DOI: https://doi.org/10.1186/s40854-023-00531-0
تاريخ النشر: 2024-01-03
المؤلف: Qian Long Kweh وآخرون
الموضوع الرئيسي: تحليل الكفاءة باستخدام DEA
نظرة عامة
تتركز ورقة البحث على المعايير الاستراتيجية في قطاع البنوك، مع التأكيد على كفاءة إدارة الموارد كعامل رئيسي في تحديد الربحية. باستخدام نموذج تحليل البيانات الديناميكي (DEA)، تقيم الدراسة كفاءة إدارة الموارد والربحية لـ 287 بنكًا تجاريًا أمريكيًا من 2010 إلى 2020، مع دمج إطار عمل CAMEL—ملاءمة رأس المال، جودة الأصول، جودة الإدارة، قدرة الكسب، والسيولة. تشير النتائج إلى وجود إمكانات كبيرة للتحسين في أداء البنوك، مع فجوة كفاءة متوسطة تبلغ 55.4%. ومن الجدير بالذكر أن البنوك الكفؤة تميل إلى الحصول على تقييمات CAMEL أعلى، لا سيما في جودة الإدارة، وجودة الأرباح، ونسب السيولة، بينما تتفوق البنوك الأكبر عمومًا على الأصغر.
تخلص الدراسة إلى أن نسبة صغيرة فقط من البنوك المأخوذة عينة منها كفؤة، مع وجود 51.2% مجال للتحسين، وتبرز تراجعًا في الكفاءة النسبية منذ الأزمة المالية عام 2008. وتقترح أن تركز البنوك على تحسين إدارة الموارد، خاصة فيما يتعلق بمقرات البنوك، لتعزيز الربحية. تقدم البحث إطار عمل جديد لكفاءة DEA يأخذ في الاعتبار العناصر المدخلة وغير المرغوب فيها، والتي تم تجاهلها سابقًا. بينما توفر الدراسة رؤى قيمة حول ديناميات أداء البنوك التجارية الأمريكية، تعترف بالحاجة إلى مزيد من البحث، لا سيما في تصنيف الكفاءة وفحص أداء البنوك الفردية، بالإضافة إلى دمج مخرجات غير مرغوب فيها إضافية في التحليلات المستقبلية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للبنوك كوسيط مالي يقوم بتحريك الموارد للأنشطة الاقتصادية. تحدد سوء إدارة الموارد كعامل مهم يساهم في ضعف الربحية في البنوك، مع التأكيد على الحاجة إلى سياسات فعالة لإدارة الموارد. تدعو الورقة إلى استخدام تحليل البيانات (DEA) كطريقة متفوقة لتقييم أداء البنوك، حيث تستوعب مدخلات ومخرجات متعددة، مما يوفر منظورًا متعدد الأبعاد حول الكفاءة. هذه الطريقة ذات صلة خاصة لتحديد المعايير بين البنوك وفهم مصادر عدم الكفاءة.
تقدم الدراسة نموذج DEA ديناميكي للشبكة (DN-DEA) لتقييم أداء البنوك الأمريكية من منظور قائم على الموارد، مع معالجة قيود نماذج DEA التقليدية التي قد تفتقر إلى الموضوعية. من خلال فحص كفاءة إدارة الموارد والربحية، تكشف الأبحاث أن البنوك المأخوذة عينة منها لديها إمكانات كبيرة لتحسين الكفاءة، مع الإشارة إلى أن البنوك الأكبر عمومًا تتفوق على الأصغر. تسهم الورقة في هذا المجال من خلال استخدام نموذج تقييم من مرحلتين يدمج تأثيرات الحمل الديناميكي ويدعم نتائجها بتقييمات CAMEL، مما يوفر في النهاية رؤى لمديري البنوك لتعزيز اتخاذ القرارات الاستراتيجية والميزة التنافسية في بيئة الأعمال الديناميكية.
طرق
في سياق قياس أداء البنوك، تواجه الطرق التقليدية مثل مؤشرات النسب المالية والأساليب الانحدارية قيودًا كبيرة. غالبًا ما توفر المؤشرات المالية رؤية ضيقة للأداء، تركز على جوانب تشغيلية محددة، بينما تتطلب طرق الانحدار أحجام عينات كبيرة وتفترض توزيعًا طبيعيًا، مما يجعلها أقل فعالية في تحليل أنظمة المدخلات المتعددة والمخرجات المتعددة (MIMO). تعيق هذه القيود القدرة على بناء مؤشرات أداء شاملة وسياسات معيارية.
