توسعه یک چارچوب داده‌محور مبتنی بر تحلیل مکانی و یادگیری ماشین برای پیش‌بینی تقاضای خدمات و پشتیبانی از بهینه‌سازی شبکه شعب بانکی

رضایی, علی; قاسمی, محمد; تفرشی, سیدمحمد

doi:10.22061/jrsgr.2026.113044.1124

تعداد نشریات	15
تعداد شماره‌ها	244
تعداد مقالات	2,477
تعداد مشاهده مقاله	4,287,475
تعداد دریافت فایل اصل مقاله	3,150,648

	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
دوره 4، شماره 1 - شماره پیاپی 7، دی 1404، صفحه 107-134 اصل مقاله (3.37 M)
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
پیشینه و اهداف: تحول دیجیتال در نظام بانکی و گسترش بانکداری الکترونیکی، حجم گسترده‌ای از داده‌های تراکنشی، مکانی و اقتصادی-اجتماعی را تولید کرده است که می‌توانند به‌عنوان منبعی ارزشمند برای تحلیل رفتار مشتریان، پیش‌بینی تقاضای خدمات و پشتیبانی از تصمیم‌گیری‌های راهبردی مورد استفاده قرار گیرند. با این حال، بهره‌گیری نظام‌مند از این داده‌ها در برنامه‌ریزی مکانی خدمات بانکی، مکان‌یابی شعب و تخصیص بهینه منابع در بسیاری از بانک‌ها همچنان محدود است. از سوی دیگر، توزیع تقاضای خدمات بانکی ماهیتی فضایی داشته و تحت تأثیر عوامل جمعیتی، اقتصادی و مکانی قرار می‌گیرد؛ ازاین‌رو، تحلیل این الگوها نیازمند رویکردهایی است که بتوانند اطلاعات مکانی را در کنار داده‌های تراکنشی و رفتاری پردازش کنند. هدف پژوهش حاضر، توسعه و ارزیابی یک چارچوب یکپارچه مبتنی بر تحلیل مکانی، یادگیری ماشین و روش‌های تبیین‌پذیر به‌منظور پیش‌بینی تقاضای خدمات بانکی و پشتیبانی از تصمیم‌گیری‌های مرتبط با توسعه و بهینه‌سازی شبکه شعب است. روش‌ها‌: پژوهش حاضر به‌صورت 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، روستایی و خدماتی به‌عنوان منطقه مطالعه انتخاب گردید. چارچوب پیشنهادی شامل مراحل گردآوری و یکپارچه‌سازی داده‌ها، پیش‌پردازش و مهندسی ویژگی‌ها، تحلیل و خوشه‌بندی مکانی تقاضا، مدل‌سازی پیش‌بینانه و تبیین نتایج است. در بخش تحلیل فضایی از شاخص موران‌آی (Moran’s I)، تحلیل نقاط داغ، خوشه‌بندی DBSCAN و شاخص‌های خودهمبستگی محلی استفاده شد. در بخش پیش‌بینی، عملکرد الگوریتم‌های Random Forest، XGBoost، LSTM و شبکه عصبی گراف مکانی-زمانی (ST-GNN) برای پیش‌بینی تعداد مراجعات ماهانه مشتریان ارزیابی گردید. همچنین به‌منظور تفسیر نتایج و شناسایی عوامل مؤثر بر تقاضا، از روش SHAP و تحلیل اهمیت متغیرها بهره گرفته شد. یافته‌ها: نتایج تحلیل فضایی نشان داد که تقاضای خدمات بانکی دارای ساختار فضایی معنادار بوده و مقدار شاخص موران‌آی برابر با 0.71 وجود خودهمبستگی مکانی قوی و تمرکز فضایی تقاضا را تأیید می‌کند. تحلیل خوشه‌های مکانی نیز تمرکز تقاضا را در برخی شهرستان‌های استان نشان داد. نتایج مدل‌سازی بیانگر آن بود که مدل‌های مبتنی بر درخت بهترین عملکرد را در پیش‌بینی تعداد مراجعات ماهانه مشتریان ارائه می‌کنند؛ به‌گونه‌ای که مدل Random Forest با ضریب تعیین (R²) برابر با 0.95 و مدل XGBoost با مقدار 0.94 دقیق‌ترین نتایج را تولید کردند. در مقابل، مدل ST-GNN با وجود توانایی مدل‌سازی روابط مکانی، عملکرد ضعیف‌تری (R²≈0.51) نشان داد که می‌تواند ناشی از محدودیت طول سری زمانی و کمبود داده‌های زمانی پیوسته باشد. نتایج تحلیل‌های تبیین‌پذیر نیز نشان داد که ویژگی‌های مکانی، اقتصادی–اجتماعی و تراکنشی نقش تعیین‌کننده‌ای در شکل‌گیری الگوهای تقاضای خدمات بانکی دارند. نتیجه‌گیری: یافته‌های پژوهش نشان می‌دهد که ادغام تحلیل مکانی، یادگیری ماشین و روش‌های تبیین‌پذیر می‌تواند چارچوبی مؤثر برای توسعه سامانه‌های تصمیم‌یار در بانکداری هوشمند فراهم کند. چارچوب پیشنهادی علاوه بر بهبود دقت پیش‌بینی تقاضای خدمات بانکی، امکان شناسایی الگوهای فضایی تقاضا و پشتیبانی از تصمیمات مرتبط با توسعه خدمات دیجیتال، مکان‌یابی شعب و تخصیص بهینه منابع را فراهم می‌سازد. محدودیت اصلی پژوهش، کوتاه بودن دوره زمانی داده‌ها و نبود سری‌های زمانی بلندمدت بود که امکان ارزیابی کامل مدل‌های زمانی را محدود کرد. پیشنهاد می‌شود در پژوهش‌های آینده از داده‌های زمانی بلندمدت، داده‌های بلادرنگ و مدل‌های پیشرفته مکانی–زمانی برای توسعه سامانه‌های تصمیم‌یار بانکداری هوشمند استفاده شود.
کلیدواژه‌ها
داده‌کاوی مکانی؛ یادگیری ماشین؛ بانکداری هوشمند؛ پیش‌بینی تقاضا؛ تبیین‌پذیری مدل؛ شبکه عصبی گراف زمانی-مکانی
عنوان مقاله [English]
Development of Data-Driven Framework Based on Spatial Analysis and Graph Neural Networks for Service Demand Forecasting and Optimization of Banking Branch Networks
نویسندگان [English]
A. Rezaie¹؛ M. Ghasemi²؛ S. M. 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]
