بخشی از مقاله
چکیده
پولگذاری در خودپردازهای بانکی باید بهنحوی انجام گیرد که دستگاه در تمامی ساعتهای شبانه روز قادر به ارائه سرویس وجه نقد به مشتریان شده و از رسوب پول در دستگاهها جلوگیری بهعمل آورد تا از این راهها سودآوری دستگاهها برای بانکها و مؤسسات مالی بیشتر شود. در واقع مهمترین گام در مدیریت بهینه خودپردازها، پولگذاری مناسب این دستگاهها است. برای پولگذاری مناسب خودپردازها باید میزان تقاصای وجه نقد هر خودپرداز با توجه به ایام مختلف سال پیشبینی شود تا به کمک آن و سیاست پولگذاری سازمان بتوان هزینهها را کاهش داده و سودآوری را بیشتر کرد. در این پژوهش با استفاده از شبکههای عصبی آموزش دیده با الگوریتم ژنتیک، روشی هوشمند برای پیشبینی میزان تقاضای وجه نقد هر خودپرداز با توجه به دادههای سری زمانی آن ارائه شد. نتایج حاصل از اجرای این روش روی دادههای سری زمانی خودپردازهای بانک پاسارگاد نشان میدهد که این روش نسبت به روشهای پیشین از جمله روشهای مبتنی بر شبکههای عصبی آموزش دیده با الگوریتم لونبرگ-مارکوارت که پیش از این کمترین خطا را داشتند، دقت پیشبینی را افزایش داده و نتایج را قابل اعتمادتر میکند. روش پیشنهادی قادر است، میزان تقاضای وجه نقد را با میانگین مجذور خطای 5 تا 7 درصد و میانگین قدرمطلق خطای 14 تا 17 درصد پیشبینی کند.
کلمات کلیدی: خودپردازهای بانکی، پیشبینی سریهای زمانی، شبکههای عصبی مصنوعی، الگوریتم ژنتیک
-1 مقدمه
امروزه رشد چشمگیر فناوری تمامی ابعاد زندگی انسانها را فراگرفته است. بانکها نیز بهعنوان یک ارگان خدمترسان بهمنظور ارائه بهتر خدمات و جلب رضایت مشتری همگام با توسعه روز افزون تکنولوژی به سمت بانکداری الکترونیک گام برداشتهاند. از بین امکانات موجود در امر بانکداری الکترونیک، خودپردازها علیرغم قدمت بیشتر به دلیل نوع خدمت ارائه شده در دسترسی به پول نقد، کماکان جایگاه خود را حفظ نمودهاند.
آمار بانک جهانی تا پایان سال 2015 نشان میدهد که سرانه استفاده از دستگاههای خودپرداز کشورهای درحال توسعه یا توسعه نیافته به ازای هر صد هزار نفر در مقایسه با کشورهای توسعه یافته کمتر بوده، لذا توجه بیشتر به این موضوع در این کشورها ضرورت دارد.[16] طبق آخرین آمار بانک مرکزی از ابزارها و تجهیزات پرداخت الکترونیک تا پایان سال 1394حدوداً 44,000 عدد خودپرداز در سراسر کشور نصب شده و به مشتریان خدمات ارائه میدهند.[5] برای جلب رضایت مشتریان، فرآیند مدیریت و پولگذاری خودپردازها باید به گونهای باشد که مشتریان بتوانند در هر زمان اقدام به عملیات برداشت وجه کنند، اما از سوی دیگر باید از رسوب شدن اسکناس و سرمایه بانکها در خودپردازها جلوگیری شود.
برای مدیریت پول در شبکه خودپردازها دیاو و "همکاران" - 2016 - با در نظر گرفتن محدودیت ها و فاکتورهای مختلف، چارچوبی را برای تصمیمگیری مناسب در مورد میزان پول و زمان پولگذاری ارائه دادند.[9] در یک پژوهش اکنسی" و همکاران" - 2015 - روشی را برای پولگذاری هفتگی خودپردازها ارائه کردند. اساس روش آنها خوشهبندی براساس موقعیت مکانی خودپردازها بود و نتایج نشان دهنده کاهش هزینه پولگذاری و رضایت مشتریان بود.[10] برای پیشبینی تقاضای وجه نقد برای روزهای خاصی از سال کتال و "همکاران" - 2015 - با ترکیب روشهای کلاسیک و منطق فازی روشی را ارائه دادند.[11] با ترکیب روشهای خوشهبندی و شبکه های عصبی مصنوعی کامینی و "همکاران" - 2014 - به پیشبینی تقاضای وجه نقد خودپردازها پرداختند.[12] آنها ابتدا با توجه به الگوی برداشت روزهای مختلف هفته، خودپردازها را خوشهبندی کردند و سپس با کمک شبکههای عصبی مصنوعی به پیشبینی این خودپردازها پرداختند.
