طراحی سیستم خبره جهت مدیریت منابع و مصارف بانکی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه مدیریت، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران

2 کارشناس ارشد مدیریت فناوری اطلاعات، گرایش سیستم های اطلاعاتی پیشرفته، دانشگاه الزهرا، تهران، ایران.

3 کارشناس ارشد مدیریت فناوری اطلاعات، گرایش کسب و کار الکترونیکی، دانشگاه الزهرا، تهران، ایران.

4 استاد گروه حسابداری، دانشکده علوم اجتماعی و اقتصادی، دانشگاه الزهرا، تهران، ایران.

چکیده

 یکی از وظایف اصلی مدیریت مالی بانک‌ها، مدیریت منابع و مصارف است که برای توازن این دو روشهای مختلفی در تحقیقات پیشین استفاده شده است. در این پژوهش برای حل این مسئله از رویکرد طراحی سیستم خبره فازی استفاده شد.  ابتدا با تکنیک‌های داده‌کاوی به پیش‌بینی ریسک اعتباری بانک با توجه به داده‌های 311 مشتری بانک توسعه صادرات پرداخته شد. داده‌کاوی در دو فاز صورت گرفت، متغیرها و نسبت‌های اثرگذار بر توازن اقلام ترازنامه با مصاحبه با خبره جمع‌آوری شد و توسط خبرگان رتبه بندی شد وبا روش ARRAS وزن‌دهی و متغیرهای با وزن بالا (زیر سیستم اول) به‌همراه متغیرهای موجود در قواعد درخت تصمیم (زیرسیستم دوم) وارد سیستم خبره شده اند. اعتبارسنجی سیستم‌ خبره از روش همبستگی بدست آمد. شاخص نسبت سرمایه در گردش به کل دارایی‌ها و سابقه فعالیت با بانک مهم‌ترین متغیر در روش‌های اعتبارسنجی بود. ریسک اعتباری به‌عنوان عامل بیرونی و اقلام ترازنامه به‌عنوان عامل داخلی بر سنجش توازن منابع و مصارف بانکی اثرگذار بود. در اقلام ترازنامه ریسک نقدینگی، نسبت کفایت سرمایه و نسبت سپرده قانونی از اهمیت بیشتری برای بهینگی اقلام تراز نامه برخوردارند. .نتایج نشان داد سیستم طراحی شده می تواند در مدیریت منابع و مصارف بانکی به برنامه ریزان کمک کند.

کلیدواژه‌ها


عنوان مقاله [English]

Designing an Expert System to Manage Banking Resources and Expenditures

نویسندگان [English]

  • Ameneh Khadivar 1
  • Zahra Salehabadi 2
  • Saeedeh Salemi 3
  • Ali Rahmani 4
1 Associate professor, Department of Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
2 Masters of Information Technology Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
3 Masters of Information Technology Management, Faculty of Social Sciences and Economics, Alzahra University, Tehran, Iran.
4 Professor, Department of Accounting, Faculty of Social Sciences and Economics, Alzahra University,Tehran, Iran.
چکیده [English]

Assets and debts management includes a series of technical tools and methods that contemplate risk control and asset value creation for shareholders. Since one of the main tasks of banks' financial management is asset and liability management, therefore, in order to increase their profitability, they use asset and debt management techniques to control risk, in order to minimize the losses caused by their transactions. In this research, to solve this challenge, an expert system was designed. The study period of this research was between August 2017 and December 2018. First, data mining techniques were used to predict the bank's credit risk due to the data of 311 legal clients of the Tosee Saderat Bank, with 44 Attributes along with a labeled variable (background of fulfillment of commitment). Data mining was done in two phases, the first phase was data mining in Python language and the second phase was done with Rapid Miner software and creating a decision tree, and finally the finalized rules for measuring the bank's credit risk. Then, the variables and proportions affecting the balance of assets and liabilities of the balance sheet items were collected by interviewing an expert and ranked by five experts in terms of the importance of scoring, and then weighting was done by ARRAS method. High-weight variables (subsystem I) entered the expert system along with the variables in the rules of the decision tree (subsystem II). Finally, the validation of the expert system was obtained. In this way, the index of the ratio of working capital to total assets and the history of working with the bank are the most important variables in validation methods. According to the obtained results, if the credit risk is high, but the balance sheet items are in the optimum, the resources and expenses will be in balance,....

کلیدواژه‌ها [English]

  • Banking Resources and Expenditures
  • Credit Risk
  • Data Mining
  • Fuzzy ExpertSystem
Naghintaj, Gh. (2011). “Factores efectivos en el precio final del dinero en los bancos” (in persian)
Allen, L., DeLong, G., & Saunders, A. (2004). “Issues in the credit risk modeling of retail markets”. Journal of Banking & Finance, 28(4), 727-752.
Carey, A. (2001). “Effective risk management in financial institutions: The Turnbull approach”. Balance Sheet, 9(3), 24-27.
Chelo V. Manlagnit, M. (2011). “Cost efficiency, determinants, and risk preferences in banking: A case of stochastic frontier analysis in the Philippines”. Journal of Asian Economics, 30-32.
Chen, J. H., Yang, L. R., Su, M. C., & Lin, J. Z. (2010). “A rule extraction based on approach in predicting derivative use for financial risk hedging by construction companies”. ExpertSystems with Applications, 37(9), 6510-6514. (DOI: 10.1016/j.eswa.2010.02.135).
Guo-an, Y., Hong-bing, X., & Chao, W. (2003). “Design and implementation of an agent-oriented expert system of loan risk evaluation”. Managing Technologically Driven Organizations: The Human Side of Innovation and Change (IEEE Cat. No.03CH37502), 43-44.
Hodgkinson, L., & Walker, E. (2003). “An expert system for credit evaluation and explanation”. Journal of Computing Sciences in Colleges, 19(1), 62-72.
Kosmidou, K., & Zopounidis, C., (2004). “Combining Goal Programming Model with Simulation Analysis for Bank Asset Liability Management”. Information Systems and Operational Research, 180-181.
Kruger, M. (2011). A goal programming approach to strategic bank balance sheet management.  SAS Global Forum 2011: Banking, Financial Services and Insurance, 24-25.
Marrison, C. (2005). “The fundamentals of risk measurement”. The Mathematical Intelligencer, 27(2), 83-83.
Shaw, M. J., & Gentry, J. A. (1988). “Using an expert system with inductive learning to evaluate business loans”. Financial Management, 45-56.
Tektas, A., Ozkan‐Gunay, E., Gunay, G. (2005). “Asset and liability management in financial crisis”. Journal of Risk Finance, 141-142.
Yang, H., Zhou, W., Lu, L., & Fang, Z. (2008). “Optimal sizing method for stand-alone hybrid solar–wind system with LPSP technology by using genetic algorithm”. Solar energy, 82(4), 354-367.