چکیده:
دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است
Continuous growth and development of the economics is considered as the main objectives which the firms are seeking to achieve. In doing so, the banks play key roles in the economic growth and development. Due to the increasing numbers of the public and private banks in Iran, predicting their efficiency has attracted significant attentions. This study aims at modeling and predicting the efficiency of the public and private banks by using artificial neural networks, Fuzzy neural networks and genetic algorithms. Using data envelopment analysis (DEA) and considering the total assets and total number of branches as the inputs of the model, the banksâ efficiency has been examined during a period from 2007 to 2011. The outputs of the model include the net profit or loss, the balance of granted credits and receivables. As the next step, the multivariate regression approach, artificial neural network, fuzzy neural network and genetic algorithms have been employed to predict the efficiency of the banks. The findings revealed that the fuzzy neural network is the most precise model in comparison with the other models of predicting efficiency. Based on the sensitivity analysis of the inputs by the neural networks, the net profit or loss has been known as the input with the highest impact on the banksâ efficiency.
خلاصه ماشینی:
"/ شکل2: ساختار شبکه عصبی فازی(یافتههای پژوهش) جدول 2: ویژگیهای مدل شبکه عصبی فازی انتخابی برای پیشبینی کارایی بانکها تعداد توابع عضویت تکرار نوع تابع عضویت روش یادگیری روش دفازیکردن 4 1000 مثلثی پسخور میانگین وزنی کارایی بانکها ماخذ: یافتههای پژوهش / نمودار3: نمودار پراکنش برای مقادیر مشاهده و پیش بینی شده با استفاده از روش شبکه عصبی فازی(یافتههای پژوهش) نتایج مدل ترکیبی شبکه عصبی و الگوریتم ژنتیک در روش الگوریتم ژنتیک انتخاب جمعیتهای اولیه تصادفی مختلف و تأثیرگذار در پدیده (که به عنوان دادههای آموزشی از آنها یاد میشود) به منظور آموزش ماهیتساز و کار حاکم بر پدیده سبب پیچیدگی الگو و افزایش حافظه درگیر خواهد شد.
در پژوهش حاضر برای پاسخ به این سؤال که کدام یک از متغیرهای ورودی (تعداد کل شعب، جمع کل داراییها، سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات)، بیشترین تأثیر را بر روی خروجیها (کارایی) داشته، از تحلیل حساسیت در شبکه عصبی استفاده شده است.
در این راستا، بانکهای دولتی و خصوصی کشور به عنوان نمونه انتخاب و از شاخصهای جمع کل داراییها و تعداد کل شعب به عنوان شاخصهای ورودی و از شاخصهای سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل تحلیل پوششی دادهها برای 19 بانک طی سالهای 1390-1386 استفاده شد.
سپس به منظور پیش بینی کارایی بانکها از مدلهای رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک استفاده شد که چهار شاخص جمع کل داراییها، تعداد کل شعب، سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان ورودی و کارایی (محاسبه شده در مدل تحلیل پوششی دادهها) به عنوان خروجی انتخاب شده است."