پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,197 |
| تعداد مقالات | 77,247 |
| تعداد مشاهده مقاله | 157,544,869 |
| تعداد دریافت فایل اصل مقاله | 118,620,971 |
طراحی مدل تحلیل پوششی دادههای شبکهای پویا برای ارزیابی عملکرد مدیریت شعب بانک | ||
| مدیریت دولتی | ||
| دوره 18، شماره 2، 1405، صفحه 338-366 اصل مقاله (754.99 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jipa.2026.409261.3851 | ||
| نویسندگان | ||
| سعید سفیدگران1؛ محمدرضا مهرگان* 2؛ عزت الله اصغری زاده2 | ||
| 1دانشجوی دکتری، گروه مـدیریت صـنعتی، پردیس البرز، دانشـگاه تهـران، تهـران، ایـران. | ||
| 2استاد، گروه مـدیریت صـنعتی، دانشـکدۀ مـدیریت صـنعتی و فنـاوری، دانشکدگان مدیریت، دانشـگاه تهـران، تهـران، ایـران. | ||
| چکیده | ||
| هدف: ارزیابی عملکرد بانکها، بهویژه بانکهای توسعهای، بهدلیل ماهیت چندمرحلهای عملیات، اهداف فراتر از سودآوری کوتاهمدت و وابستگی عملکرد به عوامل بیندورهای، مستلزم بهکارگیری چارچوبهای تحلیلی جامع و پویا است. با این حال، مرور مطالعات پیشین نشان میدهد که بخش عمدهای از پژوهشهای انجامشده، بهویژه در ادبیات داخلی، ارزیابی عملکرد بانکها را به بررسی مجزای کارایی مدیریت منابع یا کارایی سودآوری محدود کردهاند و به تحلیل همزمان این دو مؤلفه در بستر پویای زمانی و متناسب با ماهیت بانکهای توسعهای، چندان نپرداختهاند. این رویکردهای تفکیکی، امکان درک ارتباط درونی میان فرایندهای تجهیز منابع، تخصیص اعتبارات و تحقق اهداف توسعهای را محدود میسازد. در این راستا، هدف پژوهش حاضر ارزیابی جامع و بیندورهای عملکرد مدیریتی شعب بانک توسعۀ تعاون در سطح مدیریتهای استانی و تحلیل ارتباط میان کارایی مدیریت منابع، سودآوری مالی و تحقق اهداف توسعهای، در قالب یک چارچوب شبکهای پویا است. روش: در این پژوهش از مدل تحلیل پوششی دادههای شبکهای پویا مبتنی بر رویکرد اسلک استفاده شده است. ساختار مدل شامل دو مرحلۀ متوالی «مدیریت منابع» و «سودآوری مالی» است که ارتباط آنها، از طریق متغیرهای میانی و انتقالی بهصورت صریح مدلسازی میشود. دادههای مورد استفاده، اطلاعات ۳۱ مدیریت استانی بانک توسعۀ تعاون، طی دوره زمانی ۱۴۰۱ تا ۱۴۰۳ است. نوآوریهای روششناختی پژوهش شامل تفکیک سپردهها به سپردههای ارزانقیمت و گرانقیمت بهعنوان خروجیهای میانی مرحله مدیریت منابع، لحاظ هزینۀ سود سپردههای گرانقیمت بهعنوان ورودی برونزا در مرحلۀ سودآوری، استفاده از متغیرهای انتقالی نظیر مطالبات غیرجاری و محل شعب برای انعکاس اثرهای بیندورهای و بهکارگیری وزندهی پویا به مراحل و دورههای زمانی بر اساس اهمیت نسبی آنها است. علاوهبراین، تحلیل اسلکها، بهعنوان ابزار مکمل برای شناسایی دقیق منابع، ناکارایی و افزایش قابلیت کاربرد نتایج در تصمیمگیریهای مدیریتی انجام شده است. یافتهها: نتایج پژوهش نشان میدهد که کارایی شبکهای پویا در میان مدیریتهای استانی بانک توسعۀ تعاون ناهمگن است و تنها تعداد محدودی از استانها در کل دوره مورد بررسی در مرز کارایی قرار دارند. تحلیل اسلکها بیانگر آن است که منشأ ناکارایی استانها یکسان نیست و در برخی استانها ناکارایی، اغلب از مازاد هزینههای عملیاتی و نیروی انسانی نشئت گرفته است، در حالی که در برخی دیگر، ریسک اعتباری و سطح بالای مطالبات غیرجاری در کاهش کارایی، بهویژه در مرحله سودآوری، نقش غالب ایفا میکند. نتایج پویا همچنین نشان میدهد که دستیابی به کارایی در یک دورۀ زمانی، لزوماً تضمینکنندۀ پایداری عملکرد در دورههای بعدی نیست و متغیرهای انتقالی در تبیین تغییرات کارایی نقش معناداری دارند. نتیجهگیری: یافتههای پژوهش حاکی از آن است که بهکارگیری مدل تحلیل پوششی دادههای شبکهای پویا مبتنی بر SBM، چارچوبی مناسب و کارآمد برای ارزیابی عملکرد بانکهای توسعهای در محیطهای چندمرحلهای و بیندورهای فراهم میکند. این رویکرد، ضمن شناسایی دقیق گلوگاههای ناکارایی، زمینۀ طراحی برنامههای بهبود هدفمند، تقویت تصمیمگیری مبتنی بر داده و همراستاسازی اهداف توسعهای با کارایی اقتصادی را برای مدیران و سیاستگذاران بانکهای توسعهای فراهم میسازد. | ||
| کلیدواژهها | ||
| تحلیل پوششی دادههای شبکهای پویا؛ کارایی مدیریت منابع؛ کارایی سودآوری؛ ارزیابی عملکرد؛ بانک توسعهای | ||
| عنوان مقاله [English] | ||
| Designing a Dynamic Network Data Envelopment Analysis (DEA) Model for the Performance Evaluation of Bank Branch Management | ||
| نویسندگان [English] | ||
| Saeed Sefidgaran1؛ Mohammad Reza Mehregan2؛ Ezzatollah Asgharizadeh2 | ||
| 1Ph.D. Candidate, Department of Industrial Management, Alborz Campus, University of Tehran, Tehran, Iran. | ||
