استفاده از تحلیل پوششی دادهها برای مقایسه عملکرد بانکهای پذیرفته شده در بورس اوراق بهادار
الموضوعات :اکبر ولیزاده اوغانی 1 , منوچهر رحمتی قورولی 2 , اکبر گل محمدپور 3 , عباس واحدی 4
1 - گروه مدیریت، واحد سراب، دانشگاه آزاد اسلامی ، سراب، ایران
2 - استادیار، گروه حسابداری، واحد ارس، دانشگاه آزاد اسلامی، هادیشهر، ایران
3 - مربی، گروه مدیریت، واحد ارس، دانشگاه آزاد اسلامی، هادیشهر، ایران
4 - کارشناس ارشد مدیریت صنعتی
الکلمات المفتاحية: تحلیل پوششی دادهها, عملکرد, بانکهای پذیرفته شده در بورس اوراق بهادار,
ملخص المقالة :
هدف تحقيق حاضر، استفاده از تحلیل پوششی دادهها برای مقایسه عملکرد بانکهای پذیرفته شده در بورس اوراق بهادار بود. این تحقیق از نظر هدف، کاربردی و به لحاظ شیوهی گردآوری داده ها، پیمایشی میباشد. جامعه آماري تحقیق شامل تمامی بانکهای پذیرفته شده در بورس اوراق بهادار بود که با توجه به محدودیتهای مد نظر، 19 مورد بود. با کمک مدل تحلیل پوششی دادهها و از طریق نرم افزار Gams اقدام به محاسبه کارایی نسبی بانکها پرداخته میشود. در نهایت با استفاده از مدل اندسون-پیترسون اقدام به محاسبه و مقایسه بانکهای کارا و ناکارا پرداخته شد. نتایج حاصل از اجرای تکنیک DEA عبارتند از: نتایج سوال اول تحقیق مبنی بر چگونگی ارزیابی میزان عملکرد بانکهای عضو بورس اوراق بهادار بوده است. نتایج نشان میدهد که بطور میانگین در دو سال اخیر بیش از 80 درصد بانکها کارا هستند و تعداد محدودی از آنها ناکارا بوده‌اند. میتوان نتیجه گرفت که صنعت بانکداری کشور در دو سال اخیر نسبتا کارا ارزیابی شده است. نتایج سوال دوم تحقیق مبنی بر مقایسه عملکرد بانکهای عضو بورس اوراق بهادار بوده است. نتایج نشان میدهد که، در میان بانکهای عضو بورس اوراق بهادار تهران در سال اخیر بانک دی از لحاظ کارایی نسبی در رتبه اول، بانک خاورمیانه و بانک قرض الحسنه رسالت و بانک گردشگری به ترتیب دارای امتیاز کارایی نسبی بیشتری نسبت به سایر بانکها بوده‌اند.
1. Alinejad, A. (2014). An introduction to multi-criteria decision making, data envelopment analysis and their relationship, Amirkabir University Jihad Publications, first edition.
2. Almansour, A.Y. & Alzoubi, H.M. & Almansour, B.Y. & Almansour, Y.M. (2021). The effect of inflation on performance: an empirical investigation on the banking sector in Jordan. Journal of Asian Finance, Economics and Business, 8(6), 0097–35.
3. Amini, A. & Alinejad, A. (2018). Using fuzzy data envelopment analysis to evaluate how to use the benefits of e-business in the logistics network, Science and Technology Bulletin, 09(1), 59-71.
4. Bhattarai, B.P. (2019). Effect of credit risk management on financial performance of commercial banks in Nepal. European Journal of Accounting, Auditing and Finance Research, 7 (5), 87–103.
5. Chan. H.K. &Yee. R.W.Y. & Dai. J. & Lim. M.K. (2019). The moderating effect of environmental dynamism on green product innovation and performance, Int. J. Prod. Econ., 181 (2016), 384-391.
6. Chenarani, A. & Yavari, K. & Heydari, H. & Sharifzadeh, M.J. (2023). Analysis and evaluation of imbalance in Iran's banking system and its effect on economic growth using the DSGE model: policies to deal with it. Journal of Economic Policy, (15(30).
7. Curtis, G. & Hanias, M. & Kourtis, E. & Kourtis, M. (2020). Data Envelopment Analysis (DEA) and Financial Ratios: Α Pro-Stakeholders’ View of Performance Measurement for Sustainable Value Creation of the Wind Energy. International Journal of Economics and Business Administration, 2, 326-350.