سیموتیس "و همکاران" - 2008 - برای پیشبینی تقاضای پول نقد خودپردازها روشی را براساس شبکه های عصبی مصنوعی ارائه کردند. آنها شبکه عصبی پیشنهادی خود را با دادههای شبیهسازی و دادههای واقعی دو سال گذشته آموزش دادند و مشاهده کردند که شبکه عصبی مصنوعی در مقایسه با مدلهای خطی با ضریب فصلی و روش بردار رگرسیون خطی، برای هر دو داده شبیه سازی شده و واقعی نتایج بهتری دارد.[13,14] در این پژوهش سعی میشود تا با استفاده از الگوریتمهای هوش مصنوعی و یادگیری ماشین و براساس دادههای به دست آمده از عملکرد واقعی خودپردازها در گذشته، الگوی برداشت هر خودپرداز را پیشبینی کرد تا بتوان با استفاده از آن، شاخصهای عملکردی فرآیند پولگذاری خودپردازها را بهبود بخشید. منبع درآمد در نظر گرفته و سعی دارند با بالا بردن کیفیت خدمات آنها و کاهش هزینهها، میزان سوددهی آن را افزایش دهند.
-1-2 مفاهیم اولیه
سوددهی خودپردازها از راههای زیر برای بانکها میسر میشود:[1] -1 افزایش درآمد کارمزد پذیرندگی: با توجه به نظام بانکی کشور هرچه شبکه خودپرداز یک بانک گستردهتر باشد، میزان درآمد آن نیز بیشتر است. بدین صورت که بانکها در قبال ارائه خدمات با خودپرداز، کارمزد دریافت میکنند و این کارمزد به جای دارنده کارت از بانک صادر کننده کارت دریافت میشود و به بانک دارنده خودپرداز و شبکه شتاب پرداخت میشود.
-2 کاهش هزینه کارمزد صادرکنندگی: بانکها با گسترش شبکه خودپردازها و ارائه خدمات بیشتر از طریق این ابزار میتوانند موجبات رضایت مشتریان را فراهم آورده و از این طریق تعداد مراجعات صاحبان کارتهای خود را به خودپردازهای سایر بانکها کاهش داده و از این طریق هزینههای مربوط به کارمزد صادرکنندگی را کاهش دهند. از سوی دیگر هزینه ناشی از توقف دستگاههای خودپرداز نشان میدهد که بهطور متوسط هر دستگاه خودپرداز 32 روز از 365 روز سال را به دلایل مختلف فنی، چون کاست پولگذاری - %76 - ، چاپگر مشتری - %17 - ، کارتخوان - %4 - ، چاپگر ژورنال - %3 - متوقف میشود.[3]
بنابراین عمدهترین چالش پیش روی بانکها و یا شرکتهای متخصص در زمینه مدیریت خودپردازها، پولرسانی به موقع خودپردازها است. این موضوع باید به گونهای انجام شود که ضمن ارائه وجه نقد به تمام مشتریان در کلیه ساعات شبانه روز، از رسوب پول در خودپردازها و افزایش هزینه ها جلوگیری بهعمل آورد. با مدیریت بهینه خودپردازها میتوان علاه بر جلب رضایت مشتریان و به گردش در آورن سرمایه بانکها، با کاهش هزینههای پرستاری از جمله هزینه حمل و نقل اسکناس و هزینه شمارش اسکناس به سود بیشتری دست یافت. لزوم پولگذاری مناسب خودپردازها، پیشبینی وجه مورد نیاز هر خودپرداز است تا با توجه به سیاستهای پولگذاری سازمان بتوان در راستای کاهش هزینههای سازمان گام برداشت.
-2 مطالب اصلی
خودپردازها به دلیل ارائه وجه نقد از سایر ابزارهای بانکداری الکترونیک متمایز هستند، که این ویژگی موجب گردیده تا مدیریت آنها بیشتر مورد توجه قرار گیرد. دیدگاه بانکها نسبت به این ابزار خدمترسان متفاوت بوده، بعضی از بانکها که تعداد آنها در ایران نیز کم نیستند، از خودپرداز صرفاً برای تکمیل سبد خدمات استفاده کرده و بهمنظور رقابت با سایر بانکها اقدام به نصب و بهره برداری از آن مینمایند. در مقابل برخی دیگر از بانکها، خودپردازها و مدیریت آن را به عنوان یک
-2-2 طرح مسأله
لازمه سودآوری بیشتر از طریق خودپردازها و کاهش هزینههای آنها، مدیریت صحیح است. مهمترین گام در مدیریت بهینه خودپردازها، پولگذاری مناسب این دستگاهها است. برای پولگذاری مناسب، باید بتوان رفتار خودپرداز در روزهای آتی را پیشبینی کرد. برای پیشبینی تقاضای وجه نقد هر خودپرداز، دادههای سری زمانی آن مورد استفاده قرار میگیرد تا بتوان رفتار گذشته آن را به نحوی در رفتار آینده تسری داد. در واقع با توجه به دادههای موجود، ماهیت مسأله، یک مسأله پیشبینی سریهای زمانی است. در این پیشبینی باید فاکتورهای عمومی و فاکتورهای ویژه هر خودپرداز که در تقاضای وجه نقد مؤثرند، در نظر گرفته شودند تا خطای پیشبینی کاهش یابد.
