امید ترابی

هم اکنون بانکداری اسلامی، صنعتی کاملا شکل گرفته ای است و تجربه های مختلفی از آن در سطح جهان وجود دارد. در این مقاله ما سعی داریم تجربه بانکداری اسلامی و روند آن در ایران را با برخی کشورهای اسلامی از جمله، ترکیه، عربستان، پاکستان، بحرین، اندونزی و مالزی مقایسه کنیم. روش تحقیق به صورت توصیفی- تحلیلی بوده و شاخص های کلیدی عملکرد که از سیستم IBI استخراج شده اند برای کشورهای ذکر شده طی سال های2013-2008 مقایسه شده است. بررسی های حاصله علاوه بر اینکه تنوع عملکرد بانک ها و کشورهای مختلف در ارائه بانکداری اسلامی را تأیید می کند، روند به کارگیری شاخص های مختلف بانکداری اسلامی، اعم از به کارگیری عقود مختلف، کارایی و انطباق با مفاهیم شریعت را در این کشورها به خوبی نشان می دهد.

مدیریت پرتفوی دارایی ها به عنوان یک مفهوم در علم مدیریت مالی، در انواع بازارها، مفهوم همبستگی دارایی های مختلف با کل سبد دارایی و مفهوم بتا در مدل قیمت گذاری دارایی های سرمایه ای[1]، سال هاست که در تحلیل سبد دارایی ها استفاده می شود. در این مقاله، تلاش شده است تا با الهام از مدل قیمت گذاری دارایی های سرمایه ای، تحلیل همبستگی در مورد یک بانک تجاری و ترکیب شعب آن صورت گیرد. لذا، بانک به عنوان سبدی از دارایی های مختلف شعب فرض شده و همبستگی هر شعبه با کل، مورد آزمایش قرار گرفته است. با توجه به اهمیت شاخص مطالبات معوق، در بررسی رفتار و همبستگی هر یک از شعب با شاخص کل بانک، مطالبات معوق مبنای محاسبات درجه حساسیت بتا و تشخیص شرایط شعب مختلف قرار گرفته است تا شاید بتوان براساس آن، سبد بهینه ای از شعب را انتخاب و بر رفتار آن ها نظارت بهتری اعمال کرد. بر مبنای حساسیت رفتاری، پنج دسته شعبه، پرتفوی بانک را تشکیل می دهند که از طریق آن ها بهینگی سبد پرتفوی بانک مورد تحلیل قرار گرفته و با توجه به کیفیت شعب از منظر حساسیت و همبستگی، پیشنهادهایی برای تقویت برخی شعب و نظارت و کنترل برخی شعب دیگر ارایه شده است.

به طور کلی هدف اصلی تحقیق حاضر بررسی تاثیر حضور تصاویر راداری در طبقه بندی تصاویر ماهواره-ای چند زمانه اپتیکی در الگوریتم های طبقه بندی مبتنی بر یادگیری ماشینی، شامل جنگل تصادفی (Random Forest)، درخت تصمیم کارت (CartDecision Tree) و ماشین بردار پشتیبان (Support Vector Machine) می باشد. در تحقیق حاضر ابتدا اطلاعات شاخص طیفی تفاضل نرمال شده گیاهی(NDVI) به همراه لایه های شیب، مدل رقومی ارتفاعی و یک تصویر اصلی تصحیح شده ماهواره Sentinel-2 توسط سه روش اشاره شده به صورت نظارت شده مورد آموزش و طبقه بندی قرار گرفت. سپس فرآیند طبقه بندی با حضور تصاویر راداری ماهواره Sentinel-1 مجدداً انجام گردید. در نهایت طی عملیات پس پردازش با استفاده از فیلتر بیشترین فراوانی پیکسل های منفرد به کلاس های همسایه الصاق شده و نتایج نهایی با داده های زمینی مورد صحت سنجی قرار گرفت. نتایج نشان داد در بررسی تمام کلاس ها، دقت کل و ضریب کاپا در حالت حضور داده های راداری و برای هر سه روش طبقه بندی تنها 3 درصد بهبود یافته است اما در بررسی یک به یک کلاس ها مشاهده می شود دقت تولید کننده روش جنگل تصادفی در کلاس کشت مجدد بهبود قابل توجهی داشته و مقدار آن از 74/0 به 84/0 رسیده است. در روش ماشین بردار پشتیبان نیز کلاس های دیم و باغات بهبود محسوس تری داشته اند که به ترتیب از 75/0 و 78/0 به 84/0 و 92/0 افزایش یافته است. نهایتاً می توان چنین عنوان کرد که اضافه کردن تصاویر راداری به عمل طبقه بندی تنها در کلاس های مربوط به اراضی کشت مجدد، دیم و باغات تاثیر مثبت و قابل توجهی دارد و نیز برتری کاملاً محسوس روش جنگل تصادفی در مقایسه با روش های دیگر مشهود است.