Background and Objectives: The rapid growth of digital banking, electronic payment systems, and online financial services has generated vast amounts of transactional and customer-related data. These developments have created new opportunities for data-driven decision-making in the banking sector, particularly in demand forecasting, service planning, and branch network optimization. Because banking demand is influenced by spatial, demographic, and socioeconomic factors, integrating geospatial analysis with artificial intelligence techniques can provide valuable insights for strategic banking decisions. Despite the increasing availability of banking data, the practical use of spatial data mining and machine learning for demand analysis and branch planning remains limited. Therefore, this study aims to develop and evaluate an integrated framework that combines spatial analysis, machine learning, deep learning, and explainable artificial intelligence to forecast banking service demand and support spatial decision-making for branch network optimization. Methods: The study was conducted using customer and branch data obtained from Bank Sepah in Markazi Province, Iran, covering the period from 2021 to 2023. Markazi Province was selected as the study area because of its diverse urban, industrial, rural, and service-oriented characteristics, which provide a suitable environment for investigating heterogeneous patterns of banking demand. The proposed framework consists of four main stages. First, transactional, spatial, and socioeconomic datasets were integrated and processed through data cleaning, preprocessing, and feature engineering procedures. Second, spatial demand patterns were investigated using exploratory spatial data analysis, including Moran’s I index, Local Indicators of Spatial Association, and density-based spatial clustering methods. Third, predictive models were developed using Random Forest, Extreme Gradient Boosting, Long Short-Term Memory networks, and Spatio-Temporal Graph Neural Networks. Finally, model outputs were interpreted using feature importance analysis and Shapley Additive Explanations to identify the key drivers of banking demand and support decision-making processes. Model performance was evaluated using standard statistical measures, including the coefficient of determination, precision-recall analysis, calibration assessment, and classification performance metrics. Findings: The results revealed significant spatial heterogeneity in banking service demand across the study area. Spatial analysis produced a Moran’s I value of 0.71, indicating strong positive spatial autocorrelation and confirming the existence of clustered demand patterns. The identified hotspots were primarily concentrated in economically active and densely populated counties. Comparative evaluation of predictive models demonstrated that tree-based machine learning algorithms outperformed deep learning approaches for the available dataset. Random Forest achieved the highest predictive performance with an R² value of 0.95, followed closely by Extreme Gradient Boosting with an R² value of 0.94 for forecasting monthly customer visits. In contrast, the Spatio-Temporal Graph Neural Network model achieved a lower performance level (R² ≈ 0.51). Explainability analysis showed that spatial accessibility, customer socioeconomic characteristics, and historical transaction behavior were among the most influential factors affecting demand patterns. The results further demonstrated that the integration of spatial features substantially improved predictive accuracy and enhanced the interpretability of the generated models. Conclusion: The findings indicate that combining spatial analytics, machine learning, and explainable artificial intelligence provides an effective framework for understanding and forecasting banking service demand. Beyond model comparison, the proposed framework supports practical decision-making related to branch network development, service allocation, and digital banking expansion. The identified spatial demand patterns can assist banking managers in prioritizing investment locations, improving service coverage, and optimizing operational resources. However, the limited temporal depth of the available dataset restricted the effectiveness of advanced spatio-temporal deep learning models. Future studies may benefit from longer time-series datasets and real-time transactional information to further enhance predictive performance and spatio-temporal modeling capabilities. Overall, the proposed framework offers a practical and scalable approach for developing intelligent decision-support systems in data-driven banking environments.
کلیدواژه‌ها [English]
Machine Learning, Smart Banking, Demand Forecasting, Model Explainability, Spatio-Temporal Graph Neural Networks

