسهیلات بانک (مطالعه موردی تسهیلات اعطایی بانک ملی استان اصفهان). تحقیقات حسابداری و حسابرسی، ۷ (۲۷)، ۱۵۹-۱۳۸.
سدیدی، جواد؛ درواری، سیده زهرا. (۱۳۹۶). ارائه مدل توسعه‌یافته فراابتکاری مبتنی بر الگوریتم ژن‌شناختی چندهدفه جهت مدل­سازی تغییر بهینه کاربری اراضی، برنامه­ریزی و آمایش فضا، 21(۳)، پیاپی 97، 327-307.
مسگرپور امیری، فاطمه؛ یدالله­زاده طبری، ناصر علی. (1393)، ارزیابی کارایی بانک­ها با استفاده از تحلیل پوششی داده و بررسی ارتباط آن با نسبت­های مالی. پژوهش‌نامه اقتصاد و کسب‌وکار، ۵(8)، 51-43.
واعظ قاسمی، محسن؛ مقدس، زهره؛ عسگری، حمید؛ ولی­زاده پلنگ سرایی، فلورا. (۱۳۹۶)، مروری بر الگوریتم­های فراابتکاری در تحلیل پوششی داده­ها. نهمین کنفرانس ملی تحلیل پوششی داده­ها - توسعه ملی، دانشگاه آزاد اسلامی واحد بروجرد، 15 و 16 شهریور.
وهابی، میثم؛ برادران کاظم­زاده، رضا؛ رستگار، محمدعلی. (1400). ارزیابی کارایی شعب بانکی با استفاده از روش تحلیل پوششی بوت استرپ سه سطحی، فصلنامه اقتصاد مقداری، 18(۳): 64-35.
وزیری، اسکندر؛ دهدار، فرهاد؛ عبدلی، محمدرضا. (۱۴۰۳). بررسی سودمندی الگوریتم­های فراابتکاری در بهینه­سازی ریسک یکپارچه نظام بانکی. دانش سرمایه­گذاری، 13050، 186-۱۵۹.
هادی، علی؛ امیرتیموری، علیرضا؛ کرد رستمی، سهراب؛ محرابیان، سعید. (1401). رویکرد دومرحله‌ای تحلیل پوششی داده­ها برای اندازه­گیری عملکرد شعب بانک با فعالیت چندگانه. پژوهش­های نوین در ریاضی (علوم پایه دانشگاه آزاد اسلامی)، 8(38)، 67-82.
همتجو، بهزاد؛ دلبری، بیتا؛ طالبی ارده، میثم. (۱۴۰۳). استفاده از تحلیل پوششی داده­ها برای مقایسه عملکرد بانک­های پذیرفته شده در بورس اوراق بهادار، نهمین کنفرانس ملی مدیریت و تجارت الکترونیک، تهران.
 
Assous, H. F., Paun, V.P. (2022). Prediction of Banks Efficiency Using Feature Selection Method: Comparison between Selected Machine Learning Models, Complexity, Hindawi, vol. 2022, 1-15.
Armstrang, V., Samad, A. (2022), Bootstrap-DEA management efficiency and early prediction of bank failure: Evidence from 2008-2009 U.S. bank failures. Central Bank Review, 22(3), 119-127.
Bal, H., Örkcü, H.H. and Çelebioğlu, S., (2010). Improving the discrimination power and weights dispersion in the data envelopment analysis. Computers & Operations Research, 37(1), 99-107.
Chen W-H., Shih J-Y., (2006), A study of Taiwan’s issuer credit rating systems using support vector machines, Expert Systems with Applications, 30, 427–435.
Duygun-Fethi, M., Pasiouras, F. (2010). Assessing bank efficiency and performance with operational research and artificial intelligence techniques: A survey, European Journal of Operational Research, 204 (2), 189-198.
Eken, M.H., Kale, S. (2011). Measuring bank branch performance using Data Envelopment Analysis (DEA): The case of Turkish bank branches. African Journal of Business Management, 5(3), 889-901.
