حامد نادری

ریسک نقدینگی ناشی از ناتوانی یک بانک در پرداخت به موقع بدهی ها، ایفای تعهدات و یا عدم توانایی گسترش سبد دارایی های پر بازده با هزینه ای متعارف است. به عبارت دیگر، هنگامی که یک بانک از نقدینگی کافی برخوردار نباشد قادر نیست به سرعت و با هزینه ای معقول وجوه کافی را با افزایش بدهی ها و یا تبدیل دارایی ها به دست آورد که این ناتوانایی بر سودآوری بانک تاثیر خواهد گذاشت. می توان گفت علت اصلی ریسک نقدینگی در بانک ها عدم تطبیق مقدار و سررسید بدهی ها و دارایی ها و در نتیجه بروز شکاف نقدینگی منفی است. در این راستا مؤسسات و بانک ها با استفاده از رویکرد های مختلف از جمله رویکرد های کمیته بال در پی ارزیابی ریسک نقدینگی بودند. هدف پژوهش حاضر مروری بر مدیریت ریسک نقدینگی در صنعت بانکی است. در این پژوهش با استفاده از روش فراترکیب و الگوی هفت مرحله ای سندلوسکی و باروسو، تحلیل محتوای پژوهش های پیشین انجام شده است. با استفاده از روش فراترکیب، 242 پژوهش مرتبط بین سال های 2000 تا 2023 از پایگاه های علمی معتبر استخراج شد. بدین منظور پس از تجزیه و تحلیل پژوهش های استخراج 41 پژوهش انتخاب شده است. این پژوهش یک چارچوب جامع برای مدیریت ریسک بهتر به صنعت بانکداری ارائه داده است. این چارچوب شامل 5 مقوله اصلی که عبارتند از داده های ریسک نقدینگی، عوامل مؤثر بر ریسک نقدینگی، ارزیابی ریسک نقدینگی، دستورالعمل های ریسک نقدینگی و مدیریت ریسک نقدینگی، 12 مقوله فرعی، 104 مفهوم و 175 کد است. نتایج این پژوهش می تواند مبنایی برای بهره مندی بهتر مدیریت ریسک نقدینگی در صنعت بانکداری باشد. همچنین نتایج براساس نظر متخصصان با شاخص کاپای 738/0 مورد تایید قرار گرفت.

اهداف : در سال های اخیر بعد از بحران های اقتصادی به وجودآمده، ارزش ارزیابی ریسک عملیاتی در صنعت مالی مشاهده شد که بیشترین تأثیر ریسک عملیاتی بر صنعت بانکداری بود؛ درنتیجه بعد از بحران مالی توجه بیشتری به ارزیابی ریسک عملیاتی در صنعت بانکی شد. ریسک عملیاتی به عنوان ریسک زیان ناشی از نبودِ کفایت یا ناکارآمدی فرآیندهای داخلی، افراد و سیستم ها یا حوادث خارجی تعریف می شود. در این راستا مؤسسات و بانک ها با استفاده از رویکرد های مختلف ازجمله کمیته بازل در پی ارزیابی ریسک عملیاتی بودند. هدف، مروری بر مدیریت ریسک عملیاتی در صنعت بانکی است. روش : پژوهش حاضر، کاربردی و از منظر گردآوری اطلاعات اسنادی فراترکیب است. با استفاده از روش فراترکیب، 643 سند پژوهش مرتبط بین سال های 2000 تا 2022 از پایگاه های علمی معتبر فراخوانی شده است که با به کارگیری این روش، 43 سند نهایی مبنای استخراج یافته ها قرار گرفت. نتایج : با این روش درنهایت، 5 مقوله اصلی که عبارت است از ریسک عملیاتی، ارزیابی ریسک، روش های کمی سازی، تحلیل و مدیریت ریسک، 10 مقوله فرعی، 43 مفهوم و 169 کد شناسایی شد. نتایج براساس نظر متخصصان با شاخص کاپای 756/0 تأیید شد.

این پژوهش با هدف پیش بینی احتمال وقوع ریسک عملیاتی در صنعت بانکداری با استفاده از الگوریتم های یادگیری ماشین انجام شده است. پژوهش حاضر با تحلیل داده های ریسک عملیاتی و ارزیابی عملکرد الگوریتم های یادگیری ماشین به منظور ارائه الگوریتم هایی مؤثر برای پیش بینی دقیق تر احتمال وقوع ریسک عملیاتی و مدیریت بهتر آن در صنعت بانکداری صورت گرفته است. در این پژوهش، داده های مرتبط با ریسک عملیاتی از سال 1395 تا 1402 جمع آوری و پیش پردازش شد و سپس با استفاده از مدل های یادگیری ماشین مانند RF، DT، SVM، LR، NB و KNN پیش بینی انجام شد. عملکرد مدل ها با معیارهایی همچون دقت، صحت، بازخوانی، F1-score و AUC ارزیابی شد تا بهترین مدل برای پیش بینی احتمال وقوع ریسک انتخاب شود. نتایج نشان می دهند که الگوریتم های RF و SVM در پیش بینی احتمال وقوع ریسک عملیاتی در تمامی حالت ها عملکرد بسیار خوبی دارند؛ به علاوه که الگوریتم های یادگیری ماشین توانایی بالایی در پیش بینی وقوع ریسک عملیاتی دارند و می توانند ابزار مؤثری برای تصمیم گیری های مدیریتی در صنعت بانکداری فراهم کنند.