از جمله فاکتورهایی تأثیرگذار در تقاضای وجه نقد هر خودپرداز، وجود روزهای پیک برداشت است که از جمله این فاکتورها میتوان اعیاد مندرج در تقویم شمسی، اعیاد مندرج در تقویم قمری، روزهای واریز یارانه و موقعیت مکانی هر خودپرداز را نام برد. در تحقیقات پیشین برای پیشبینی سریهای زمانی مربوط به خودپردازها از روشهای کلاسیک و هوشمند استفاده شده است که روش های هوشمند با توجه به قدرت نگاشت روابط غیرخطی میان پارامترها مختلف پیشبینی از دقت بیشتری برخوردارند.[2,4]
از بین روش های هوشمند نیز، روشهای مبتنی بر منطق فازی با توجه به رفتار متغییر هر خودپرداز در ایام مختلف و عدم توانایی در بیان این رفتارها در قالب قوانین فازی، پیشنهاد نمیشود. اما پیشبینی با رویکرد شبکههای عصبی مصنوعی با توجه به قدرت نگاشت روابط غیرخطی و سادگی پیادهسازی، مشکلات روشهای کلاسیک و روشهای مبتنی بر منطق فازی را حل میکند. در مطالعات پیشین شبکههای آموزش دیده با الگوریتم لونبرگ-مارکوارت، برای پیشبینی سریزمانی مربوط به خودپردازها، دارای کمترین خطا بود.[13,14] با توجه به اینکه الگوریتم لونبرگ-مارکوارت، مبتنی بر روش گرادیان نزولی است، مشکل گیر کردن در دام مینیممهای محلی را دارد.[17] پس نتایج حاصل از شبکههای عصبی آموزش دیده با این الگوریتم برای پیشبینی سرهای زمانی خودپردازها، قابل اعتماد نمیباشد، زیرا ممکن است در هر اجرا، الگوریتم در مینیممهای محلی گیر کند.
-3-2 راه حل پیشنهادی
در این پژوهش برای پیشبینی سریهای زمانی خودپردازها، پیشنهاد میشود از شبکههای عصبی آموزش دیده با الگوریتم ژنتیک استفاده شود تا مشکل گیر کردن در مینیممهای محلی الگوریتمهای مبتنی بر گرادیان حل شده و نتایج پیشبینی قابل اعتمادتر شوند.[17]در روش پیشنهادی و در گام نخست ابتدا در دادههای هر خودپرداز تأخیرهایی با توجه به روند برداشت در گذشته ایجاد میشوند. این تأخیرها، نشان دهنده این است که تقاصای وجه نقد هر خودپرداز تابع چه روزهایی از سال است. در این پژوهش با ترسیم نمودارهای برداشت وجه نقد هر خودپرداز و با توجه به نظرات کارشناسان این حوزه، روندها و الگوهای برداشت طبق جدول - 1 - کشف شد.
در گام دوم، داده ها و تأخیرهای هر خودپرداز، وارد شبکه عصبی مصنوعی پرسپترون سه لایه میشوند. در این روش برای آموزش شبکه عصبی 80 درصد دادهها و برای ارزیابی آن20 درصد دادهها بهصورت تصادفی انتخاب میشوند. برای آموزش شبکه عصبی، الگوریتم ژنتیک تلاش میکند با تنظیم وزنها و بایاسهای شبکه عصبی، خطای پیشبینی را کاهش دهد. در واقع الگوریتم ژنتیک باید یک مسأله مینیمسازی را حل کند که متغیرهای آن وزنها و بایاسهای شبکه و تابع هدف آن اختلاف مقدار واقعی و مقدار پیشبینی شده است که میتواند بهصورت زیر نشان داده شود:[6,7]که در آن C - x - تابع هزینه به ازای بردار x که نشان دهنده وزنها و بایاسهای شبکه است، t مقدار واقعی برداشت و a مقدار پیشینی شده توسط شبکه عصبی مصنوعی است.برای ارزیابی روش پیشنهادی از دو معیار میانگین مجذور خطا و میانگین قدرمطلق خطا برای دادههای ارزیابی استفاده شده است که به ترتیب در روابط - 4 - و - 5 - تعریف میشوند.[8]
