تعیین اهداف جذب منابع با رویکرد منطق فازی و شبکه‌های عصبی در مؤسسات مالی و اعتباری

در این تحقیق سعی شده از شبکه‌های عصبی و منطق فازی استفاده شود و کاربرد ترکیب این دو روش در پیش‌بینی برای هدف‌گذاری جذب منابع موردبررسی قرار گیرد

چکیده

قدرت و اعتبار موسسات مالی و اعتباری به پول هایی است که سپرده گذاران در آنها سپرده نموده اند و پیشرفت و بقای هر یک از موسسات مذکور به میزان سهم از منابع کل بازار بستگی دارد و افزایش سهم از منابع بازار نیازمند تلاش مستمر و برنامه ایی قوی ، جامع با الگویی مناسب در قالب اهداف جذب منابع کل و جزء می باشد. از آن جایی که تصمیمات مدیریتی از قبیل انتخاب و انتصاب و جابجایی مسئولان شعب و دوایر و پرداخت عایدات غیر مستمر و مواردی از این قبیل به میزان تحقق اهداف جذب منابع ارتباط دارد و همچنین سنجش میزان تحقق اهداف جذب منابع در هریک از شعب موسسات مالی و اعتباری متاثر از نوع و میزان هدف گذاری جزء می باشد ، با نگرش شناسایی نقاط ضعف سیستم هدف گذاری جاری در موسسات مالی و اعتباری و بهبود فرآیند سنجش عملکرد و جلوگیری از کاهش نرخ تلاش بعد از رسیدن به هدف و قبل از اتمام دوره ، در این پژوهش میزان منابع آتی شعب دو موسسه مالی و اعتباری با رویکرد تلفیقی از شبکه های عصبی و منطق فازی و خلق معادله ابتکاری و با استفاده از متغیر های جدید پیش بینی و سپس با توجه به تغییرات منابع هر یک از شعب هدف گذاری با ضریب اطمینان ثابتی صورت پذیرفت و در ادامه هدف گذاری به روش های جاری و روش فرا ابتکاری با واقعیت جذب منابع مقایسه شد .

واژگان کلیدی: تعیین اهداف، جذب منابع، شبکه‌های عصبی، منطق فازی

مقدمه

بانکداری، صنعت بزرگ هر کشور است و بانک‌ها و موسی‌ات مالی و اعتباری محل نگهداری انبوه سپرده‌های افراد جامعه می‌باشند، بین بانک‌ها و مؤسسات مالی و اعتباری بر سر جذب سپرده‌ها رقابت وجود دارد و تلاش‌های همه‌جانبه از قبیل تبلیغات، ارائه نرخ‌های بالاتر پرداخت سود سپرده‌ها و… در جهت افزایش سهم منابع بازار نشانگر اصل و واقعیت رقابت می‌باشد.
بانک‌ها و مؤسسات مالی و اعتباری اهداف کل جذب منابع را تعیین و به زیرمجموعه خود ابلاغ می‌نمایند، اطلاع از آینده در خصوص منابع آتی، می‌تواند موسسه مالی و اعتباری را در هدف‌گذاری توانمند سازد، اطلاع از آینده از طریق پیش‌بینی صورت می‌پذیرد. از نگاهی دیگر دنیای امروز دنیای تغییرات است و اطلاع و آگاهی از آینده و شرایط و موقعیت‌های پیش رو عاملی مهم در حفظ حیات سازمان‌های مالی است. همواره هدف‌گذاری در اغلب سازمان‌ها با نگرش رسیدن به رشد و تعالی صورت می‌پذیرد و زمانی می‌توان هدف‌گذاری مؤثر و کارایی داشت که بتوان برآورد و پیش‌بینی نسبتاً دقیقی از آینده داشت. پیش‌بینی دارای ساختارهای متفاوتی می‌باشد و از روش‌های متفاوتی استفاده می‌نماید که در این پژوهش هدف‌گذاری بر اساس پیش‌بینی ازنقطه‌نظر پیش‌بینی کمی موردبررسی قرارگرفته است.
با پیشرفت علم استفاده از روش‌های نوین و هوشمند پیش‌بینی در اغلب سازمان‌های مالی با ساختار پیچیده رونق گرفته است و به همین جهت در این تحقیق سعی شده از شبکه‌های عصبی و منطق فازی استفاده شود و کاربرد ترکیب این دو روش در پیش‌بینی برای هدف‌گذاری جذب منابع و مقایسه آن با هدف‌گذاری بدون پیش‌بینی موردبررسی قرار گیرد.
در این فصل مسئله تحقیق و ضرورت انجام آن بیان می‌شود و در ادامه فرضیات و روش تحقیق. ابزار گردآوری اطلاعات و روش تجزیه‌وتحلیل آن ارائه‌شده است. در ادامه نیز قلمرو تحقیق و در پایان محدودیت‌ها و تعاریف واژگان آورده شده است.