هدف: در این پژوهش، به بررسی و بهبود مدیریت ریسک عملیاتی در بانک ها با استفاده از الگوریتم های یادگیری ماشین پرداخته شده است. مدیریت مؤثر ریسک عملیاتی که از نقص های داخلی یا خارجی در فرایندها، سیستم ها و افراد نشئت می گیرد، به دلیل تأثیرهای منفی آن بر عملکرد و پایداری بانک ها، اهمیت بسیار زیادی دارد. هدف این پژوهش، ارائه رویکردی نوین برای بهبود مدیریت ریسک های عملیاتی در بانک ها با استفاده از تکنیک های یادگیری ماشین است. با توجه به اهمیت پیش بینی دقیق ریسک های عملیاتی، برای جلوگیری از خسارت های احتمالی و بهبود فرایندهای تصمیم گیری در صنعت بانکداری، این پژوهش به دنبال ارتقای دقت و کارایی مدل های پیش بینی ریسک است. تمرکز اصلی بر استفاده از داده های واقعی بانک ها و ارزیابی الگوریتم های یادگیری ماشین، به منظور شناسایی بهترین روش ها برای پیش بینی سطوح ریسک های مختلف است. روش: در این پژوهش از الگوریتم های یادگیری ماشین برای پیش بینی سطح وقوع ریسک های عملیاتی استفاده شده است. داده ها از مجموعه داده های ریسک عملیاتی یکی از بانک های ایرانی در دوره زمانی ۱۳۹۵ تا ۱۴۰۲ با ۴۲۱۳ رکورد و ۱۲ ویژگی جمع آوری شدند. پس از پیش پردازش داده ها، از الگوریتم های مختلف یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، رگرسیون لجستیک، بیز ساده و k نزدیک ترین همسایه، برای آموزش مدل ها استفاده شد. داده ها به نسبت ۸۰ به ۲۰ به مجموعه های آموزشی و آزمون تقسیم و با استفاده از اعتبارسنجی متقابل K تایی ارزیابی شدند. عملکرد مدل ها با استفاده از معیارهایی نظیر دقت، صحت، یادآوری، F1-score و منحنی ROC-AUC سنجیده و بهترین مدل برای پیش بینی های آتی انتخاب شد. یافته ها: یافته های این پژوهش نشان می دهد که استفاده از الگوریتم های یادگیری ماشین، می تواند به طور چشمگیری دقت پیش بینی ریسک های عملیاتی در بانک ها را افزایش دهد. در ارزیابی الگوریتم های مختلف، الگوریتم SVM و RF بهترین عملکرد را نشان دادند، به ویژه در طبقه بندی کلاس سوم که دقت مدل با معیار AUC نزدیک به ۱ بود. این نتایج از توانایی بالای این دو الگوریتم در تمایز دقیق بین سطوح مختلف ریسک های عملیاتی حکایت می کند. در مقابل، الگوریتم های LR و NB ضعیف ترین عملکرد را از خود نشان دادند و نتوانستند به خوبی ریسک ها را پیش بینی کنند. به طور کلی، یافته ها نشان می دهد که الگوریتم های قدرتمندی مانند SVM و RF می توانند ضمن کمک به بهبود مدیریت ریسک های عملیاتی در بانک ها، از آسیب های نشئت گرفته از مدیریت نادرست این ریسک ها جلوگیری کنند. نتیجه گیری: این پژوهش نشان داد که استفاده از الگوریتم های یادگیری ماشین می تواند به طور درخور توجهی به بهبود مدیریت ریسک های عملیاتی در بانک ها کمک کند. الگوریتم های پیشرفته یادگیری ماشین، به ویژه SVM و RF، برای پیش بینی ریسک های عملیاتی دقت بیشتری ارائه دادند و امکان شناسایی الگوهای پیچیده و غیرمعمول را فراهم کردند. این فناوری ها با بهبود کارایی و کاهش هزینه های مربوط به مدیریت ریسک، به بانک ها کمک می کنند تا استراتژی های بهتری برای مقابله با ریسک های عملیاتی تدوین کنند؛ از این رو به کارگیری مستمر این فناوری ها می تواند عملکرد بانک ها را در زمینه مدیریت ریسک عملیاتی ارتقا بخشد.

در عصر تحولات سریع فرهنگی و فناورانه، بررسی هم زیستی و تعامل میان دین، علم، فرهنگ و فناوری، به یکی از موضوعات راهبردی مطالعات میان رشته ای تبدیل شده است. این مقاله با بهره گیری از روش تحلیل مفهومی و مرور نظام مند منابع نظری و تجربی، به واکاوی تفاوت های معرفتی و کارکردی این چهار حوزه در بستر جوامع مدرن می پردازد. ابتدا، تفاوت های بنیادین میان دین و علم در زمینه پذیرش راز، تبیین پدیده ها، ساختار باورها و قضاوت های هنجاری بررسی شده است. سپس، فرهنگ به مثابه بستری برای تعامل یا تعارض میان این دو حوزه تحلیل می شود. فناوری نیز به عنوان نیرویی دگرگون ساز در زیست معنوی و اجتماعی انسان، با تأکید بر پیامدهای اخلاقی و سکولار واکاوی می شود. در بخش کاربردی مقاله، با تحلیل تطبیقی مطالعه موردی منطقه ای در مورد تعیین ماه های قمری در کشورهای اسلامی عضو MABIMS، نحوه تعامل نهادهای علمی، فرهنگی و مذهبی در فرآیند تصمیم گیری جمعی تحلیل می شود. نتایج این پژوهش نشان می دهد که تعامل هوشمندانه میان دین، علم، فرهنگ و فناوری می تواند به هم زیستی پایدار، توسعه متوازن و بازتعریف مناسبات سنت و مدرنیته منجر شود. در پایان نیز مسیرهای پژوهشی جدیدی در حوزه تعاملات میان رشته ای، از جمله اثر فناوری های نوین بر ساختار باورهای دینی و مدل های زیست هم فرهنگی در جوامع چندمذهبی پیشنهاد شده است.