نوع مقاله : پژوهشی

نویسندگان

1 دانشکده علوم اداری و اقتصادی دانشگاه فردوسی مشهد

2 اقتصادکشاورزی دانشگاه زابل

3 موسسه عالی بانکداری ایران

چکیده

چکیده
در این مطالعه به بررسی و پیش بینی مقایسه‏ای عملکرد شبکه بانکی کشور (متشکل از 14 بانک) با مدل‏های اقتصادسنجی و شبکه عصبی مصنوعی پرداخته شد. برای این منظور در ابتدا با مدل شبکه عصبی کوهنن (Kohonen)، بانک‏های مورد بررسی به دو دسته با عملکرد بالا و با عملکرد پایین تقسیم شده است، سپس با استفاده از خروجی مدل شبکه عصبی کوهنن، نسبت‏های مالی و مدل اقتصادسنجی داده‏های تابلویی (Panel Data) به تخمین مدل عملکرد شبکه بانکی برای دوره 1389-1384پرداخته و در نهایت با به‏کارگیری معیارهای ارزیابی کارایی مدل‏ها، به مقایسه کارایی مدل‏های Panel Data و ANN در پیش بینی عملکرد شبکه بانکی پرداخته شد.
نتایج مدل کوهنن نشان داد که از 14 بانک مورد مطالعه، 4 بانک به گروه با عملکرد بالا و 10 بانک به گروه با عملکرد پایین اختصاص دارد. هم‏چنین نتایج مدل Panel Data نشان داد که متغیر نسبت نقد به سپرده کل دارای بیشترین و متغیر نسبت درآمد سرمایه‏ای به درآمد کل دارای کمترین تاثیر بر عملکرد شبکه بانکی می‏باشد. در نهایت بررسی مقایسه‏ای مدل‏ها نشان داد که مدل ANN برای پیش‏بینی عملکرد شبکه بانکی بر مدل Panel Data برتری دارد.

کلیدواژه‌ها

[1] Ahmadpour, H. (2006), Estimating a commercial bank efficiency using data envelopment analysis (DEA), thesis for M. A. degree, University of Mazandaran (in Persian).##
[2] Ahmadi, A. A. Moghadasan, M. H. Mehrkish, M. H. Moarefi, F. (2012), Evaluating the electronic banking performance in public banks, quarterly of public organizations management, 1(1): 65-74 (in Persian).##
[3] Iranzadeh, S. and Barghi, A. (2009), Ranking and evaluating the bank performance using principal component analysis (PCA) technic, case of central branches of Mine and Industry bank, (Resercher) management quarterly, 6(14): 47-61 (in Persian).##
[4] Divandari, A. Seied Javadin, S. R. Nahavandian, M. Aghazadeh, H. (2008), Studying the relationship between marketing and performance of Iran’s commercial banks, Economic researchs, 17-40 (in Persian).##
[5] Al-Osaimy, M. H. (1995). A Neural Networks System for Predicting Islamic Banks Performance. JKAU: Econ. & Adm., Vol. 11, pp. 33-46.##
[6] Dreca N. (2012). Evaluation of Financial Performance of Banking Sector: Evidence from Bosnia and Herzegovina, Croatia, Serbia and Slovenia. Journal of Economic and Social Studies, 2(2): 65-94.##
[7] Eken, M. H and 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.##
[8] Greene, W. H. (2002). Econometric Analysis, Fifth edition. Prentice Hall Upper Saddle River, New Jersey.##
[9] Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Macmillan, New York.##
[10] Karayiannis, N. B. and A. N. Venetsanopoulos (1993). Artificial Neural Networks: Learning Algorithms. Performance Evaluation and Applications. Kluwer Academic Publishers, Boston, USA.##
[11] Kosmidou, K. and Zopounidis, C. (2008). MEASUREMENT OF BANK PERFORMANCE IN GREECE. South-Eastern Europe Journal of Economics, 1: 79-95##
[12] Makridakis, S., Hibon, M. (2000). The M-competition: Results, conclusions and implications. International Journal of Forecasting 16,451-476.##
[13] Mananhar, R. and Tang, J. C. S. (2002). The Evaluation of Bank Branch Performance Using Data Envelopment Analysis A Framework School of Management. Asian Institute of Technology, PO Box 4, Klong Luang, Pathumthani 12120, Thailand.##
[14] Marcellino, M. (2004). Forecast Pooling for Short Time Series of Macroeconomic Variables”. Oxford Bulletin of Economic and Statistics 66, 91-112.##
[15] Watson, M. (2001). Combination Forecasts of Output Growth in A Seven-Country Data Set, (with James Stock). Forthcoming Journal of Forecasting.##
CAPTCHA Image