کاهش متغیرهای کلیدی ارزیابی بانک ها در بستر روش تحلیل پوششی داده ها با استفاده از مدلسازی معادلات ساختاری
آرشیو
چکیده
تحلیل پوششی داده ها یکی از پرکاربرد ترین روش ها برای ارزیابی عملکرد بانک ها است. در حوزه ارزیابی عملکرد بانک ها، مدل های مختلف تحلیل پوششی داده ها از قبیل مدل های پایه CCR، BCC، مدل های چند مرحله ای و شبکه ای با شاخص های متنوع ارائه شده است. در این پژوهش ابتدا انواع شاخص ها در ارزیابی بانک ها شناسایی و دسته بندی شد. از طرفی وجود متغیر های زیاد برای ارزیابی بانک ها در بستر تحلیل پوششی داده ها موجب نقض یک قانون کلی که ارتباط بین تعداد واحد های تصمیم گیر و تعداد ورودی ها و خروجی ها برقرار می کند، می شد. رویکرد استفاده شده بر اساس مدل سازی معادلات ساختاری بوده که با نرم افزار AMOS و SPSS تحلیل های لازم صورت گرفت. تحلیل اولیه نشان داد شاخص های کلی برازش مدل مورد تایید قرار نگرفت و تعدادی از متغیر ها در سطح اطمینان 95 درصد معنادار نبودند. لذا، متغیر هایی که معنادار نبوده و بارهای عاملی کم اثر داشتند از مدل حذف شدند. مدل تعدیل یافته بر اساس شاخص های کلی برازش، مورد تایید قرار گرفت. با این رویکرد، ورودی ها و خروجی های تاثیر گذار و کلیدی که قابلیت ایجاد تمایز برای ارزیابی عملکرد شعب را داشتند، استخراج شد. در نهایت، مدل از 22 متغیر اولیه به 8 متغیر تعدیل شد. لذا این روش می تواند برای شناسایی متغیر های کلیدی برای ارزیابی بانک ها و سایر سیستم های ارزیابی با متغیر های زیاد مورد استفاده قرار گیرد.banks' evaluation variables identification and reduction in the data envelopment analysis context using structural equation modeling
Data envelopment analysis method is one of the most widely used methods to performance evaluation of banks. According to extensive studies in the field of bank performance evaluation, various data envelopment analysis models such as basic CCR, BCC models, multi-stage and network models have been presented. According to the models and developments, have been used various and numerous variables. In this research, first, the types of variables in the bank’s evaluation were identified and categorized. On the other hand, the presence of many variables for evaluation in the context of data envelopment analysis would violate the general rule that confirmed relation between decision maker units and evaluation variables. Therefore, an a priori approach was used to reduce the variable before implementing the data envelopment analysis model. The approach was used based on structural equation modeling and confirmatory factor analysis, which was analyzed using AMOS and SPSS software. Elementary analyze result show that model fit indices not confirmed and some of variables non- significance at 90% confidence level and have low factor loading. Therefore, Due to the non-significance of a number of variables, the variable was adjusted. The results of the modified model analysis confirmed it. Using this approach, extracted the effective and key inputs and outputs that capable to make distinguish between banks performance. Finally, model variable reduced from 22 to 8. As a result, this approach can be applied for identification key variables from variable lake in the banks evaluation and other evaluation system with many indicators.
تبلیغات
