چارچوب یکپارچه یادگیری ماشین و تحلیل پوششی داده‌های معکوس برای پیش‌بینی و ارتقای کارایی شعب بانک

نویسندگان

  • اکرم محسنی‌کیا * گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
  • قاسم توحیدی گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
  • مسعود صانعی گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران. https://orcid.org/0000-0002-2097-9354
  • بهروز دانشیان گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
  • شبنم رضویان گروه ریاضی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

https://doi.org/10.22105/ssfmi.v3i3.115

چکیده

هدف: این پژوهش با هدف ارایه یک چارچوب تصمیم‌یار هوشمند برای پیش‌بینی و ارتقای کارایی شعب بانک، از طریق ترکیب تحلیل پوششی داده‌ها، یادگیری ماشین و تحلیل پوششی داده‌های معکوس انجام شده است.

روش‌شناسی پژوهش: ابتدا کارایی نسبی شعب بانک با استفاده از تحلیل پوششی داده‌ها و بر اساس داده‌های عملیاتی واقعی ارزیابی شد. سپس الگوریتم‌های یادگیری ماشین برای پیش‌بینی وضعیت آتی کارایی شعب به‌کار گرفته شدند و در نهایت، تحلیل پوششی داده‌های معکوس برای تعیین مقادیر هدف ورودی‌ها و خروجی‌های شعب ناکارا به‌منظور بهبود عملکرد آن‌ها استفاده شد.

یافته‌ها: نتایج نشان داد چارچوب پیشنهادی علاوه بر ارزیابی دقیق کارایی، قادر به پیش‌بینی وضعیت آینده شعب، شناسایی عوامل موثر بر ناکارایی و ارایه اهداف کمی برای بهبود عملکرد است. همچنین، ترکیب یادگیری ماشین و تحلیل پوششی داده‌های معکوس، دقت پیش‌بینی و کیفیت تصمیم‌گیری مدیریتی را نسبت به استفاده مستقل از هر یک از این روش‌ها بهبود داد.

اصالت/ارزش‌افزوده علمی: نوآوری این پژوهش در ارایه یک چارچوب یکپارچه است که برای نخستین بار ارزیابی کارایی، پیش‌بینی هوشمند و تعیین راهکارهای بهبود عملکرد را در یک مدل تلفیق می‌کند. این چارچوب می‌تواند به‌عنوان ابزاری موثر برای تخصیص بهینه منابع و افزایش بهره‌وری در شبکه بانکی مورداستفاده قرار گیرد.

کلمات کلیدی:

تحلیل پوششی داده‌ها، تحلیل پوششی داده‌های معکوس، یادگیری ماشین، سیستم تصمیم‌یار هوشمند، کارایی شعب بانک

مراجع

  1. [1] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
  2. [2] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), 1078–1092. https://doi.org/10.1287/mnsc.30.9.1078
  3. [3] Emrouznejad, A., & Yang, G. liang. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4–8. https://doi.org/10.1016/j.seps.2017.01.008
  4. [4] Ullah, S., Majeed, A., & Popp, J. (2023). Determinants of bank’s efficiency in an emerging economy: A data envelopment analysis approach. Plos One, 18(3), e0281663. https://doi.org/10.1371/journal.pone.0281663
  5. [5] Zhong, K., Li, C., & Wang, Q. (2021). Evaluation of bank innovation efficiency with data envelopment analysis: From the perspective of uncovering the black box between input and output. Mathematics, 9(24), 3318. https://doi.org/10.3390/math9243318
  6. [6] Altındağ, İ. (2024). Evaluating the efficiency of Turkish banking sector using data envelopment analysis and Malmquist productivity index: Covid-19 pandemic and after. Pakistan Journal of Statistics and Operation Research, 20(4), 719–731. http://dx.doi.org/10.18187/pjsor.v20i4.4486
  7. [7] Dere, İ., Turanlı, M., Alp, S., & Erdoğan, M. F. (2025). Analysis impact of financial ratios on bank success using machine learning classification algorithms: The case of Turkey. Journal of Soft Computing and Decision Analytics, 3(1), 50–71. https://doi.org/10.31181/jscda31202553
  8. [8] Hoque, A., Islam, I., Chowdhury, S. A., Mahmud, I., & Hossain, A. J. (2025). AI and machine learning in banking: Driving efficiency and innovation. Well Testing Journal, 34(S3), 80–101. https://welltestingjournal.com/index.php/WT/article/view/176
  9. [9] Lim, D. J. (2020). Inverse data envelopment analysis for operational planning: The impact of oil price shocks on the production frontier. Expert Systems with Applications, 161, 113726. https://doi.org/10.1016/j.eswa.2020.113726
  10. [10] Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
  11. [11] Amirteimoori, A., & Allahviranloo, T. (2025). Performance and managerial ability analysis in banking sector: A fuzzy data envelopment analysis approach. Soft Computing, 29(7), 3289–3305. https://doi.org/10.1007/s00500-025-10556-5
  12. [12] Gherțescu, C., Manta, A. G., Bădîrcea, R. M., & Manta, L. F. (2024). How does the digitalization strategy affect bank efficiency in Industry 4.0? A bibliometric analysis. Systems, 12(11), 492. https://doi.org/10.3390/systems12110492

دانلود

چاپ شده

2026-12-08

شماره

دوره 3 شماره 3 (2026): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

محسنی‌کیا ا. ., توحیدی ق. ., صانعی م. ., دانشیان ب. ., & رضویان ش. . (2026). چارچوب یکپارچه یادگیری ماشین و تحلیل پوششی داده‌های معکوس برای پیش‌بینی و ارتقای کارایی شعب بانک. مطالعات راهبردی در مدیریت مالی و بیمه, 3(3), 163-172. https://doi.org/10.22105/ssfmi.v3i3.115
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.