8. Farahani, T. & Sabouri, M. (2019). The effect of capital adequacy, capital structure and liquidity on the financial performance of banks admitted to the stock exchange, Scientific Quarterly of Islamic Economics and Banking, number 31, 262-247.
9. Ferrouhi, E.M. (2018). Determinants of banks’ profitability and performance: An overview. MPRA Paper, 89470, 1, 1–15.
10. Gardijan-Kedžo, M. & Tuškan-Sjauš, B. (2021). The Efficiency Analysis of Large Banks Using the Bootstrap and Fuzzy DEA: A Case of an Emerging Market. Information 2021, 12, 507.
11. Hafezizadeh, N. & Sotoudehrovan, M. (2022). Basics of Domestic Banking, Sharifzadeh Publications, first edition.
12. Hedayat-Mazhari, R. & Khoramabadi, M. & Lashgarara, S. (1400). Analyzing performance measurement with the method of data envelopment analysis and its relationship with financial ratios. Financial Accounting Research, 13(3), 89-110.
13. Henriquesa, I.C. & Amorim. S. & Herbert, K. & Barberio, M. (2018). Efficiency in the Brazilian banking system using data envelopment analysis, Future Business Journal, 4(2), 157-178.
14. Kamjunia, S. (2018). Evaluation of banks' performance with the help of data envelopment analysis technique, Iranian Andishe Ghadeb Institute.
15. Khatami, S.M. (2014). Examining and ranking performance evaluation indicators of National Bank using the balanced scorecard model and fuzzy AHP with emphasis on financial indicators, Management and Accounting Research Monthly, 14.
16. Koushafar, M. & Noravesh, A. & Mashayekhi, B. (2017). Measurement of management efficiency and ability based on financial criteria. Journal of Accounting and Management Audit, 6(23), 187-202.
17. Kumar, N & Archana, S. (2017). Efficiency evaluation of select Indian banks using fuzzy extended data envelopment analysis, International Journal of Information and Decision Sciences, 9(4), 334.
18. Lee, C.C. & Shih-Jui, Y. & Chi-Hung, C. (2014). Noninterest income, profitability, and risk in banking industry: A cross-country analysis. The North American Journal of Economics and Finance, 27, 48–67.
19. Lelissa, T. B. & Kuhil, A.M. (2018). Empirical evidence on the impact of bank-specific factors on the commercial banks performance: The CAMEL model and case of Ethiopian banks. Global Journal of Management and Business Research (C): Finance, 18(4), 37–48.
20. Mbabazize, R.N. & Turyareeba, D. & Ainomugisha, P. & Rumanzi, P. (2020). Monetary policy and profitability of commercial banks in Uganda. Open Journal of Applied Sciences, 10(10), 625–653.
21. Mehrgan, M.R. (2023). Data Envelopment Analysis: Quantitative Models in Performance Evaluation of Organizations, Academic Book Publications, 9th Edition.
22. Nguyen, H.D.H. & Dang, V.D. (2020). Bank-specific determinants of loan growth in Vietnam: Evidence from the CAMELS approach. The Journal of Asian Finance, Economics and Business, 7(9), 179–189.
23. Osubor, V.I. & Imouokhome, F.A. & Okoh, J. (2019). Genetic-Fuzzy Data Envelopment Analysis Model for Evaluating Financial Institutions Relative Productivity in a Fluctuating Economic Market, Journal of Sciences, Islamic Republic of Iran, 30(1), 77– 86.
24. Sadeghi, S. & Molki, M.H. & Motaghi, P. (2017). Presenting a dynamic two-stage model to evaluate the performance of private banks with the data envelopment analysis approach, Journal of Banking Monetary Research, 11(35), 55-82.
25. Sadouqi, M.R. (2019). Evaluating the performance of Tejarat Bank branches with the fuzzy approach and data envelopment analysis method, the second international conference on innovation in business management and economics.
26. Sekaran, U. (2022). Research methods in management, translators: Mohammad Saebi and Mahmoud Shirazi, Publications of the Presidential Public Management Education Center, 19th edition.
27. Soltani, M. (2021). Performance evaluation, Ariana Gelam Publications, 6th edition.
28. Takbeiri, O. (2015). Performance evaluation of banks, Mehr Afrid Publications, first edition.
29. Tehrani, R. & Bigdalo, J. (2019). Investigating the financial intermediation role of member banks of the Tehran Stock Exchange and the factors affecting it. Financial Management Perspectives, 10 (29), 39-64.
30. Zhao, H. & Kang, S. (2015). Banking Performance Evaluation in China Based on Non-radial Super-efficiency Data Envelopment Analysis. Procedia Economics and Finance, 23, 197-202.
