محاسبه کارایی و بهره وری شعب بانک ملی غرب تهران

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 11، دوره 15، شماره 51، خرداد 1399، صفحه 176-189   

نوع مقاله: مقاله پژوهشی

نویسندگان

نیلوفر نیکخواه¹؛ امیر غلام ابری^{* 2}

¹فارغ التحصیل رشته مدیریت واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران

²دانشیار گروه ریاضی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران

چکیده

بانک نهادی اقتصادی ست که وظیفه هایی چون تجهیز و توزیع اعتبارات، عملیات مالی، خرید و فروش ارز، مطالبات اسنادی و سود سهام مشتریان، نگهداری سهام و اوراق بهادار بر عهده دارد. تعداد کارکنان بانک ملی ایران بالغ بر چهل و پنج هزار نفر می باشد، بانک ملی ۳۳۲۸شعبه فعال در داخل، ۱۴شعبه فعال و ۴شعبه سابسیدری در خارج از کشور دارد.هدف این مقاله ارائه مدلی برای سنجش کارایی شعب غرب بانک ملی تهران و همچنین رتبه بندی شعب و سنجش میزان بهره وری شعب طی سال های 96 و 97 و با استفاده از مدل تحلیل پوششی داده ها (DEA) است. برای این منظور ابتدا عوامل موثر بررسی شده و سپس برای ارزیابی عملکرد کاریابی شعب از مدل DEA استفاده شده است تا میزان کارا و ناکارا بودن آنها سنجیده شود. سپس به کمک مدل AP آنها را رتبه بندی می کنیم و در نهایت به کمک مدل ضریب بهره وری مالم کوئیست میزان بهره وری یک شعبه را نسبت به سال 96 و 97 می سنجیم. در این مقاله با استفاده از روش تحلیل پوشش داده ها به ارزیابی کارایی شعب غرب بانک ملی تهران در سال های ۱۳۹۶ـ۱۳۹۷ پرداخته شده است. در ادامه واحدهای کارا و ناکارای این شعب توسط مدل CCR شناسایی و نهایتاً شعب کارا با مدل اندرسون پیترسون (AP) رتبه بندی شده است و در نهایت با مدل بهره وری مالم کوئیست میزان بهره وری شعب سنجیده می شود.

کلیدواژه‌ها

کارایی؛ رتبه بندی؛ ضریب بهره وری مالم کوئیست؛ شعب غرب بانک ملی ایران

مراجع

1-        Anderson, P., & Petersen, N.C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management Science, 39(10): 1261-12. 


2- Banker, R.D., & Charnes, A., & Cooper, W.W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9): 1078-1092. 


3-        Chang, Tzu-Pu.; Jin-Li Hu, Ray; Yeutien Chou & Lei Sun. (2012). The Sources of Bank Productivity Growth in China During  (2002-2009):  A Disaggregation View. Journal of Banking and finance, 36, 1997-2006.

4-        Chavoshi, Seyedeh Fatemeh, Mahmoudzad, Mahmoud, Gholam Abri, Amir. (2019). Evaluating the Efficiency of E-Commerce in Iran's Provinces with a Coverage of Data Approach. Quarterly Journal of Economic Research and Policy, 27(89), 233-286.

5- Cooper, W., & Seiford, L., &Tone, K. (2002). Data envelopment analysis a comprehensive text with models applications references, DEA solved software. Third Printing by Kluwer academic publishers. 


6- Gholam Abri, A., & Jahanshahloo, G.R., & Hosseinzadeh Lotfi, F., & Shoja. N., & Fallah Jelodar, M. (2013). A new method for ranking non-extreme efficient units in Data envelopment analysis. Optimization letters, 7(1), 309-324. 


7-        Gholam Abri, Amir. (2014). Efficiency Book of Social Organization Branches of Isfahan Province. Modeling Quarterly, 6(8), 83-99.

8-        Fu, X. & Sh. Heffernan. (2007). Cost X-Efficiency in China's Banking Sector.

China Economic Review, 18, 35-53.

9-        Martin D.H., G.Kocher and M. Sutter. (2000). Measuring Efficeincy of German Football Teams by DEA. University of Innsbruck, Australia, 4-5.

10-    Moazzami Gudarzi M, Jaberansari M, Moallem A, Shakiba M. (2014). Applying Data Envelopment Analysis (DEA) for Measuring Relative Efficiency and Ranking Branches of Refah Kargaran Bank in Lorestan Province. QJER, 14 (1),115-126

11-    Wang, Ke.; Huang, Wei; Wu, Jie & Ying-Nan Liu. (2014). Efficiency Measures of the Chinese Commercial Banking System using an Additive two-Stage DEA. Omega, 44, 5-20.