بیان مسئله تحقیق

مؤسسات مالی و اعتباری برای رشد و تعالی نیاز به جذب منابع دارند و جذب منابع توسط شعبه‌ها آنان در این بازار پر از رقابت با ارائه خدمات متنوع از اهمیت بالایی در گسترش حجم فعالیت‌ها و سودآوری برخوردار است. هدف‌گذاری مدیران عالی مؤسسات مالی و اعتباری همواره در جهت گسترش حجم فعالیت‌ها و سودآوری بیشتر بوده است. مدیران مؤسسات مالی و اعتباری برای مقاطع سه‌ماهه یا شش‌ماهه و یا سالانه هدف‌گذاری را برای هر یک از شعب تحت پوشش انجام می‌دهند که اغلب این هدف‌گذاری‌ها بر اساس توانایی در تحقق اهداف دوره‌های گذشته، منصوب نمودن سهمی از کل هدف افزایش سهم بازار، درجه هر شعبه و… می‌باشد.
زمانی که هدف‌گذاری بر اساس پیش‌بینی با معیارها و واقعیت‌ها صورت بپذیرد، اندازه‌گیری عملکرد واقعی‌تر خواهد بود. به‌عبارت‌دیگر تلاش بیشتر و کم‌کاری قابل‌تشخیص است. به‌طور مثال اگر هدف جذب منابع برای برخی از شعبه‌های یک موسسه مالی و اعتباری پایین‌تر از حد معمول و توان آنان تعیین‌شده باشد این موضوع خارج از تصور نیست که نرخ تلاش شعبه‌های موصوف بعد از رسیدن به هدف تنزل یابد و تلاش بیشتر روی حفظ منابع تا پایان مقطع هدف‌گذاری معطوف شود و یا بالعکس سهم یک شعبه و یا چند شعبه از اهداف جذب منابع آن‌قدر بالا باشد که امکان تحقق هدف با شرایط و روند فعلی ممکن نباشد و تلاش شعب تشخیص داده نشود و از طرفی دیگر به آن شعبه‌ها سهم جذب منابع، شعبه‌های دیگری تخصیص داده‌شده که نرخ تلاش آن‌ها بعد از رسیدن به هدف تنزل یافته و با گذر زمان هدف سوخت می‌باشد.
ما در طی روز بعضاً تصمیماتی می‌گیریم که این تصمیمات بر مبنای فرضیاتی در ذهن ما از آینده است، در شکل بزرگ‌تر در سازمان‌های بزرگ ازجمله مؤسسات مالی و اعتباری اتخاذ تصمیم با پیش‌بینی بر اساس فرضیات ذهنی ممکن نخواهد بود و یا صحیح نمی‌باشد بنابراین مؤسسات مالی و اعتباری محتاج پیش‌بینی‌های نسبتاً دقیقی مبتنی بر روش‌های علمی نوین برای هدف‌گذاری مطلوب‌تر می‌باشند.
دانستن سهم از آینده در بخش منابع در بودجه‌ریزی و تعیین مصارف و… تأثیر مهم و بسزایی دارد و به‌طورکلی مدیران باید بکوشند مدلی را برای پیش‌بینی انتخاب نمایند که پاسخگوی نیازهای سازمان متناسب با فعالیت آنان باشد در بسیار از موارد انتخاب روش غلط ممکن است سازمان را با نتایج ناخوشایندی رهنمون سازد اگرچه پیش‌بینی به‌ندرت با واقعیت تطبیق دارد ولی باید کوشید تا خطاهای آن را به حداقل رساند.

