فیلترهای جستجو:
فیلتری انتخاب نشده است.
نمایش ۳۴۱ تا ۳۶۰ مورد از کل ۶۴۹ مورد.
بررسی و پیش بینی عملکرد شبکه بانکی ایران با استفاده از مدل های Kohonen، ANN و Panel data(مقاله علمی وزارت علوم)
حوزههای تخصصی:
در این مطالعه به بررسی و پیش بینی مقایسه ای عملکرد شبکه بانکی کشور (متشکل از 14 بانک) با مدل های اقتصادسنجی و شبکه عصبی مصنوعی پرداخته شد. برای این منظور در ابتدا با مدل شبکه عصبی کوهنن (Kohonen)، بانک های مورد بررسی به دو دسته با عملکرد بالا و با عملکرد پایین تقسیم شده است، سپس با استفاده از خروجی مدل شبکه عصبی کوهنن، نسبت های مالی و مدل اقتصادسنجی داده های تابلویی (Panel Data) به تخمین مدل عملکرد شبکه بانکی برای دوره 1389-1384پرداخته و در نهایت با به کارگیری معیارهای ارزیابی کارایی مدل ها، به مقایسه کارایی مدل های Panel Data و ANN در پیش بینی عملکرد شبکه بانکی پرداخته شد.
نتایج مدل کوهنن نشان داد که از 14 بانک مورد مطالعه، 4 بانک به گروه با عملکرد بالا و 10 بانک به گروه با عملکرد پایین اختصاص دارد. هم چنین نتایج مدل Panel Data نشان داد که متغیر نسبت نقد به سپرده کل دارای بیشترین و متغیر نسبت درآمد سرمایه ای به درآمد کل دارای کمترین تاثیر بر عملکرد شبکه بانکی می باشد. در نهایت بررسی مقایسه ای مدل ها نشان داد که مدل ANN برای پیش بینی عملکرد شبکه بانکی بر مدل Panel Data برتری دارد.
بررسی تأثیر توسعه مالی بخش بانکی بر اشتغال بخش صنعت (کاربردی از مدل سری های زمانی ساختاری)(مقاله علمی وزارت علوم)
حوزههای تخصصی:
- حوزههای تخصصی اقتصاد اقتصاد خرد اقتصاد جمعیت و اقتصاد کار عرضه و تقاضای کار نیروی کار و اشتغال،اندازه و ساختار
- حوزههای تخصصی اقتصاد اقتصاد مالی نهاد ها و خدمات مالی بانک ها،سایر موسسات سپرده پذیر،نهادهای تامین مالی خرد،اوراق رهنی
- حوزههای تخصصی اقتصاد اقتصاد مالی نهاد ها و خدمات مالی بانک های سرمایه گذاری،سرمایه گذاری پرخطر،کارگزاری،آژانس های نرخ گذاری
مطالعه حاضر به بررسی چگونگی تأثیر توسعه مالی بر اشتغال بخش صنعت در ایران (طی دوره زمانی 1358 تا 1388) پرداخته است. به این منظور شاخص های توسعه مالی در بخش بانکی کشور براساس گزارش های اقتصادی و ترازنامه اقتصادی در سال های مذکور محاسبه و سپس یک شاخص ترکیبی از آنها، با استفاده از روش تجزیه مؤلفه های اصلی، ساخته شد. شاخص ترکیبی به دست آمده به عنوان یک متغیر توضیحی و در کنار متغیرهای ارزش افزوده بخش صنعت، حداقل دستمزد واقعی و موجودی سرمایه بخش صنعت، وارد تابع تقاضای نیروی کار شد. در نهایت تابع تقاضای نیروی کار براساس مدل سری زمانی ساختاری (با در نظر گرفتن روند ضمنی)، تخمین زده شد. ضرایب به دست آمده همگی در سطح 5 درصد معنی دار بوده و فرضیه تحقیق، مبنی بر اثرگذاری مثبت و معنی دار توسعه مالی بر اشتغال بخش صنعت در دوره مورد بررسی، رد نشده است. طبقه بندی JEL :O16،C19 ، J23، C32
بررسی اثر بازاری کردن بانکداری بر انتقال سیاست پولی از مجرای اعطای وام(مقاله علمی وزارت علوم)
حوزههای تخصصی:
انتقال سیاست پولی از طریق تغییر در تسهیلات بانک به عنوان یکی از مجاری کلیدی اثرگذاری سیاست های پولی شناخته می شود. قدرت این مجرای انتقال سیاست پولی به شرایط اقتصادی وابستگی بالایی دارد. یکی از متغیرهای تأثیرگذار بر انتقال سیاست پولی از مجرای اعطای وام، میزان اتکا به مکانیسم بازار در صنعت بانکداری است که از آن به عنوان بازاری کردن بانکداری یاد می شود. هدف این مقاله بررسی این فرضیه است که آیا مجرای اعطای وام بانکی ناشی از سیاست پولی اعمال شده توسط مقامات پولی، تحت تأثیر بازاری کردن در سیستم بانکی قرار می گیرد یا نه؟ برای پاسخگویی به این سؤال از دو شاخص برای بازاری کردن بانکداری استفاده شده است. شاخص نخست نسبت سپرده های بانک های غیردولتی به کل سپرده های تمام بانک های نمونه و شاخص دوم نسبت وام های اعطایی به شرکت های غیردولتی به کل وام های اعطایی توسط تمامی بانک های نمونه است. هم چنین برای بررسی اثر افزایش بازاری کردن بانکداری بر میزان انتقال سیاست پولی حاصلضرب شاخص بازاری کردن و شاخص شرایط پولی در نظر گرفته شده است. این الگو با استفاده از روش گشتاورهای تعمیم یافته (GMM) برآورد شده است. برای برآورد این الگو از داده های ترازنامه 26 بانک شبکه بانکی ایران از سال 1380 تا 1391 استفاده شده است.