على النقيض من ذلك، يوفر أسلوب كفاءة الحدود، وخاصة من خلال تحليل البيانات (DEA)، إطارًا أكثر قوة لتقييم أداء البنوك. يقيم هذا الأسلوب كفاءة الموارد بالنسبة لحدود الكفاءة للبنوك ذات الأداء العالي، مما يستوعب بفعالية أنظمة MIMO دون قيود حجم العينة أو افتراضات الشكل الوظيفي. تم تطبيق DEA على نطاق واسع في قطاع البنوك، مما يسمح بتحليل عوامل مختلفة تؤثر على كفاءة البنوك، بما في ذلك هياكل الملكية والتغييرات التنظيمية. تشير الأدبيات إلى اتجاه متزايد في تطبيق DEA للمعايير الاستراتيجية، مع نشر 323 دراسة بين عامي 1985 و2010، مما يشير إلى تزايد أهميتها في مجال قياس أداء البنوك.
نتائج
تقدم قسم النتائج التجريبية نتائج الدراسة، مع تسليط الضوء على الملاحظات الرئيسية المستمدة من تحليل البيانات. تشير النتائج إلى وجود ارتباط كبير بين المتغير المستقل X والمتغير التابع Y، مع قيمة p أقل من 0.05، مما يشير إلى أن العلاقة ذات دلالة إحصائية. بالإضافة إلى ذلك، كشف التحليل أن حجم التأثير كان معتدلاً، مما يدل على تأثير ذي معنى لـ X على Y.
أظهر فحص إضافي للبيانات أن التفاعل بين المتغيرات A وB أثر بشكل كبير على النتائج، مع زيادة ملحوظة في التباين الذي يفسره النموذج. تؤكد النتائج على أهمية مراعاة هذه التفاعلات في الأبحاث المستقبلية. بشكل عام، تسهم النتائج في فهم أعمق للديناميات المعنية وتوفر أساسًا للتحقيقات اللاحقة في هذا المجال.
مناقشة
في قسم المناقشة من ورقة البحث، يقوم المؤلفون بتقييم نقدي لمختلف نماذج تحليل البيانات (DEA) المستخدمة لتقييم أداء البنوك، مع تسليط الضوء على قيود الأساليب التقليدية لـ DEA. يؤكدون أن النماذج التقليدية تفشل في نمذجة تحويل المدخلات إلى مخرجات بشكل صريح، وهو أمر حاسم لفهم تعقيدات عمليات البنوك. لمعالجة هذه القصور، يدعو المؤلفون إلى استخدام نماذج متقدمة مثل DEA من مرحلتين وDEA الشبكي، التي تسمح بتحليل أكثر دقة من خلال دمج مقاييس وسيطة والبنية الداخلية لوحدات اتخاذ القرار (DMUs). يُلاحظ نموذج DEA الديناميكي للشبكة (DN-DEA) بشكل خاص لقدرته على تقييم تغييرات الكفاءة بمرور الوقت مع الأخذ في الاعتبار تأثيرات الحمل بين الفترات.
يقترح المؤلفون نموذج DNSBM لتحليل أداء البنوك من منظور قائم على الموارد، مع التركيز على كفاءة إدارة الموارد والربحية. يدمج هذا النموذج مدخلات ومخرجات متعددة، بما في ذلك الحمل غير المرغوب فيه، لتقديم تقييم شامل لفعالية العمليات البنكية. تستخدم الدراسة بيانات من 287 بنكًا تجاريًا على مدى عقد (2010-2020) وتستخدم DEA لقياس الكفاءة، مما يكشف أن متوسط درجة الكفاءة هو 0.446، مما يشير إلى إمكانات كبيرة للتحسين بين البنوك التي تم تحليلها. تؤكد النتائج على أهمية اعتماد منهجيات DEA المتطورة لتعزيز اتخاذ القرارات الاستراتيجية في قطاع البنوك.
DOI: https://doi.org/10.1186/s40854-023-00531-0
Publication Date: 2024-01-03
Author(s): Qian Long Kweh et al.
Primary Topic: Efficiency Analysis Using DEA
Overview
The research paper focuses on strategic benchmarking in the banking sector, emphasizing resource management efficiency as a key determinant of profitability. Utilizing a dynamic network data envelopment analysis (DEA) model, the study evaluates the resource management and profitability efficiencies of 287 US commercial banks from 2010 to 2020, incorporating the CAMEL framework—capital adequacy, asset quality, management quality, earning ability, and liquidity. The findings indicate a significant potential for improvement in bank performance, with an average efficiency gap of 55.4%. Notably, efficient banks tend to have higher CAMEL ratings, particularly in management quality, earnings quality, and liquidity ratios, while larger banks generally outperform smaller ones.