فهرست مطالب

فصل اول: طرح تحقیق 1
1-1- مقدمه 2
1-2- بیان مسئله تحقیق 2
1-3- ضرورت انجام تحقیق 3
1-4- فرضیه و اهداف 5
1-4-1- فرضیه 5
1-4-2- اهداف 5
1-5- روش تحقیق 6
1-6- قلمرو تحقیق 6
1-7- بررسی اجمالی منابع در سال‌های اخیر 7
1-7-1- رابطه منابع (سپرده‌ها) با مصارف (تسهیلات) 7
1-7-2- رابطه پس‌انداز و تورم 8
1-8- محدودیت‌های انجام تحقیق 9
1-9- ساختار کلی تحقیق 9
1-10- تعاریف واژگان 11
فصل دوم: ادبیات و پیشینه تحقیق 13
2-1- مقدمه 14
2-2- پول 14
2-2-1- خلاصه‌ای از پیدایش پول 15
2-2-2- خلاصه‌ای از وظایف و ویژگی‌های پول در جامعه 16
2-2-3- اصطلاحات مرتبط با پول 18
2-3- بانکداری 21
2-4- مؤسسات مالی و اعتباری و بانک مرکزی 22
2-5- جذب منابع 24
2-6- پیش‌بینی و روش‌های آن 28
2-6-1- جایگاه پیش‌بینی در علم 28
2-6-2- تعریف پیش‌بینی 29
2-6-3- جایگاه پیش‌بینی در مؤسسات مالی و اعتباری 30
2-6-4- سیستم پیش‌بینی 30
2-6-5- طبقه‌بندی پیش‌بینی 32
2-7- شبکه عصبی و منطق فازی 35
2-7-1- شبکه عصبی 35
2-7-2- منطق فازی 44
2-7-3- شبکه عصبی– فازی 47
2-8- پیشینه 49
2-8-1- پیشینه داخلی 49
2-8-2- پیشینه خارجی 55
فصل سوم: روش تحقیق 61
3-1- مقدمه 62
3-2- متدولوژی تحقیق 62
3-3- جامعه آماری 63
3-4- شیوه گردآوری اطلاعات 63
3-5- نحوه آماده‌سازی داده‌ها 63
3-5-1- جمع‌آوری داده و یکسان کردن داده‌ها 64
3-5-2- پاک‌سازی داده 64
3-5-3- انتخاب ویژگی 65
3-5-4- نمونه‌برداری 65
3-5-5- تبدیل داده 66
3-6- بررسی متغیرهای تحقیق 68
نظریه‌های تقاضای پول 68
نظریه مقدار پول 68
فصل چهارم: تجزيه و تحليل داده‌ها 75
4-1- مقدمه 76
4-2- شبکه عصبی فازی 76
4-4- روش تجزیه‌وتحلیل اطلاعات 77
4-5- اندازه‌گیری میزان خطا در پیش‌بینی 77
4-6- اندازه‌گیری میزان انحراف در تعیین اهداف جذب منابع 78
فصل پنجم: نتایج و پیشنهادات 79
5-1- مقدمه 80
5-2- بررسی نتایج سیستم پیش‌بینی 80
5-3- بررسی نتایج سیستم هدف‌گذاری 81
5-4- بررسی فرضیه و اهداف 83
5-5- نتیجه‌گیری 86
5-6- پیشنهادات 88
پیوست ها 90
منابع و مآخذ 111