| 2Prof., Department of Industrial Management, Faculty of Industrial Management & Technology, College of Management, University of Tehran, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective Performance evaluation in the banking sector, and particularly within development banks, necessitates analytical frameworks that are both comprehensive and dynamic. This requirement stems from several distinctive features of development banking, including the multi-stage structure of banking operations, the existence of objectives that go beyond short-term profitability, and the intertemporal dependence of performance outcomes across successive periods. A review of prior empirical studies shows that a large share of the existing literature, especially in domestic research, has tended to focus on a single dimension of performance, most commonly either resource management efficiency or financial profitability efficiency, examined in isolation. Such approaches provide only a partial understanding of bank performance and fail to adequately capture the internal linkages between resource mobilization, cost structures, financial returns, and the realization of development-oriented goals. Moreover, limited attention has been devoted to analyzing these dimensions simultaneously within a dynamic framework that reflects the specific operational characteristics of development banks. In response to this gap, the objective of the present study is to conduct a comprehensive and intertemporal evaluation of managerial performance in the Cooperative Development Bank, focusing on its provincial management units. Specifically, the study aims to analyze the dynamic relationship between resource management efficiency, financial profitability, and the fulfillment of development objectives through the application of a dynamic network framework. Methods This study employs a Dynamic Network Slack-Based Measure (DN-SBM) model within the broader data envelopment analysis (DEA) framework. The proposed model conceptualizes banking operations as a two-stage sequential network consisting of a resource management stage followed by a financial profitability stage. The internal structure of the model explicitly incorporates intermediate products and carry-over variables to reflect the operational linkages between stages and the intertemporal dependence of performance. The empirical analysis is based on panel data from 31 provincial management units of the Cooperative Development Bank over the period 1401–1403 (2022–2024). Several methodological features distinguish this study. Deposits are disaggregated into low-cost and high-cost deposits and are treated as intermediate outputs of the resource management stage. Interest expenses associated with high-cost deposits are incorporated as an exogenous input in the profitability stage, reflecting their role in shaping financial outcomes. In addition, carry-over variables such as non-performing loans and branch location are included to capture dynamic effects that transmit performance across periods. The model also applies dynamic weighting to both stages and time periods based on their relative importance. To enhance the practical relevance of the analysis, slack analysis is conducted as a complementary tool to identify specific sources and magnitudes of inefficiency at the provincial level. Results The results indicate considerable heterogeneity in dynamic network efficiency among provincial management units of the Cooperative Development Bank. Only a limited number of provinces consistently remain on the efficiency frontier throughout the entire study period, while many others exhibit fluctuating performance over time. The slack analysis reveals that the sources of inefficiency vary substantially across provinces and across stages of operation. In some provincial units, inefficiency is mainly driven by excess operational and personnel costs, pointing to weaknesses in cost control and resource utilization within the resource management stage. In other cases, inefficiency is primarily associated with the profitability stage and is linked to elevated credit risk and higher levels of non-performing loans. The dynamic results further demonstrate that achieving efficiency in one period does not necessarily ensure efficiency in subsequent periods. This finding underscores the importance of carry-over variables in shaping performance trajectories and