پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شمارهها | 239 |
| تعداد مقالات | 2,432 |
| تعداد مشاهده مقاله | 4,072,160 |
| تعداد دریافت فایل اصل مقاله | 2,961,893 |
توسعه یک چارچوب دادهمحور مبتنی بر تحلیل مکانی و یادگیری ماشین برای پیشبینی تقاضای خدمات و پشتیبانی از بهینهسازی شبکه شعب بانکی | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 تیر 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113044.1124 | ||
| نویسندگان | ||
| علی رضایی1؛ محمد قاسمی* 2؛ سیدمحمد تفرشی3 | ||
| 1گروه مدیریت، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران | ||
| 2گروه اقتصاد، مدیریت و حسابداری دانشگاه پیام نور، تهران، ایران | ||
| 3گروه مدیریت، واحد تربت حیدریه دانشگاه آزاد اسلامی، تربت حیدریه، ایران | ||
| تاریخ دریافت: 16 آذر 1404، تاریخ بازنگری: 11 اردیبهشت 1405، تاریخ پذیرش: 25 خرداد 1405 | ||
| چکیده | ||
| دیجیتالیشدن خدمات مالی و گسترش بانکداری الکترونیکی، فرصتهای جدیدی برای تحلیل دادهمحور تقاضای خدمات بانکی و پشتیبانی از تصمیمگیریهای مکانی فراهم کرده است. هدف این پژوهش، توسعه و ارزیابی یک چارچوب مبتنی بر تحلیل مکانی، یادگیری ماشین و روشهای تبیینپذیر برای پیشبینی تقاضای خدمات بانکی و پشتیبانی از بهینهسازی شبکه شعب است. مطالعه موردی بر دادههای مشتریان و شعب بانک سپه در استان مرکزی طی سالهای ۱۴۰۰ تا ۱۴۰۲ انجام شد. استان مرکزی به دلیل برخورداری از ساختار متنوع شهری، صنعتی و روستایی بهعنوان منطقه مطالعه انتخاب شد. چارچوب پیشنهادی در این پژوهش شامل پیشپردازش و مهندسی ویژگیها، تحلیل و خوشهبندی مکانی تقاضا، مدلسازی پیشبینانه با استفاده از الگوریتمهای یادگیری ماشین و یادگیری عمیق، تبیین نتایج با روش SHAP و بهرهگیری از خروجیها در تصمیمگیریهای مکانی است. نتایج تحلیل فضایی با شاخص مورانآی (Moran’s I) برابر با 0.71 وجود خودهمبستگی مکانی قوی و تمرکز فضایی معنادار تقاضای خدمات بانکی را تأیید کرد. نتایج مدلسازی نشان داد که مدلهای Random Forest و XGBoost با مقادیر R² بهترتیب 0.95 و 0.94 بهترین عملکرد را در پیشبینی تعداد مراجعات ماهانه مشتریان (Visit Per Month) ارائه میکنند، در حالی که مدلهای شبکههای عصبی گراف، مکانی-زمانی (spatio-temporal extensions Graph neural networks) با وجود قابلیت مدلسازی وابستگیهای مکانی، عملکرد ضعیفتری (R²≈0.51) داشت که احتمالاً ناشی از محدودیت دادههای زمانی است. یافتهها نشان میدهد که ادغام تحلیل مکانی، یادگیری ماشین و روشهای تبیینپذیر میتواند چارچوبی مؤثر برای توسعه سامانههای تصمیمیار در بانکداری هوشمند، برنامهریزی مکانی خدمات و بهینهسازی شبکه شعب بانکی فراهم کند. | ||
| عنوان مقاله [English] | ||
| Development of a Data-Driven Framework Based on Spatial Analysis and Graph Neural Networks for Service Demand Forecasting and Optimization of Banking Branch Networks | ||
| نویسندگان [English] | ||
| ali rezaie1؛ mohammad Ghasemi2؛ seyed mohammad tafreshi3 | ||
| 1Department of Management, ToH.C., Islamic Azad University, Torbat Heydarieh, Iran. | ||
| 2Department of Economics, Management and Accounting, Payame Noor University, Tehran, Iran. | ||
| 3Department of Management, ToH.C., Islamic Azad University, Torbat Heydarieh, Iran. | ||
| چکیده [English] | ||
| The digitalization of financial services and the expansion of electronic banking have created new opportunities for data-driven analysis of banking service demand and spatial decision-making. This study aims to develop and evaluate an integrated framework based on spatial analysis, machine learning, and explainable artificial intelligence (XAI) techniques for predicting banking service demand and supporting branch network optimization. A case study was conducted using customer and branch data from Bank Sepah in Markazi Province, Iran, covering the period from 2021 to 2023. Markazi Province was selected as the study area due to its diverse urban, industrial, and rural characteristics. The proposed framework consists of data preprocessing and feature engineering, spatial demand analysis and clustering, predictive modeling using machine learning and deep learning algorithms, model interpretation through SHAP (SHapley Additive exPlanations), and the application of model outputs to spatial decision-making. The results of spatial analysis revealed a strong spatial autocorrelation in banking service demand, with a Moran’s I value of 0.71, indicating significant spatial concentration and heterogeneity across the study area. Predictive modeling results showed that Random Forest and XGBoost achieved the highest performance in forecasting customers’ Visit Per Month (VPM), with R² values of 0.95 and 0.94, respectively. In contrast, the Spatio-Temporal Graph Neural Network (ST-GNN) exhibited lower predictive performance (R² ≈ 0.51), likely due to the limited temporal depth of the available data. The findings demonstrate that integrating spatial analysis, machine learning, and explainable AI can provide an effective framework for developing intelligent decision-support systems, enhancing spatial planning of banking services, and optimizing branch network management. | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||