منابع و مآخذ

1. ابونوری، اسمعیل و سپانلو، هادی، «تجزیه‌وتحلیل آثار عوامل درون‌سازمانی برجذب سپرده بانکی-مطالعه موردی بانک ملت تهران»، پژوهشی دانشگاه شاهد ، ماهنامه علمی-پژوهشی ، شماره14، 1384.
2. آذر، افسر و احمدی، «مقایسه روش‌های کلاسیک و هوش مصنوعی در پیش‌بینی شاخص قیمت سهام و طراحی مدل ترکیبی»، فصل نامه مدرس علوم انسانی، دوره 10، پیاپی30 ، 1385.
3. آذر، افسر، «مدل‌سازی پیش‌بینی شاخص قیمت سهام با رویکرد شبکه‌های عصبی فازی»، مجله پژوهشنامه بازرگانی ، شماره 40 ، 1385.
4. آذر، رجب‌زاده، «ارزیابی روش‌های پیش‌بینی ترکیبی: بارویکرد شبکه‌های عصبی-کلاسیک در حوزه اقتصاد»، تحقیقات اقتصادی ، شماره63 ، 1382.
5. آذر، عادل و افسر، امیر ، مدل سازی پیش بینی قیمت سهام با رویکرو شبکه عصبی – فازی ، فصلنامه پژوهشنامه بازرگانی ، شماره 52، پاییز 1385، ص 33-55 .
6. آذر، عادل و فرجی، حجت، علم مدیریت فازی، تهران: مهربان نشر،1387.
7. بانکداری داخلی تجهیز منابع ، جلد 10، بانک ملی ایران- اداره آموزش و مدیریت, 1385.
8. بومنفلد، یوریک، انسان و آینده اش ، ترجمه خواجه پور غلامرضا، انتشارات سازمان مدیریت صنعتی، چاپ سوم 1393 ص 3-6 .
9. پاسبانی، فرید ، «بررسی متغیرهای کلان درجذب منابع بانک ملت»، دانشگاه آزاد اسلامی واحد مرکز ، 1380.
10. التجائی، ابراهیم. 1394. تحلیلی تاریخی از تعاریف انباشت های پولی در ارتباط با نوآوری های مالی. فصلنامه سیاست های مالی و اقتصادی، سال سوم، شماره 12.
11. تسخیری، سپرده هاى بانکى-تطبیق فقهى و احکام آن، فصل نامه فقه اهل بیت، 1380، ص 59.
12. تویسرکانی زاده, افسانه و حمید متقی گلشن، ۱۳۹۵، خوشه بندی رفتار مشتریان بانکی با استفاده از شبکه عصبی در راستای ارزیابی رفتار آنها، همایش ملی دانش و فناوری مهندسی برق، کامپیوتر و مکانیک ایران، تهران.
13. حبيب اله، سلامي و علی، بهمني، «اثر تعیین سود تسهیلات بر کارایی بانکداری اسلامی» ، پژوهش هاي اقتصادي، 1380، 27-40.
14. حسینی و امینی و محمدی، «بررسی عوامل موثر بر حجم سپرده های بانکی با تاکید بر بانک صادرات ایران» ، فصلنامه علوم اقتصادی ، 1388، 6، 159-172.
15. حسینی، سید فخر الدین و صفیار و امینی و محمدی، سمیه، «بررسی عوامل موثر بر حجم سپرده‌های بانکی با تاکید بر بانک صادرات ایران» فصلنامه علوم اقتصادی 6 1388، 159-172.
16. دهقان، علی، «بررسی عوامل موثر بر جذب سپرده‌های بانکی» پایان نامه کارشناسی ارشد دانشگاه علامه طباطبایی, 1383.
17. دیزج، عبدالرحیم، پول، ارز و بانکداری، چاپ سوم، جلد اول، تبریز: انتشارات حافظ اندیشه، 1389.
18. راجاسکارانویجی و آلاکشمی پای، شبکه‌های عصبی، منطق فازی و الگوریتم ژنتیک: ترکیب و کاربرد، ترجمه ی محمود کشاورزمهر، تهران: نشر نوپردازان،1391.
19. رحیمیان، کریم ، «پیش‌بینی سپرده‌های بانکی با رویکرد تلفیقی شبکه‌های عصبی و منطق فازی» ،پایان نامه کارشناسی ارشد دانشگاه علوم اقتصادی, 1392.
20. رضوانی و صحنه، «سنجش سطوح توسعه یافتگی نواحی روستایی با استفاده از روش منطق فازی: مطالعه موردی دهستانهای شهرستان های آققلا و بندر ترکمن»، روستا و توسعه، 1388، 1-32.
