غزاله باغبانی

در حال حاضر، بانک ها به صورت روزانه با چالش کفایت وجه نقد جهت پاسخگویی به مشتریان و نیز عدم تمایل به افزایش هزینه های ناشی از نقل و انتقال مازاد وجه نقد شعبه مواجه هستند. به همین علت، موضوع برآورد مانده وجه نقد صندوق شعب -با توجه به عملیات روزانه آن- که به عنوان یک سامانه چند متغیره محسوب می شود، از موارد با اهمیت در حوزه بانکداری بشمار می آید. در این راستا، استفاده از روش های داده کاوی و به خصوص روش های خوشه بندی و شبکه عصبی می تواند به افزایش دقت برآورد پارامتر وجه نقد مورد نیاز شعب کمک کند. شبکه های عصبی از لحاظ انعطاف پذیری، غیرخطی بودن ، تحمل بیشتر نوفه ها و نیز وابسته نبودن به فرضیه های اولیه درباره داده های ورودی در این زمینه حائز اهمیت هستند. در این مقاله، 20 شعبه بانک تجارت در بازه زمانی 1/2/93 تا 31/6/93 با توجه به تنوع بین شعب از لحاظ درجه شعبه، نوع شعبه از لحاظ سپرده ای یا تسهیلاتی، تعداد دستگاه خودپرداز در شعبه، شعبه کشیک/ غیرکشیک در خوشه های متشابه دسته بندی شده، سپس با در نظر گرفتن نتایج حاصل از خوشه بندی و متغیرهای مرتبط با وجه نقد شعبه شامل متغیرهای تقویمی مانند روزهای هفته، روزهای پرداخت حقوق/ واریز یارانه/ واریز سود سپرده ها، روزهای تعطیل و مناسبت های رسمی و نیز متغیر میزان وجه نقد مصرفی دستگاه خودپرداز شعبه، ساختار مناسب شبکه عصبی برای برآورد وجه نقد شعب از طریق معیارهای خطا، تعیین شده و وجه نقد شعب در خوشه های مختلف برآورد می شود. نتایج تحقیق نشان می دهد شبکه عصبی با لحاظ نتایج خوشه بندی با میانگین قدر مطلق خطای 5 درصد می تواند عملکرد خوبی جهت برآورد وجه نقد شعب در خوشه های مختلف ارائه دهد.

موضوع کفایت وجه نقد در بانک ها، یکی از مسائل مهم برای مدیران و به خصوص رؤسای هر شعبه به شمار می رود؛ چرا که کمبود وجه نقد روزانه در صندوق شعبه به عدم پاسخگویی به نیاز مشتری می انجامد و از سوی دیگر، مازاد وجه نقد در شعبه موجب افزایش هزینه بابت انتقال آن به خزانه بانک می شود. از این رو بانک ها همواره درصدد تعیین مقدار وجه نقد مورد نیاز خود با توجه به عملیات روزانه هستند. به همین منظور در این مقاله، شعب بانک تجارت ، با توجه به تنوع بین شعب، با دو روش خوشه بندی سلسله مراتبی و خوشه بندی برمبنای رویکرد بیزی در خوشه های متشابه دسته بندی شدند؛ سپس با در نظر گرفتن نتایج خوشه بندی، مقدار وجه نقد ورودی و نیز وجه نقد مصرفی از طریق شبکه های عصبی برآورد شد تا از این طریق امکان محاسبه وجه نقد لازم برای شعب فراهم شود. نتایج تحقیق نشان می دهد، برآورد وجه نقد مصرفی و ورودی شعب بانک با استفاده از شبکه عصبی و لحاظ کردن نتایج خوشه بندی شعب با رویکرد بیزی، دارای دقت بیشتری نسبت به نتایج خوشه بندی شعب با روش معمول است.