highlights the intertemporal nature of managerial performance in development banking. Conclusion The conclusions of this study suggest that the DN-SBM approach offers an effective and robust framework for evaluating the performance of development banks operating in multi-stage and intertemporal environments. By explicitly modeling internal processes, intermediate outputs, and carry-over effects, the proposed framework enables a more nuanced assessment of managerial performance than static or single-stage approaches. The ability to precisely identify inefficiency bottlenecks through slack analysis supports the formulation of targeted improvement programs and strengthens data-driven managerial decision-making. Overall, the findings indicate that dynamic network performance evaluation can assist managers and policymakers in better aligning development objectives with economic efficiency within development banking institutions. | ||
| کلیدواژهها [English] | ||
| Dynamic network data envelopment analysis, Resource management efficiency, Profitability efficiency, Performance evaluation, Development bank | ||
| مراجع | ||
|
Afonso, A., Schuknecht, L. & Tanzi, V. (2006). Public Sector Efficiency: Evidence for New EU Member States and Emerging Markets. Applied Economics, 42. https://doi.org/10.1080/00036840701765460 Akther, S., Fukuyama, H. & Weber, W. (2013). Estimating Two-stage Network Slacks-based Inefficiency: An Application to Bangladesh Banking. Omega, 41, 88–96. https://doi.org/10.1016/j.omega.2011.02.009 Avkiran, N. K. (2015). An illustration of dynamic network DEA in commercial banking including robustness tests. Omega, 55, 141–150. https://doi.org/https://doi.org/10.1016/j.omega.2014.07.002 Berger, A. N. & Humphrey, D. B. (1997). Efficiency of financial institutions: International survey and directions for future research. European Journal of Operational Research, 98(2), 175–212. https://doi.org/https://doi.org/10.1016/S0377-2217(96)00342-6 Chen, P.C., Yu, M.M., Shih, J.C., Chang, C.C. & Hsu, S.H. (2018). A Reassessment of the Global Food Security Index by Using a Hierarchical Data Envelopment Analysis Approach. European Journal of Operational Research, 272. https://doi.org/10.1016/j.ejor.2018.06.045 Chiesa, V., Frattini, F., Lazzarotti, V. & Manzini, R. (2009). Performance measurement of research and development activities. European Journal of Innovation Management, 12, 25–61. https://doi.org/10.1108/14601060910928166 Cook, W. D. & Zhu, J. (2014). Data Envelopment Analysis—A Handbook of Modeling Internal Structure and Networks. Springer. Dao, B. & Nguyen, K.A. (2020). Bank Capital Adequacy Ratio and Bank Performance in Vietnam: A Simultaneous Equations Framework. The Journal of Asian Finance, Economics and Business, 7, 39–46. https://doi.org/10.13106/jafeb.2020.vol7.no6.039 Färe, R. & Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences, 34(1), 35–49. https://doi.org/https://doi.org/10.1016/S0038-0121(99)00012-9 Fare, R. & Primont, D. (1993). Measuring the efficiency of multiunit banking: An activity analysis approach. Journal of Banking & Finance, 17(2-3), 539–544. Fukuyama, H. & Weber, W. L. (2013). A dynamic network DEA model with an application to Japanese Shinkin banks. In Efficiency and Productivity Growth (pp. 193–213). https://doi.org/https://doi.org/10.1002/9781118541531.ch9 Henriques, I. C., Sobreiro, V. A., Kimura, H. & Mariano, E. B. (2020). Two-stage DEA in banks: Terminological controversies and future directions. Expert Systems with Applications, 161, 113632. https://doi.org/https://doi.org/10.1016/j.eswa.2020.113632 Hidayat, S. & Abduh, M. (2012). Does Financial Crisis Give Impacts on Bahrain Islamic Banking Performance? A Panel Regression Analysis. International Journal of Economics and Finance, 4, 79–79. https://doi.org/10.5539/ijef.v4n7p79 Holod, D. & Lewis, H. F. (2011). Resolving the deposit dilemma: A new DEA bank efficiency model. Journal of Banking & Finance, 35(11), 2801–2810. https://doi.org/https://doi.org/10.1016/j.jbankfin.2011.3.007 Jahanshahloo, G. R., Amirteimoori, A. R. & Kordrostami, S. (2004). Multi-component performance, progress and regress measurement and shared inputs and outputs in DEA for panel data: an application in commercial bank branches. Applied Mathematics and Computation, 151(1), 1–16. https://doi.org/https://doi.org/10.1016/S0096-3003(03)00318-7 Kao, C. & Hwang, S.