مراجع
[1] Chen H, Chiang RHL, Storey VC. Business intelligence and analytics: from big data to big impact. MIS Q. 2012;36(4):1165-1188. doi:10.2307/41703503. [2] McKinney E, Yoos CJ, Snead KC. The need for speed: An analysis of enterprise data analytics and decision-making. Decis Support Syst. 2017;99:1–14. https://doi.org/10.1016/j.dss.2017.03.001 [3] Kumar R, Lim C. AI-based dynamic banking services: A predictive approach. J Intell Syst. 2023;29(2):101–120. https://doi.org/10.1007/s10845-022-09463-w [4] Bhatore S, Mohan L, Rathee G. Artificial intelligence and machine learning techniques for smart banking systems: a review. Int J Inf Manage Data Insights. 2020;1(1):100001. https://doi.org/10.1016/j.jjimei.2020.100001 [5] Cao L. AI in finance: challenges, techniques and opportunities. ACM Comput Surv. 2022;55(3):1-38. https://doi.org/10.1145/3503253 [6] Dwivedi YK, Hughes L, Ismagilova E, Aarts G, Coombs C, Crick T, et al. Artificial Intelligence (AI): multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research. Int J Inf Manage. 2021;57:101994. https://doi.org/10.1016/j.ijinfomgt.2020.102169 [7] Bose I, Kumar V, Gupta V. Artificial intelligence in financial services: a systematic review and future research agenda. Int J Inf Manage Data Insights. 2023;3(2):100192. https://doi.org/10.1016/j.jjimei.2023.100192 [8] Nguyen T, Lee J, Park S. Customer behavior prediction in digital banking using deep learning. Appl Soft Comput. 2022;114:108–126. https://doi.org/10.1016/j.asoc.2022.108731 [9] Zhou L, Pan S, Wang J, Vasilakos AV. Machine learning on big data: Opportunities and challenges. Neurocomputing. 2019;237:350–361. https://doi.org/10.1016/j.neucom.2018.07.023 [10] Yin Y, Zhou D. Behavioral data mining for personalized banking services. Inf Syst Front. 2021;23(5):1157–1173. https://doi.org/10.1007/s10796-020-10042-x [11] Ghosh P. Machine learning in banking: Applications and challenges. J Financ Anal. 2020;18(3):45–62. https://doi.org/10.3920/S1544-709820-0001-5 [12] Anselin L. Local Indicators of Spatial Association—LISA. Geogr Anal. 1995;27(2):93–115. https://doi.org/10.1080/10334674.1995.11102731 [13] Li X, Chen Y, Zhao L. Spatial analytics for banking branch optimization. Expert Syst Appl. 2020;145:113130. https://doi.org/10.1016/j.eswa.2020.113130 [14] Hernandez J, Li F, Wang S. Spatial data mining in financial services. Int J Geogr Inf Sci. 2019;33(4):722–738. https://doi.org/10.1080/15387216.2018.1531234 [15] Rahman K, Shukla S. Smart location-allocation modeling in service industries using machine learning. Decis Support Syst. 2022;160:113756. https://doi.org/10.1016/j.dss.2022.113756 [16] Chen X, Wang Y, Li Z. Integrating spatial analytics and machine learning for location-based decision support. Int J Geogr Inf Sci. 2020;34(11):2191–2212. https://doi.org/10.1080/13658816.2020.1762434 [17] Wanke P, Barros CP. Location efficiency of bank branches: A network DEA approach. Omega. 2014;46:1–14. https://doi.org/10.1016/j.omega.2013.07.004 [18] Chen T, Guestrin C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM; 2016. p. 785–794. https://doi.org/10.1145/2939672.2939785 [19] Bzdok D, Altman N, Krzywinski M. Statistics versus machine learning. Nat Methods. 2021;18:233-234. https://doi.org/10.1038/s41592-020-01018-x [20] Li W, Hsu CY. GeoAI for intelligent spatial analysis and urban applications. ISPRS Int J Geo-Inf. 2022;11(4):248. https://doi.org/10.3390/ijgi11040248 [21] Reis EA, Pacheco A, Santos M. Spatial machine learning: concepts, applications and opportunities. Environ Model Softw. 