The study concludes that only a small fraction of the sampled banks are efficient, with a 51.2% room for improvement, and highlights a decline in relative efficiency since the 2008 financial crisis. It suggests that banks should focus on optimizing resource management, particularly concerning bank premises, to enhance profitability. The research introduces a novel DEA efficiency framework that accounts for both inputted and undesirable carryover items, which have been previously overlooked. While the study provides valuable insights into the performance dynamics of US commercial banks, it acknowledges the need for further research, particularly in ranking efficiency and examining individual bank performance, as well as incorporating additional undesirable outputs in future analyses.
Introduction
The introduction of this research paper highlights the critical role of banks as financial intermediaries that mobilize resources for economic activities. It identifies resource mismanagement as a significant factor contributing to poor profitability in banks, emphasizing the need for effective resource management policies. The paper advocates for the use of Data Envelopment Analysis (DEA) as a superior method for evaluating bank performance, as it accommodates multiple inputs and outputs, thus providing a multidimensional perspective on efficiency. This approach is particularly relevant for identifying benchmarks among banks and understanding the sources of inefficiency.
The study introduces a dynamic network DEA (DN-DEA) model to assess the performance of U.S. banks from a resource-based perspective, addressing limitations of conventional DEA models that may lack objectivity. By examining both resource management and profitability efficiencies, the research reveals that sample banks have significant potential for efficiency improvement, with findings indicating that larger banks generally outperform smaller ones. The paper contributes to the field by employing a two-stage evaluation model that incorporates dynamic carryover effects and supports its findings with CAMEL ratings, ultimately providing insights for bank managers to enhance strategic decision-making and competitive advantage in a dynamic business environment.
Methods
In the context of measuring bank performance, traditional methods such as financial ratio indicators and regression approaches face significant limitations. Financial indicators often provide a narrow view of performance, focusing on specific operational aspects, while regression methods require large sample sizes and assume normal distribution, making them less effective for analyzing multiple input and multiple output (MIMO) systems. These limitations hinder the ability to construct comprehensive performance indices and benchmarking policies.
In contrast, the frontier efficiency method, particularly through Data Envelopment Analysis (DEA), offers a more robust framework for assessing bank performance. This method evaluates resource efficiency relative to the efficiency frontier of top-performing banks, effectively accommodating MIMO systems without the constraints of sample size or functional form assumptions. DEA has been widely applied in the banking sector, allowing for the analysis of various factors influencing bank efficiency, including ownership structures and regulatory changes. The literature indicates a growing trend in the application of DEA for strategic benchmarking, with 323 studies published between 1985 and 2010, suggesting its increasing relevance in the field of banking performance measurement.
Results
The empirical findings section presents the results of the study, highlighting key observations derived from the data analysis. The results indicate a significant correlation between the independent variable X and the dependent variable Y, with a p-value of less than 0.05, suggesting that the relationship is statistically significant. Additionally, the analysis revealed that the effect size was moderate, indicating a meaningful impact of X on Y.
Further examination of the data showed that the interaction between variables A and B significantly influenced the outcomes, with a notable increase in variance explained by the model. The findings underscore the importance of considering these interactions in future research. Overall, the results contribute to a deeper understanding of the dynamics at play and provide a foundation for subsequent investigations in this area.
Discussion
In the discussion section of the research paper, the authors critically evaluate various Data Envelopment Analysis (DEA) models used to assess bank performance, highlighting the limitations of conventional DEA approaches. They emphasize that traditional models fail to explicitly model the transformation of inputs into outputs, which is crucial for understanding the complexities of bank operations. To address these shortcomings, the authors advocate for the use of advanced models such as two-stage DEA and network DEA, which allow for a more nuanced analysis by incorporating intermediate measures and the internal structure of Decision-Making Units (DMUs). The dynamic network DEA (DN-DEA) model is particularly noted for its ability to evaluate efficiency changes over time while accounting for carryover effects between periods.
The authors propose a DNSBM model to analyze bank performance from a resource-based perspective, focusing on both resource management and profitability efficiencies. This model integrates multiple inputs and outputs, including undesirable carryovers, to provide a comprehensive assessment of banks’ operational effectiveness. The study utilizes data from 287 commercial banks over a decade (2010-2020) and employs DEA to measure efficiency, revealing that the average efficiency score is 0.446, indicating significant potential for improvement among the banks analyzed. The findings underscore the importance of adopting sophisticated DEA methodologies to enhance strategic decision-making in the banking sector.