نتایج نشان دادند که طبق انتظار با افزایش درجه بازاری کردن شبکه بانکی میزان اعطای تسهیلات شبکه بانکی نیز افزایش خواهد یافت. هم چنین میزان انتقال سیاست پولی از طریق مجرای اعطای وام بانکی با افزایش بازاری کردن تضعیف می شود.
ارزیابی شکنندگی مالی بانک ها با بکارگیری روش شبکه عصبی
حوزههای تخصصی:
پیش بینی تداوم فعالیت یک بانک در دوره های آتی، یکی از عناصر مهم در تصمیم گیری ناظران بانکی بوده و در این میان، انتخاب متغیر پیش بینی کننده و روش مناسب، به عنوان یکی از مسائل چالش برانگیز در ادبیات پیش بینی شکنندگی مالی مطرح بوده است. یکی از پیشرفته ترین مدل های پیش بینی کننده شکنندگی مالی، مدل شبکه عصبی است. در نمونه مورد بررسی در این مقاله، ابتدا با بهره گیری از ادبیات نظری و تجربی، شاخص شکنندگی مالی متناسب با ساختار شبکه بانکی کشور تعریف شده و سپس با به کارگیری آزمون t معنی داری نسبت های مالی مورد نظر و بر اساس آماره لوین میانگین دو نمونه در سطح اطمینان 95 درصد، مورد آزمون قرار گرفته و سپس با انتخاب نسبت های مالی معنی دار که قدرت توضیح دهی در مدل داشته باشند، مدل شبکه عصبی طراحی گردید. برای آزمون دقت و صحت مدل از جدول طبقه بندی و منحنی ROC استفاده شد. نتایج بررسی بیانگر قدرت پیش بینی 96 درصدی مدل طراحی شده است. همچنین بر اساس یافته های این مقاله، ریسک اعتباری و ریسک نقدینگی، از مهمترین عوامل توضیح دهنده شکنندگی مالی هستند.
رویکرد رتبه بندی داخلی بال 2 و سرمایه مورد نیاز برای مواجهه با ریسک اعتباری(مقاله علمی وزارت علوم)
حوزههای تخصصی:
براساس توافقنامه بال 2، تسهیلات پرداختی به اشخاص حقیقی و بنگاه های اقتصادی کوچک و متوسط تحت عنوان پرتفوی اعتباری خرد تعریف شده است و بانک ها مجازند یکی از رویکردهای استاندارد یا رتبه بندی داخلی را برای تعیین سرمایه مورد نیاز به منظور مواجهه با ریسک اعتباری انتخاب کنند. پیاده سازی رویکرد رتبه بندی داخلی، مستلزم طبقه بندی تسهیلات خرد به طبقات همگن ریسکی و تخمین پارامترهای ریسک اعتباری در سطح هر یک از طبقات است. به طور خاص، تابع سرمایه مورد نیاز براساس این رویکرد، برای هر یک از تسهیلات تابعی از احتمال نکول ( PD ) و ارزش مشروط به نکول ( LGD ) هر قرض گیرنده است. به ازای سطح معین LGD ، شکل ریاضی تابع سرمایه مورد نیاز نسبت به احتمال نکول در بازه ای گسترده، مقعر است. به دلیل تقعر تابع سرمایه مورد نیاز، افزایش دقت در طبقه بندی تسهیلات به طبقات همگن ریسکی برای بانک ها صرفه جویی سرمایه ای به همراه خواهد داشت. در این مطالعه، با استفاده از روش درخت طبقه بندی و رگرسیون تسهیلات دریافتی 1343 نفر از مشتریان حقیقی خرد یکی از بانک های خصوصی کشور طی سال های 1391 تا 1392 به چند طبقه ریسکی همگن طبقه بندی شدند. نتایج تحقیق حاکی از آن است که با طبقه بندی دقیق تر مشتریان در سطح پنجم، سرمایه مورد نیاز برای مواجهه با ریسک اعتباری در مقایسه با سطح صفر می تواند حدود 44/0 درصد کاهش یابد.