21. رمضانیان، محمدرحیم و رمضانپور، اسماعیل و پوربخش، سیدحامد، «رویکردهای جدید در پیش‌بینی با استفاده از شبکه‌های عصبی-فازی: قیمت نفت»، دانشگاه گیلان،1389.
22. سپانلو، ه، «تحلیل عوامل مؤثر بر سپرده‌ها در بانک (مطالعه موردی بانک ملت) »، دانشگاه علوم و فنون مازندران، 1381.
23. سپانلو، هادی و ابونوری، اسماعیل ، «تجزیه و تحلیل آثار عوامل دورن سازمانی بر جدب سپرده‌های بانکی(مطالعه موردی بانک ملت تهران) »، پژوهش نامه علوم اقتصادی، 1384.
24. شریفی و علیاری و تشنه لب، سیستم فازی شبه چند جمله ای تاکاگی- سوگنو -کانگ با کاربرد در شناسایی سیستم و کلاس بند الگو، مجله کنترل، 1389, 15-28.
25. صادقی شریف، سید جلال و سجاد فرازمند. 1396. ارزیابی پیش بینی پذیری قیمت سهام با استفاده از شبکه عصبی فازی در بورس تهران. فصلنامه سیاست های مالی و اقتصادی، سال پنجم، شماره 17، صفحات 115-97.
26. صنیعی آباده، محمد، داده کاوی کاربردی. تهران: نیاز دانش، 1391.
27. صنیعی آباده، محمد، داده کاوی کاربردی، تهران، نیاز دانش، 1391.
28. عزتی، مرتضی ، مقدمه ای بر منطق علمی پیش بینی، فصلنامه مفید، شماره 13، بهار 1385، ص 139-146
29. فدایی، محمد، بررسی عوامل مؤثر بر تجهیز منابع بانکی ، پایگاه خبری تحلیلی بازار پول و مالی ایران و جهان ،1391.
30. فرجی، پول و ارز و بانکداری ،تهران، شرکت چاپ و نشر بازرگانی وابسته به موسسه مطالعات و پژوهش های بازرگانی،1391.
31. قطمیری، غلام علی و شرزه ای، محمدعلی ، مجموعه سخنرانیها و مقالات، پنجمین سمینار بانکداری اسلامی تهران، 1373.
32. کردستانی، غلامرضا و معصومی، جواد و بقایی، وحید، «پیش‌بینی مدیریت سطح سود با استفاده از شبکه‌های عصبی مصنوعی»، مجله پیشرفت های حسابداری دانشگاه شیراز ، دوره 5، پیاپی3/64 ، 1391.
33. گرجي كهواره، علي، و سيد محمد مهدوي نيا، 1394، بانكداري الكترونيكي و نقش آن در جذب منابع مالي، چهارمين كنفرانس ملي مديريت و اقتصاد پايدار با رويكرد استراتژيك ، شيراز.
34. گزارش پیشبینی اهداف کل سپردههای بانک‌های ایران، مدیریت امور سازمان و برنامه ریزی و بودجه, 1391.
35. للگانی, اسماعیل, عبداله‌پور, سجاد. 1394. بررسی ادراک مدیران بانکی از کارکردهای بانکداری اسلامی (مطالعه موردی: بانک رفاه کارگران). فصل‌نامه مطالعات مالی و بانکداری اسلامی. 164-141.
36. منصف و منصوری، بررسی عوامل موثر بر حجم سپرده های بانکی (با تکیه بر سود اوراق مشارکت)، دانش و توسعه، 89، 1393.
37. منصف, عبدالعلی, و منصوری، نسرین، «بررسی عوامل موثر بر حجم سپرههای بانکی(با تکیه بر سود اوراق مشارکت) »، دانش و توسعه، شماره 34 ، اسفند 1389، 69.
38. نادری، اسماعیل، « تحلیل آشوب، تجزیه موجک و شبکه عصبی در پیش بینی شاخص بورس تهران » دانشگاه تهران ، 1391
39. نژادمقدم، قاسم و بقایی نیا، فاطمه و بافنده ، «منطق فازی به زبان ساده»، نشریه صنعت خودروی ، شماره119، 1391.
40. همایون و پریور ، پول، ارز و بانکداری ، تهران، انتشارات ترمه، 1387.

