سامانه اطلاعات مکانی
علی رضایی؛ محمد قاسمی؛ سیدمحمد تفرشی
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 ...
بیشتر
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.