2021; 145:105206. https://doi.org/10.1016/j.envsoft.2021.105206 [22] Janowicz K, Gao S, McKenzie G, Hu Y, Bhaduri B. GeoAI: Spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond. Int J Geogr Inf Sci. 2020;34(4):625–636. https://doi.org/10.1080/13658816.2019.1723832 [23] Zhou J, Cui G, Hu S, Zhang Z, Yang C, Liu Z, et al. Graph neural networks: a review of methods and applications. AI Open. 2020;1:57-81. https://doi.org/10.1016/j.aiopen.2021.05.001 [24] Wu Z, Pan S, Chen F, Long G. Graph neural networks in spatiotemporal forecasting: recent advances and future directions. Mach Intell Res. 2023;20(4):451-474. https://doi.org/10.1007/s11468-023-01844-w [25] Chen X, Wang Y, Li Z. Integrating spatial analytics and machine learning for location-based decision support. Int J Geogr Inf Sci. 2020;34(11):2191–2212. https://doi.org/10.1080/13658816.2020.1733423 [26] Shwartz-Ziv R, Armon A. Tabular data: deep learning is not all you need. Inf Fusion. 2022;81:84-90. https://doi.org/10.1016/j.inffus.2021.11.006 [27] Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. In: International Conference on Learning Representations (ICLR); 2017. https://doi.org/10.48550/arXiv.1609.02907 [28] Jiang D, Luo C. Graph neural network for spatio-temporal forecasting: a survey. Artif Intell Rev. 2022;55:6051-6084. https://doi.org/10.1007/s10462-022-10168-x [29] Delamater PL, Messina JP, Shortridge AM, Grady SC. Measuring geographic access to health care: raster and network-based approaches. Health Place. 2022;73:102745. https://doi.org/10.1016/j.healthplace.2022.102745 [30] Arrieta AB, Díaz-Rodríguez N, Del Ser J, Bennetot A, Tabik S, Barbado A, et al. Explainable artificial intelligence (XAI): concepts, taxonomies, opportunities and challenges toward responsible AI. Inf Fusion. 2020;58:82-115. https://doi.org/10.1016/j.inffus.2019.12.012 [31] Roscher R, Bohn B, Duarte MF, Garcke J. Explainable machine learning for scientific insights and discoveries. IEEE Access. 2020;8:42200-42216. https://doi.org/10.1109/ACCESS.2020.2976199 [32] Lundberg SM, Lee SI. A unified approach to interpreting model predictions. In: Advances in Neural Information Processing Systems (NeurIPS); 2017. p. 4765–4774. https://doi.org/10.48550/arXiv.1705.0787%E0%B8%94%E0%B8%B5 [33] Lundberg SM, Erion G, Chen H, DeGrave A, Prutkin JM, Nair B, et al. From local explanations to global understanding with explainable AI for trees. Nat Mach Intell. 2020;2(1):56–67. https://doi.org/10.1038/s42256-019-0138-9 [34] Minderer M, Djolonga J, Romijnders R, Hubis F, Zhai X, Houlsby N, et al. Revisiting the calibration of modern neural networks. Adv Neural Inf Process Syst. 2021;34:15682-15694. [35] Davis J, Goadrich M. The relationship between precision-recall and ROC curves. In: Proceedings of the 23rd International Conference on Machine Learning. New York: ACM; 2006. p. 233–240. https://dl.acm.org/doi/10.5555/1143846.1143873 [36] Saito T, Rehmsmeier M. The precision-recall plot is more informative than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLoS One. 2015;10(3): e0118432. https://doi.org/10.1371/journal.pone.0118432 [37] Niculescu-Mizil A, Caruana R. Predicting good probabilities with supervised learning. In: Proceedings of the 22nd International Conference on Machine Learning. New York: ACM; 2005. p. 625–632. https://dl.acm.org/doi/10.5555/1096875.1096952 [38] Murray AT. Advances in location modeling: GIS linkages and contributions. J Geogr Syst. 2010;12(3):335-354. https://doi.org/10.1002/jgs.731
آمار تعداد مشاهده مقاله: 131 تعداد دریافت فایل اصل مقاله: 53

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

آمار

توسعه یک چارچوب داده‌محور مبتنی بر تحلیل مکانی و یادگیری ماشین برای پیش‌بینی تقاضای خدمات و پشتیبانی از بهینه‌سازی شبکه شعب بانکی