41. Alam, P., Booth, D., Lee, K., & Thordarson, T“,The use of fuzzy clustering algorithm and self-organizing neural networks for identifying potentially failing banks: an experimental study”, Expert Systems with Applications, 18(3), 185-199.
42. Alinezhad Sarokolae, Mehdi, and Parisa Alinezhad, ”A Comparative Study of Iranian Banks’ Efficiency by Using Artificial Neural Networks and Multi-Linear Regression”, Conference on Management and Artificial Intelligence, IPEDR IACSIT Press Singapore. 35 (2012): 80.
43. Aliyar, Mehdi ,”Factor Affecting the Volume of Private Deposit at the Bank of Keshavarzi”, Isfahan, Isfahan University M.S Thesis (in Persian), 2005.
44. Alvaro V. A. “,Hybrid linear-neural model for time series forecasting” ,IEEETransaction on Neural Network , Vol. 11, 2000.
45. Anwar, Saiful ,”Deposit Prediction Future Depositor Rate of Return Applying Neural Network: A Case study of introduction Islamic Bank”, International Journal of Economics and Finance 2 ,2010.
46. Armstrong, J. S. Principles of forcasting. Kluwer Academic Publisher, 2001.
47. Armstrong, J. Scott ,”Illusions in Regression Analysis”, International Journal of Forecasting 28, no. 3 (2012): 689.
48. Armstrong, J.Scott, and Fred Collopy ,”Error Measures for Generalizing About Forecasting Methods: Empirical Comparisons”,nternational Journal of Forecasting 8, no. 1 (1992): 69-80.
49. Bishop, C, Pattern Recognition and Machine Learning, Berlin: Springer, 2006.
50. Branson, V. H, Macroeconomics theory and policy, 1995.
51. Chiraphadhanakul, S, Genetic Algorithm in Forecasting Comercial Bank. Intelligent Processing Systems, IEEE International Conference, 116-121, 1997.
52. Gunaydin H., Dogan Murat, Zeyneo S. ,”Aneural network approach for early cost estimation of structural system for building”, International Journal of Project Management, No. 22, 2004
53. Kamber, M, Data Mining: Concepts and Techniques, 2011.
54. Ng, G. S., Quek, C., & Jiang, H,” FCMAC-EWS: A bank failure early warning system based on a novel localized pattern learning and semantically associative fuzzy neural network”, Expert Systems with Applications, 34(2), 989-1003.
55. Piscopo, G, Italian Bank Deposit Time Series Forecasting via functional Analysis, Banks and Bank Systems, 5, 2010 .
56. Qi M. , Zhang G. P. ,”An investigation of model selection criteria for neural network time series forecasting”, European Journal of Operational Research, Vol. 132: 2, 2001.
57. Ravisankar, P., & Ravi, V ,”Financial distress rediction in banks using Group Method of Data Handling neural network, counter propagation neural network and fuzzy ARTMAP”, Knowledge-Based Systems, 23(8), 823-831
58. Silva, Clarence.de, and Fakhreddine.O Karray,”Soft Computing and Intelligence Systems Design”, London: Pearson Education Limited 200, 2004.
59. Silva, Karray, Soft Computing and Intelligence Systems Design. London: Pearson Education Limited, 2004.
60. Somsong Chriaphadhanakul, P. D, Genetic Algorithm In Forecasting Commerical Banks Deposit. IEEE International Conference on Intelligent Processing Systems, 1, 116-121, 1997.
61. Tai-Yue W., Shin- Chien C. ,”Forecasting innovation performance via neuralnetwork– a cascade of Taiwanese manufacturing”, Industry Technovation, No. 26, 2006.