خلاصة:
بانکها نقش مهمی در اقتصاد ملی و رشد و شکوفایی آن ایفا میکنند. در این راستا پژوهشهای چندی در مورد ارزیابی عملکرد بانکها با استفاده از «تحلیل پوششی دادهها (DEA)» انجام شده است. اما در اکثر این پژوهشها، توجه چندانی به انتخاب متغیرهای ورودی و خروجی نشده و این در حالی است که تغییر در مجموعة متغیرها باعث میشود که کارآییواحدهای تصمیمگیرنده و ارزیابیهای حاصل بسیار متفاوت باشند. از اینرو در این تحقیق، به منظور انتخاب متغیرهای ورودی و خروجی، از روش رگرسیون لجستیک استفاده شده است. نتایج بهکارگیری این روش بیانگر آن است که متغیرهای اصلی در این مدل عبارتند از: «متغیر ورودی منابع اصلی تأمین مالی و متغیرهای خروجی میزان تسهیلات، میزان جذب منابع و تعداد اسناد». این متغیرها دارای بیشترین میزان تأثیر بر روی پیشبینی کارآییو ناکارآیی واحدهامیباشند. سپس با استفاده از این مجموعه متغیرها به تعیین کارآیی فنی، تخصیصی و کل، 15 شعبه از شعب بانک سپه در سطح کل استان تهران در طی سال 1390 پرداخته شد. نتایج حاکی از این بود که 27 درصد واحدها 100 درصد کارا، 20 درصد از واحدها 100 ناکارا هستند. 20 درصد واحدها ناکارای تخصیصی و 34 درصد از واحدها ناکارای فنی هستند.
Banks play substantial role in the national economy and its growth and prosperity. In this regard، recent researches have focused on performance evaluation of banks using “data envelopment analysis” (DEA). However، most of these studies has paid less attention to the selection of input and output variables. Obviously، the change in the variables set makes the efficiency scores and assessments of the decision-making units very different. Hence، in this paper، a logistic regression model is used in order to select the input and output variables. Applying this method indicates that the main variables of model are main source of financing as «input variable» and the bank facilities، resource absorption rate and number of bills as «output variables». These are of the greatest impact on forecasting of units efficiency (inefficiency). Then، we dealt with this set of variables to determine technical، allocative، and overall efficiency of 15 branches of Sepah Bank in Tehran during 2011. The results show that only 27 percent of units are 100% efficient، 20% of the units are 100% inefficient، 20% of units are allocatively inefficient and 34% of them are technically inefficient.
ملخص الجهاز:
"در گام دوم، پس از حذف یکی از متغیرها، نمرات کارآیی مجموعه جدید با «متغیرهای هزینه کل و منابع اصلی تأمین مالی و متغیرهای خروجی میزان تسهیلات، درآمد کل ، میزان جذب منابع ، نسبت تسهیلات به مطالبات و تعداد اسناد» محاسبه و با این نمرات کارآیی مجددا مدل رگرسیونی همزمان اجرا شد؛ که متغیر ورودی هزینه های کل (I٢) به عنوان متغیر دارای کمترین میزان تأثیر در پیش بی ی ن تغییرات متغیر وابسته (پیش بی ی ن کارآیی و ناکارآیی )، از مدل حذف گردید.
در گام سوم ، با «متغیر ورودی منابع اصلی تأمین مالی و متغیرهای خروجی میزان تسهیلات، درآمد کل ، میزان جذب منابع ، نسبت تسهیلات به مطالبات و تعداد اسناد» نمرات کارآیی محاسبه و مدل رگرسیونی همزمان انجام شد که متغیر خروجی در آمد کل (O٢) از مدل حذف شد.
در گام چهارم ، «متغیرهای ورودی منابع اصلی تأمین مالی و متغیرهای خروجی میزان تسهیلات، میزان جذب منابع ، نسبت تسهیلات به مطالبات و تعداد اسناد» نمرات کارآیی جدید محاسبه و مدل رگرسیونی همزمان اجرا شد که متغیر خروجی نسبت تسهیلات به مطالبلات (O٤) به عنوان کم اثرترین متغیرها در پیش بی ی ن نمرات کارآیی و ناکارآیی واحدها، از مدل حذف شدند.
این مطالعه ، با استفاده از قابلیت های رگرسیون لجستیک بخصوص با عنایت به عدم لزوم فرض نرمال بودن متغیرهای مستقل در این روش، راهی برای کاهش تعداد متغیرها با معیار میزان اثر هر متغیر در تخصیص دورههای زمانی به دو گروه واحدهای کارا و ناکارا ارائه می دهد."