Emrouznejad, A.; Yang, G.L. (2018), A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4–8.
Fallahnejad, R. (2023), Identifying the Effective Factors in Banking Sector using Data. Envelopment Analysis Considering System Efficiency, 8(1), 157-172.
Fukuyama, H.; Weber, W. L., (2010), A slacks-based inefficiency measure for a two-stage system with bad outputs, Omega, Elsevier, 38(5), 398-409.
Galati, G., Moessner, R., (2011), Macroprudential policy – a literature review, BIS, Working Papers 337. Monetary and Economic Department.
Henriques, I. C.; Sobreiro, V. A.; Kimura, H.; Mariano, E. B. (2020), Two-stage DEA in banks: Terminological controversies and future directions, Expert Systems with Applications, 161, 113632.
İslatince, N. (2024). A Study on the Efficiency of Turkish Deposit Banks for the Period 2012-2022: DEA Model. Journal of Management World, 2025(1), 9-19.
Joaquim, F.S., Miguel, O. C., Silva, N. J., (2024). Portuguese Banks Efficiency: A Data Envelopment Analysis. Procedia Computer Science, 237, 277-288.
Khanal, S., Bhatta, B.P., (2015). Evaluating Efficiency of Personnel in Nepalese Commercial Banks: A Data Envelopment Analysis. Available at SSRN 2626082.
Korneyev, M.; Berezhniuk, I.; Dzhyndzhoian, V.; Nebaba N.; Voytov, S. (2022), Efficiency assessment of banking systems’ performance. Banks and Bank Systems, 17(3), 72-88.
Li, X. L., & Zhong, Y. (2012). An overview of personal credit scoring: techniques and future work, International Journal of Intelligence Science, 2, 181-189.
Milenković, N.; Radovanov, B.; Kalaš, B.; Horvat, A. M. (2022), External Two Stage DEA Analysis of Bank Efficiency in West Balkan Countries. Sustainability, 14(2), 978.
Paleckova, I. (2019), Cost efficiency measurement using two-stage data envelopment analysis in the Czech and Slovak banking sectors. Acta Oeconomica, 69 (3), 445–466.
Paradi, J.C., Rouatt, S., Zhu, H. (2011), Two-stage evaluation of bank branch efficiency using data envelopment analysis, Omega, 39 (1), 99-109.
Preeti, B; Roy, S. (2020), Performance Modelling on Banking System: A Data Envelopment Analysis-Artificial Neural Network Approach. International Working Conference on Transfer and Diffusion of IT (TDIT), Dec 2020, Tiruchirappalli, India, 581-597.
Shabanpour, H.; Yousefi, S.; Farzipoor Saen, R. (2017), Forecasting efficiency of green suppliers by dynamic data envelopment analysis and artificial neural networks. Journal of Cleaner Production, 142 (2), 1098-1107.
Sheta, A., Turabieh, H. (2006). A comparison between genetic algorithms and sequential quadratic programming in solving constrained optimization problems. International Journal on artificial intelligence and machine learning (AIML), 6(1), 67-74.
Zeitun, R.; Benjelloun, H. (2012). The Efficiency of Banks and Financial Crisis in a Developing Economy: The Case of Jordan. International Review of Accounting, Banking & Finance, 4, 28–60.
Zhang, G; Guo, W; Xiong, X; Guan, Z. (2024). A hybrid approach combining data envelopment analysis and recurrent neural network for predicting the efficiency of research institutions, Expert Systems with Applications, 238, Part E, 122150.
Zhang, Q.; Wang, C. (2019), DEA efficiency prediction based on IG–SVM. Neural Computing and Applications, 31, 8369–8378.

  • تاریخ دریافت 08 خرداد 1404
  • تاریخ بازنگری 10 مرداد 1404
  • تاریخ پذیرش 12 مرداد 1404