-N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European Journal of Operational Research, 185(1), 418–429. https://doi.org/https://doi.org/10.1016/j.ejor.2006.11.041 Kao, C. (2017). Network data envelopment analysis: Foundations and extensions. Springer. Koronakos, G. (2019). A Taxonomy and Review of the Network Data Envelopment Analysis Literature. In (pp. 255–311). https://doi.org/10.1007/978-3-030-15628-2_9 Kourtzidis, S., Matousek, R. & Tzeremes, N. G. (2021). Modelling a multi-period production process: Evidence from the Japanese regional banks. European Journal of Operational Research, 294(1), 327–339. https://doi.org/https://doi.org/10.1016/j.ejor.2021.01.036 Kweh, Q. L., Lu, W.-M., Tone, K. & Liu, H.-M. (2024). Evaluating the resource management and profitability efficiencies of US commercial banks from a dynamic network perspective. Financial Innovation, 10(1), 19. https://doi.org/10.1186/s40854-023-00531-0 Lewis, H. F. & Sexton, T. R. (2004). Data envelopment analysis with reverse inputs and outputs. Journal of Productivity Analysis, 21(2), 113-132. Liang, L., Cook, W. D. & Zhu, J. (2008). DEA models for two-stage processes: game approach and efficiency decomposition. Naval Research Logistics, 55, 643–653. Michali, M., Emrouznejad, A., Dehnokhalaji, A. & Clegg, B. (2021). Noise-pollution efficiency analysis of European railways: A network DEA model. Transportation Research Part D: Transport and Environment, 98, 102980. https://doi.org/https://doi.org/10.1016/j.trd.2021.102980 Omrani, H., Alizadeh, A., Emrouznejad, A. & Oveysi, Z. (2022). A novel best‐worst‐method two-stage data envelopment analysis model considering decision makers' preferences: An application in bank branches evaluation. International Journal of Finance & Economics, 28, 3593–3610. https://doi.org/10.1002/ijfe.2609 Seiford, L. M. & Zhu, J. (1999). Profitability and marketability of the top 55 US commercial banks. Management Science, 45(9), 1270- 1288. Sotiros, D., Koronakos, G. & Despotis, D. K. (2019). Dominance at the divisional efficiencies level in network DEA: The case of two-stage processes. Omega, 85, 144–155. https://doi.org/https://doi.org/10.1016/j.omega.2018.06.007 Tone, K. & Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European Journal of Operational Research, 197(1), 243–252. https://doi.org/https://doi.org/10.1016/j.ejor.2008.05.027 Tone, K. & Tsutsui, M. (2010). Dynamic DEA: A slacks-based measure approach. Omega, 38(3), 145–156. https://doi.org/https://doi.org/10.1016/j.omega.2009.07.003 Tone, K. & Tsutsui, M. (2014). Dynamic DEA with network structure: A slacks-based measure approach. Omega, 42(1), 124–131. https://doi.org/https://doi.org/10.1016/j.omega.2013.04.002 Tsolas, I. (2010). Relative profitability and stock market performance of listed commercial banks on the Athens Exchange: A non-parametric approach. IMA Journal of Management Mathematics, 22, 323–342. https://doi.org/10.1093/imaman/dpq017 Wanke, P., Abul Kalam Azad, M., Emrouznejad, A. & Antunes, J. (2019). A dynamic network DEA model for accounting and financial indicators: A case of efficiency in MENA banking. International Review of Economics & Finance, 61, 52–68. https://doi.org/https://doi.org/10.1016/j.iref.2019.01.004 Yang, F., Wu, D., Liang, L., Bi, G. & Wu, D. D. (2011). Supply chain DEA: production possibility set and performance evaluation model. Annals of Operations Research, 185(1), 195–211. https://doi.org/10.1007/s10479-008-0511-2 Yu, Y., Huang, J. & Shao, Y. (2019). The Sustainability Performance of Chinese Banks: A New Network Data Envelopment Analysis Approach and Panel Regression. Sustainability, 11, 1–25. https://doi.org/10.3390/su11061622 Zha, Y., Liang, N., Wu, M. & Bian, Y. (2016). Efficiency evaluation of banks in China: A dynamic two-stage slacks-based measure approach. Omega, 60, 60–72. https://doi.org/https://doi.org/10.1016/j.omega.2014.12.008 | ||
|
آمار تعداد مشاهده مقاله: 121 تعداد دریافت فایل اصل مقاله: 84 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب