探索电子银行在银行业的主要影响银行业的集中程度上预测未来:一个案例研究

文摘

今天,对于快速增长的信息和通信技术(ICT)、电子商务、电子银行的后续发展,银行业市场结构也将显著改变。本文旨在探索电子银行的主要作用在伊朗银行业的结构调查银行业市场集中程度。为了实现这一目标,一个智能混合模型开发了基于多层感知器神经网络和模糊回归的影响相对银行的电子银行的份额。发达的方法,神经网络参数,如重量和错误被视为模糊参数模型下的不确定性。最终,利用描述性统计评估银行的相对大小的差异有关电子银行已经改变,除了探索的主要电子银行对银行的贡献的影响称为神经network-fuzzy回归模型。此外,它显示了如何集中程度在伊朗银行业一直在减少。实现的原因减少的分析表明,银行的份额减少了由于小银行的份额的增加。此外,模型估计证实存在银行的股票之间的积极关系和电子银行的使用。此外,小银行有强烈被证明利用电子银行,这样会增加他们的份额,减少集中程度。因此,可以得出结论,电子银行减少了伊朗的集中程度。 The descriptive statistics are employed to prove it.

1。介绍

经济学和产业组织经济学最重要的发展趋势是评估行为相互之间的交互生产商,生产商与客户和客户。学习一些特性,比如行为、结构和性能的市场是工业经济的关键问题,以及这些特性如何彼此相关,他们的因果关系和影响这些特性的因素一直在经济学领域的一些研究的主题。在这个问题上,市场份额是一个结构变量用来衡量生产者之间的竞争强度,这可能会影响到性能和行为因素在工业经济学文献。

这里,集中程度被称为一个结构变量的一个关键因素影响行业的市场份额,这可能产生重大影响的强度银行业市场竞争。这样,几项研究已经进行了衡量银行业的集中程度,在伊朗和其他国家。Khodadad喀什和贾法里1)评估伊朗银行业结构的影响。他们的研究结果显示,在2000 - 2010年期间,伊朗银行业的结构索引,包括浓度和进入壁垒,各有不同,以增加竞争力。

加藤和Honjo2)检查浓度的影响程度上不稳定的市场份额在109年,日本制造业在1995 - 2001。结果证实,有一个积极和显著的市场集中程度和市场份额之间的关系不稳定(3]。

电子商务和电子银行都迅速扩大,促进新技术,特别是在世界各地的信息和通信技术。电子银行是一个主要因素可以影响数量,分布,和市场权力的卖家和买家,或银行市场的集中程度。然而,不幸的是,这个因素对浓度的影响程度以及竞争的强度(从完全垄断到完全竞争)银行业市场已经不关注。

在当今世界,采用定量的方法来改善金融市场,提高决策,投资已成为不可或缺的必需品。在这方面,时间序列预测是最重要的一个预测领域,过去的观测变量的收集,然后分析理解之间的基本关系的观察和测定一个描述性的模型。后来,然后获得模型应用于推断未来的时间序列。这种建模方法是非常有用的和实际的特别是当没有可用的知识基础数据生成过程,或没有令人满意的解释模型,涉及因变量其他解释变量(4]。

这里的人工神经网络(ANN)是最重要的一个非线性预测方法系列将提供一些合适的结果在适当的条件下。这种方法的主要优点是灵活的非线性建模的能力。在这样的网络,不需要区分的特定形状模型,以及模型形成基于数据中包含的信息。这种基于数据的方法是非常有用的对于许多实证数据集,尤其是当没有可用理论信息提出一个适当的数据生成过程。尽管安的优点,这些网络包含一些缺点,基于大量数据需要得到准确的结果就是其中之一。

虽然有些规则定义数据所需的网络没有认为,网络所需的数据量取决于某些方面如网络结构、学习算法的复杂性问题,干涉数据。通过探索不同大小的网络数据需求的影响,可以发现,增加数据的数量可以安在预测性能的优化问题。应该注意的是,由于这些神经网络可以使用足够的数据模型中许多复杂的结构,他们会比其他更有用的统计模型对大样本。然而,应该注意的是,人工神经网络不需要更多的数据来实现最优的性能比线性模型。进行的研究表明,ann包含良好的预测数据低于50,而Box-Jenkins模型需要至少50数据成功预测(5]。虽然模糊预测方法,如模糊回归需要更少的数据比其他预测模型由于使用模糊数,而不是确定的,这种方法的性能不太满意。为了避免建模误差,提出了模糊回归,本质上是一个空间预测模型(6,7];但它也含有一些缺点,过度的区间预测其中最重要的是由于存在一些异常值的值。在这件事上,模糊时间序列建模,利用模糊方程和近似逻辑8]。此外,时间序列方法提出了基于时间序列和唱的概念(9]。利用混合模型或结合不同的模型是一种常见的方法来提高预测的准确性。组合模型的文献非常广泛,许多研究已经开展以来第一个在这个领域的研究(10- - - - - -12]。结合多个模型为预测的基本思想是利用每一个模型数据中不同的模式。实验和理论结果表明,结合不同的模型是一种有效的和有效的方法来提高预测的准确性(13]。预测研究提供了几种混合模型使用安(14]。

在这篇文章中,伊朗银行业的集中程度调查使用安,模糊回归,实证研究,电子银行的影响。模糊逻辑的基本概念是利用开发一种混合方法为了产生更好的预测以及获得更准确的结果,在安也要求更少的数据。在该方法中,神经网络参数作为模糊数,而不是决定性的。通过应用不确定性环境的神经网络结构以模糊数的形式,并利用模糊集的独特好处软计算,数据的数量需要培训和寻找可能的空间最优参数值降低。因此,神经网络更有效地调整参数,当可用数据网络小于其正常价值。

第二部分介绍了方法论的理论基础。部分3描述了基于ANN的混合模型和模糊回归。部分4州使用混合模型来调查电子银行如何影响伊朗银行业的集中程度。最后,结果分析和结论。

2。理论的方法论原则

本节提供了必要的概念和背景。

2.1。电子银行和服务

传统的交易方式的变换,代之以电子商务是信息革命的最重要的现象。因此,电子银行的主要基础设施是电子商务由于金钱和商业银行的作用。当然,银行和经济机构的角色的转移资金是至关重要的。当互联网显示其商业潜力及其科学研究方面,一些商业机构和银行是第一个机构,他们的努力试图利用这一趋势在发达国家。

他们的努力今天的电子银行是一样的。然后,它很快澄清,互联网是一个合适的工具,各种银行和经济活动。电子银行已经成为高度专业化,但高度复杂,世界上辩论,其适应不同国家的商业和经济政策需要仔细的研究和规划。

2.2。电子银行的定义和概念

在银行系统专家的观点,电子银行的定义如下:(1)电子银行可以定义为员工提供设施来增加他们的速度和效率提供本地银行服务,以及世界各地interbranch和银行间的流程,和为客户提供设备硬件和软件功能,他们可以执行所需的银行业务安全,有信心不需要物理存在银行里,每小时通过沟通渠道。(2)电子银行是基于使用先进的网络和通讯软件和硬件技术来交换电子资源和财务信息,而不需要实际存在的分支。(3)应用信息技术和通信平台(电信)向客户提供银行服务和产品24/7服务,以便客户不需要出席分支。(4)采用集中的银行系统,软件和硬件系统为客户提供银行服务在任何时间和地点。

2.3。电子银行产品、服务和网关

在电子银行的讨论中,有三个类别如下:(1)电子银行服务,(2)电子银行网关,和(3)电子银行产品,彼此密切相关。电子银行网关是那些提供电子银行服务。在这里,两种都提到了如下:(1)单任务操作网关:定义专门为电子银行和其他未定义的服务,如自动取款机(ATM)、销售(POS),和银行系统(2)多任务网关:无限的银行服务,比如网上银行、手机银行、电话银行

设备或服务提供给客户使用电子银行网关也称为电子银行产品,可称为银行卡类型。在结束时,所有银行业务由一个电子银行网关或产品被称为电子银行服务。

这些提到的服务通常分类如下:(1)电子银行终端和设备,包括以下:(我)自动取款机(2)银行亭(3)银行卡打印机(iv)分支读卡器(v)POS(2)银行卡包括以下几点:(我)借记卡(2)礼品卡(3)信用卡(iv)借记卡/信用卡(v)购物信用卡(vi)预付卡(3)虚拟银行系统,包括以下:(我)手机银行系统(2)电话银行系统(3)网上银行系统(iv)短信网关(v)电子支付网关(4)银行电子银行系统,包括以下:(我)国际银行帐户号码(伊班人),这是众所周知的在伊朗的美女(2)实时结算总额(银行均),这是众所周知的在伊朗SATNA(3)自动票据交换所(ACH),这是众所周知的在伊朗付(iv)Script-less证券结算系统(sss),这是众所周知的塔巴伊朗(v)基于电子资金转移系统(CEFTS),这是众所周知的在伊朗SAHAB

2.4。石灰和豪斯曼测试测试

偶尔,我们遇到的收集的数据可能被称为时间序列和确定的数据。这样的一组数据是通常被称为一个面板数据。我们有两个一般情况下估计面板数据模型。第一种情况是,y拦截是相同的所有部分,我们面对池数据模型。第二种情况是y拦截所有不同的部分,叫做面板数据模型。确定上述两种情况下,所谓的考验F-Limer执行。

因此,F-Limer测试是用来选择数据池和数据回归方法的面板。这个测试的统计如下:如果计算值F小于表值,H₀被接受且只有一个吗y应该使用拦截。否则,如果F大于计算F表,H₀被拒绝和接受集团的影响,和不同y应该考虑拦截。 在哪里是限制确定回归系数(分享吗y拦截),是无限制的确定系数的回归,n是逻辑的数量的观察,然后呢k是时间的数量。石灰(超)测试:使用石灰测试混合模型或面板模型之间做出选择。如果H₀被拒绝,混合模型,否则,应该用于确定面板数据建模。使用豪斯曼的测试中,我们决定使用固定效应还是随机效应模型。如果H₀被拒绝,我们使用固定效应模型;否则,我们使用随机效应模型(3]。豪斯曼测试:豪斯曼方法是用来澄清一个固定或随机模型的影响。固定效应的意思是我们单位y拦截,相比之下,随机效应将会有不同的价值观y拦截。F-Limer方法:评估变量是否结合使用F-Limer测试。面板数据分析使用F-Limer测试与数据相结合的方法。

2.5。Herfindahl-Hirschman竞争指数

几个指标可以用来估计不同企业的集中度和市场份额,如逆行业企业的数量,浓度的比例k公司Hannah-Kay指数(HKI),熵指数、Herfindahl-Hirschman指数(HHI)、基尼系数等。4]。在理论基础方面,Herfindahl-Hirschman指数比其他指标更健壮的和合理的。这个索引使用所有的信息产业公司。获得这个索引、平方和的生产、销售、资产,劳动力,和所有公司在行业或市场的利用。事实上,这种指数重每家公司市场份额,并写成方程(2)(见[15])。

2.6。Durbin-Watson测试

在回归分析中,特别是当变量评价时间间隔,随着时间的推移而更改数据可能遵循一个特定的模式。在这里,Durbin-Watson测试来检测此模式执行。独立的概念意味着一个观察的结果不影响另一个观察的结果。在回归分析中,我们经常遇到的问题nonindependent错误时,因变量的行为是在一段时间内调查。这种关系在数据是所谓的自相关。应该注意的是,如果使用的线性回归不能自相关可能存在错误。为了测试这个假说直观,图形studentized变量序列可以使用SPSS。尽管如此,最安全的方法是利用Durbin-Watson测试。其统计是介于0和4。如果没有连续残差之间的相关性,该统计量的值应接近2,在此基础上如果是接近于零,这表明正相关,如果它是接近4,它表明负相关。 Overall, if this statistic is between 1.5 and 2.5, there is no worry.

计算公式如下,使用一阶延迟: 在哪里的剩余部分t在回归方程T是观察的总数。

2.7。浓度指标

有多种方法来评估竞争状况和市场结构。这些方法分为结构化和非结构化的方法。结构方法包括领域和性能结构。第一种认为市场上强有力的浓度的共谋行为和性能的一个因素。另一方面,第二种类型意味着更好的性能和效率的影响的垄断行为,因此垄断结构。调查基于浓度比率结构结构的一个关键特性的方法。根据一些研究人员,市场集中度的大小可以被估计使用不同的索引如公司集中度、赫芬代尔指数反向的行业公司,Hannah-Kay指数熵指数和对数方差和公司大小。在这些指标中,理论上Herfindahl-Hirschman指数比其他指标更健壮的、合理的,这是通常用来测量浓度比其他索引。因此,Herfindahl-Hirschman浓度指数。

值得提到的结构性方法也有自己的类别,他们是相对和绝对的分为两类。它们之间的主要区别是,在相对指标,企业的数量的影响不考虑。然而,可以使用相对指标浓度评估合适的索引。最重要的相对指标包括基尼系数,琳达指数,调整浓度比率和分散的标准。后,将详细介绍每一个索引。为了更好地理解这个概念,考虑浓度曲线见图1。

浓度曲线坐标系统的说明,在水平轴上的总数量公司在市场上,和它的垂直轴是现有企业的总比例的一个特定的指数相对于综合指数(例如,这些公司的总生产的比例相对于总输出)。在横轴上,公司内部机密的范围小到大。出于这个原因,曲线的凸性是向下的,如果所有的公司都是平等的大小,曲线是一条直线。换句话说,曲线的凸性是由于不同大小的公司,并与表面浓度曲线的交点代表该行业的公司数量的100%。因此,可以说,当一个行业的浓度曲线向左上方和另一个行业(A)的浓度,曲线会有更高浓度的学位。然而,这显然是不可能讨论这两个浓度曲线的交点(B, C),见图1。

2.8。人工神经网络

安是一个有能力的和有用的方法来估算中的多个非线性数据和计算框架是一个灵活广泛的非线性问题。相比于其他非线性模型,这种模型的明显的好处之一是,安是一个通用的近似方法,可以近似任何函数准确(16]。神经网络的力量是并行处理的数据信息。值得提到这种网络不需要任何假设的形状模型的建模过程,通常是一个基于数据模型。前馈神经网络与隐层是最常用的神经网络模型来预测时间序列(7]。这些模型包括三个简单层相互关联的信息处理。输出之间的关系和输入 如下: 在哪里和模型参数,通常被称为连接权重;输入节点的数量;和是隐藏节点的数量。和也是中间的激活功能层和输出层,分别。乙状结肠(关系(4))和线性函数的一些常用的函数作为激活函数为隐层和输出层。

人工神经网络的两个模型(方程(4)实际上是一个非线性映射过去观测未来的价值。 在哪里是向量的所有参数和是函数确定神经网络结构和连接权重。因此,神经网络等价的非线性自回归模型。方程(6)也指出,在输出层神经元用于一步预测。说的简单模型(6)有一个非常高的近似的力量,因为如果隐藏节点的数量bot建设足够大,它可以近似任意函数。neural-like结构简单,较少的隐层神经元,经常在样本外预测性能更好的避免过度拟合的问题,主要集中在神经网络建模过程。overfitted模型适合用于构建模型的数据(训练集),但其发展为样本外数据很差17]。隐层神经元的数量取决于数据,也没有系统的规则确定该参数神经网络的设计。此外,神经网络建模的另一个重要的步骤是选择的干扰观测作为输入网络门户,这可能是最重要的ANN模型的设计参数,这个参数中扮演着关键角色来确定结构的非线性时间序列的相关性。

没有具体的理论选择 。因此,经验将确定适当的值和 。的网络结构和指定,网络已经准备好培训和估计参数。类似于模型自回归综合移动平均,参数估计减少精度标准的均值广场等错误。学习过程是由非线性优化算法如误差传播。估计模型通常是由一个单独的评估样本中未使用的学习过程(测试数据),这不同于建模过程集成的自回归移动平均模型,使用一个示例识别、估计和评价模型。这样做的原因是,一般的(线性)模型是预先确定的模型自回归综合移动平均(18]。如果这不是在神经网络建模、和ANN建模、非线性模型必须估计模型秩序和网络可能发生overfitted。

2.9。模糊回归

经典的回归包含强烈的影响回归模型的统计特性。例如,自相关的正常与否和常数误差方差的假设违反任何这些假设无效经典回归分析的结果。在大多数情况下,很难证明这些假设或在某些情况下,他们不能正确使用。例如,观察或定义系统的可能影响人类或不准确的估计和判断,和信息不足的使用变量。一般来说,尽管古典回归有很多用途,它会误导在以下情况:(1)没有足够的观测数据(2)错误不遵循正态分布(3)独立和依赖的变量之间的关系是模糊的(4)对一个事件有歧义(5)有不正确的线性化的假设

在这种情况下,经典的回归方法及其假说很难证明,使用模糊回归的概率分布不精确或模糊系统可能会增加我们的理解和结果19]。在这里,有几个模糊回归模型。摘要模糊回归模型被开发,达到最佳回归方程通过最小化模糊性。为了达到一个不错的选择,必须开发一种优化模型。关于这一事实的三角形隶属度函数用来表示模糊数,模糊回归可以制定为一个线性规划问题。在这项研究中使用的模糊可能性回归模型是一个模型的输入和输出在哪里nonfuzzy数字,但计算参数是模糊数。

的隶属函数的系数回归模型的形式是对称三角模糊数,定义如下: 在哪里是一个模糊集的隶属函数和回归系数表示。在上面的关系,和 ,分别是隶属函数的中心和宽度,所以 (20.]。因此,回归方程可以写成:

2.10。制定一个混合模型

如前所述,尽管人工神经网络预测模型是准确的范围广泛的问题,它们包含一些限制过去大量的数据来获得准确的结果,而今天,它常常需要使用低数据预测未来情况在短期时期由于环境的不确定性和新技术的快速发展。因此,在当今世界,预测方法要求需要更少的数据,在这种情况下是有效的。模糊回归模型是一个很好的基础预测模型在低数据条件下,但并不总是表现良好。本文的目的是展示模糊回归预测时间序列的优点和需要克服的局限性在安大数据预测的方法。

神经网络参数(重量和偏见)是确定的值 , , ,和而在该方法,而不是应用这些明确的价值观,是三角模糊数的因素 。 在哪里是观察和 , 模糊数。现在方程(9),将 改变如下:

这个方程给出的模糊参数依照(三角模糊数4)。假设 ,这 定义如下:

如果和输出神经元的权重关系,一层一层的中间神经元,

混合方法的步骤如下:(我)第一步:训练神经网络模型中包含的信息使用观察(nonphase)。第一步的结果参数的最优解 这是作为一个输入数据集在第二步。(2)第二步:确定最小模糊使用方程(10),从第一步获得的权重 。约束的数量等于观测的数量,基于该混合模型 在哪里 分别是模糊数中心和扩张。(3)第三步:根据Ishibuchi的观点,模型的上、下界的数据将被取消当混合模型的范围扩大。生成一个模型,该模型包含了所有可能的条件下,如果数据集包含不同的数据将是巨大的差异或界外。

2.11。方法

目前的研究是一个应用程序和定量方面的应用方法。在这项研究中使用的方法是计算浓度和计量经济学指标。集中程度将使用Herfindahl-Hirschman指数衡量,混合模糊回归神经网络方法用于调查电子银行对浓度的影响程度。研究本文的变量如下:(我)银行存款的银行的股票(2)银行自动取款机数量分开(3)彼得·辛格由银行的数量(iv)PINPADs数量由一家银行

在这项研究中使用的数据是数据和图表的2010 - 2018年期间的研究中使用的数据。这项研究的人口统计包括13伊朗银行。数据收集方法的库(数据库)空间研究领域,伊朗银行和伊朗银行的研究领域。因为本研究的主要目的是检查伊朗银行业的结构,并确定的严重性电子银行对这个行业的集中程度的影响。

有必要研究两个部分:(1)在第一部分中,不同类型的市场结构测量指标评估和最合适的一个有关伊朗银行业。然后,电子银行的影响在每个现有的银行在这个行业的集中程度进行了分析和数学模型开发的结果。(2)在第二部分,我们也估计经验的影响。

3所示。引入模糊回归模型

初始模糊回归方程如下:

换句话说,如果中心是一个积极的和重要的数字,这意味着每个银行和电子银行吸引了更多存款增加了银行的份额。然而,如果中心是负的和重要的,这表示,电子银行取消了更多的银行存款和减少了分享,在此基础上可能会有双重供给和需求对网络效应的影响。这对银行的负面影响,这可能会降低消费者的影响通过不良消费信息。因此,如果市场份额和电子银行之间的关系是积极的,它表示一个网络效应;但是如果这种关系是负的,没有明确的结论可以声明对其原因。

在这里,我们考虑的三个输入通道检查电子银行对市场集中度的影响对存款的观点:(我)自动取款机(2)PINPAD(3)POS(iv)此外,NB和RI代表分支和利率的数量,分别。他们还控制变量。

赫芬代尔和赫希曼指数探讨了集中程度上银行的相对大小,有必要计算并输入变量比例: 在哪里 的比例是每家银行的存款银行存款总额t(这是模糊的估值), 自动取款机的数量的比例是每一年银行自动取款机的总数吗t, PINPADs人数的比例是每个银行的总数PINPADs年吗t, 彼得的数量的比例是每家银行的总数银行的彼得·年吗t, 的比例是每个银行的数量的分支的总分支机构的银行t,是指定的利率(分别为政府和私人银行)为每个银行年吗 。

因此,关系的回归方程(16)可以改写如下和关系(11)如下: 这和年代的向量的值中心,周围的因素及其宽度。我们写为便于工作 在哪里

应该注意的是,这些变量是指的应用没有提到他们比方便打电话给变量的名称。

3.1。预测评价指标

在本文中,一种优化技术是利用神经网络目标函数最小化。因此,我们使用方程(10)来衡量神经网络的预测精度目标函数所代表的象征 。的值越接近为零,预测精度也越大。另一方面,通过选择目标函数中引入方程(10)和训练神经网络,得到神经网络权值,可以认为是回归系数。

3.2。决策

模型的回归系数是模糊数,输出变量的模糊。因此,为了用于决策和比较,它必须被转换成一个nonfuzzy号码。每一个模糊集的过程被分配一个号码被称为“去模糊化,”,有几种方法可以应用它。本文使用重心法,这是定义在以下方程:

3.3。估计模型

这个模型被认为是在2010 - 2018年期间。我们第一次使用触摸屏软件估计回归模型。第一个原则估计回归模型是研究的stationability变量。对于大多数宏观经济时间序列变量非平稳的,如果模型变量之间的长期关系不是调查,估计回归可能是假的,因此,有必要研究变量之间的长期关系模型。为了这个目的,我们使用单位根检验和总结模式。

在这项研究中,总结模型是使用,因为它是一般包括其他类型的stationability测试。特别关注莱文,林,咄的分析方法研究变量的stationability总之模式。表1报告单位根测试变量的ATM, PINPAD, f POS, NB, RI。所有这些变量,执行一个测试。对所有变量,基于H₀和获得的概率,单位根的存在被拒绝单位根变量不存在,这意味着所有的变量是静止的。从这个测试中列出表的信息1。

现在,关于stationability所有的变量,我们可以估计在小组环境中。当然,有必要检查模型是否池或面板,和效果是固定的还是随机的。因此,首先,通过使用F-Limer测试中,我们检查面板模型或池数据,然后利用豪斯曼检验,我们评估模型的固定或随机效应。的F造成怎样的影响和豪斯曼测试了ATM PINPAD组成的模型变量,POS, NB, RI。实验结果提供了表2。考虑的概率值F-Limer测试,H₀被拒绝和池的面板模型证实。此外,对于豪斯曼的概率测试H₀被拒绝和固定效应模型和随机效应证实。

因此,获得stationability变量的可靠性,我们知道我们有一个用固定效应面板模型。现在估计,我们有自动取款机,PINPAD POS、NB, RI变量以及存款和我们做出初步估计。由于获得的系数模糊数和模糊数从磁带和添加一个宽值获得中央值,它将被视为完成。为了解决这个问题,我们使用方程(20.)defuzzify估计去模糊化系数值。评估的结果在表描述3。

Durbin-Watson数值分别为(1.0170)和(0.9826),。对于Durbin-Watson数值,可以说,患有自相关模型。为此,我们插入AR(1)模型。我们也估计模型在不同的场景中使用上面的变量。最好的情况是打断了ATM的模型变量。即概率值显著,Akaike和施瓦兹标准最低的。然而,可以肯定的是,我们还使用ATM变量中断1或2,中断结构测试和中断2相对于中断1被确认为ATM变量。因此,我们为ATM变量设置中断1,表示在表4。

沃森的数值杜宾和分别为(2.14)和(0.99),。关于确定系数 ,可以说,回归方程估计高达0.99%的存款变化。同时,鉴于Durbin-Watson的大小,这是足够接近2号,我们可以说,我们面临着自相关。这意味着错误的时间和是独立的。国际扶轮的概率值变量仍不显著,它应该被排除在模型。因此,我们把剩余的变量的系数作为神经网络的初始权值和训练神经网络。这项研究的结果发表在表5。

Durbin-Watson数字(网络输出中心,沉积中心)(2.17)(0.99)。就像前面提到过的表,Durbin-Watson率和确定系数( )合适的数量,可以被认为是相同的解释。现在获取近似,我们最好考虑系数表5的初始权重,模糊回归神经网络模型以及训练神经网络来获取最优权重,我们提出的模型是实现如下:

神经网络训练的普通最小二乘误差的方法。的一般形式,相当于回归,等于因变量的均值时,解释变量为零。它也在这里 , 等于平均价值的存款份额时,解释变量为零。此外, , , , 显示平均增加存款单位提高NB,彼得,PINPADs的数量,自动取款机和RI的数量。估计显示,自动取款机有负面影响,PINPADs和彼得对银行存款份额有积极的影响。总体而言,可以说,电子银行有一个积极的影响银行的存款比率。NB的积极的变异系数也获得了这表明随着NB的增加,银行将有更多的存款份额。

此外,没有由于面板模型进行稳定性测试和触摸屏的使用软件。这是因为,根据触摸屏软件,这个测试在小组环境中是不可能的。应该注意的是,面板输出通常用于获取变量的关系和强度变量的关系。

正如之前所讨论的,本文的目的是探索的主要电子银行对浓度的影响程度,而上面的关系,即。,the positive relationship between e-banking and bank deposit share, does not explain how the industry’s concentration (deposit viewpoint) has changed. Discussion on how e-banking has an impact on the concentration degree, in addition to the knowledge of the above relationship, i.e., the positive relationship between e-banking and bank deposit contributions, requires descriptive statistics and data analysis. If, however, there is an increase in the market share of the bank (because of e-banking deduced from the analysis), the degree of concentration in the banking industry would increase due to the increase in the relative size of existing banks.

但如果银行市场份额的增加对减少现有的相对大小银行,银行业的集中程度也将下降。因此,扩大电子银行的影响在伊朗银行业的集中程度,换句话说,评估银行的相对大小的变化对电子银行,除了检查电子银行对银行的影响贡献的混合模型神经network-fuzzy回归,也用描述性统计。这是使用Excel软件。一般来说,它应该清楚到什么程度的增加或减少银行的股票一直在有利于集中程度增加或减少浓度。

4所示。描述性统计和数据分析

4.1。伊朗银行的排名和分类

在描述性统计和数据分析部分,我们首先需要将现有的银行分为三个小,介质,和大部门,基于与其他银行存款的数量,因为我们需要这个细分为进一步工作和进一步调查。使用以下步骤来确定大小和伊朗银行的评级:(1)我们获得的平均每个银行的存款的比例每个银行的总存款(2010年- 2018年)(一年 )期间1 - 9(2)我们把银行分为三个类别:大,中,小

这项研究的结果发表在表6。

根据第二列的表6,它可以表示,在2010年- 2018年,存款的观点,银行编号从1到21日,分别占最高最低的市场份额。

我们现在需要把银行分为三个类别:(1)大型银行:银行拥有超过10%的市场份额,命名为银行1到4(2)中型银行:银行之间的1%和10%的市场份额,命名为银行5到15(3)小银行:银行不到1%的市场份额,命名为银行16 - 21所示

4.2。描述性统计

如前所述,探讨e -银行的影响在伊朗银行业的集中程度,除了了解电子银行如何影响股票市场(前面讨论)我们需要知道银行的经验分享的增加或减少由于电子银行。以下六个模式可以被认为是:(我)大银行有更高的份额(2)中型银行有更高的份额(3)中型银行份额较低(iv)小银行有较低的份额

如果下降是由于银行为了增加市场份额的增加现有银行的相对比例的差异,然后集中在银行业将会增加。另一方面,如果这个下降是由于银行市场份额的增加以减少现有的相对比例的不同银行,银行业的市场集中度将减少。例如,如果大型银行的持股比例的下降是强于中小银行之一,现有银行的相对大小的差异将减少,因此行业的浓度将会降低。

然而,如果这种下降趋势在小银行股东的性能更强,将增加的相对大小的区别现有的银行,和行业的集中程度也会增加。此外,如果大型银行的持股比例的增加比中小银行之一,不同大小的相对会增加现有的银行,和行业的集中程度也会增加。然而,如果小银行的持股比例的增加变得更强,现有银行的差异大小的相对减少,因此行业的集中程度将会降低。

当然,基于回归模型的结果,即,the positive relationship between e-banking and banks’ share (deposit viewpoint) as well as the benefit of all existing banks in the sample of e-banking, one can only say that the problem of increasing banks’ share is being faced. Now, the main question will be raised whether large banks are experiencing more growth, or medium banks or small banks.

因此,我们需要的答案是如何种植的好处电子银行以及银行间存款如何种植。了解银行的规模进行分类后,电子银行收益的平均年增长率和平均增长率需要知道有多少银行经验的电子银行和存款的比例增加。存款的平均年增长率的三组大,中,小型银行在表提供7。

现在,为了更好地评估和比较大的三组,中、小银行,我们需要表示的平均年增长率,以及电子银行的平均增长率对所有三组银行规模的数值形式,这显然是观察表8。

电子银行效益和随后的平均增长率(由于隐含的正相关回归模型)更高的平均存款市场增长率。关于上面的表的结果,小银行经历了电子银行盈利能力的增加,随后更多的存款增长。换句话说,现有的相对大小银行已经减少,和行业的集中程度萎缩。因此,电子银行可以减少在伊朗银行业的集中程度。为了确保这一结论的准确性和一致性程度的现实趋势在伊朗银行业,我们调查行业的集中程度。在分析伊朗银行业的集中程度,我们将有另一个可用的数据分析。从这方面看这个问题(我们会继续说)并非没有道理在伊朗预测浓度的过程。

如表9所示,电子银行收益的增长率数据,和小银行的存款增长数据集,比相同的数据分散在中型和大型银行集。这表明,尽管存款增长总体良好和小银行电子银行的好处,并不是所有的银行在这个组合有相同的性能,和银行高的分布。换句话说,只有存款和电子银行的好处非常大的增长在一些银行的小银行复杂导致增长率高于中型和大型银行。事实上,如果这种性能延伸到其他银行在这个组合,假定其他条件的稳定性,我们很快就会看到这个组合的进一步增长,和集中程度进一步下降。

4.3。伊朗银行业的集中程度

如上所述,为了确保结论的准确性和一致性,电子银行减少了伊朗银行业的集中程度,与集中程度的现实,伊朗银行业的集中程度获得了2010 - 2018年期间。表中列出的结果10经过必要的计算。

根据观察Herfindahl-Hirschman指数,或非竞争性行业竞争力,很明显,银行业正在经历一场浓度下降和行业正在慢慢从紧松寡头垄断寡头垄断。

4.4。结果分析

浓度的下降原因的分析指出,银行的份额减少了由于小银行的份额的增加。另一方面,模型的估计表明,有一个积极的关系使用电子银行和银行的份额。人们已经发现,小银行有强烈利用电子银行,这将导致增加他们的分享,从而减少集中程度。因此,可以得出结论,电子银行减少了伊朗的集中程度。从表可以观察到11的过程,因为存款的比例分配(第二列所示)的提高,PINPAD分布和彼得的分布的过程(在第三和第四列)也可以改善。换句话说,他们的色散递减。

这个概念是更好的理解在表12。如表所示12,存款的平均色散增长数据(变异系数)的存款数据,PINPADs,彼得强烈下降。

使用我们的方法获得的结果是一样的结果21]。然而,在我们的方法中,不确定性也被认为是。

5。结论

在伊朗银行业,所有银行利用电子银行。总结电子银行的影响在伊朗银行业的集中程度,或者检查银行的相对大小改变对电子银行,除了调查电子银行对银行的影响,混合人工神经网络应用模糊回归和描述性统计也被使用。这是因为它是必要的,以确定哪些银行的股票的增加或减少的银行为了讨论增加或减少集中程度。因此,市场集中度对伊朗的银行业已经减少了。

浓度的下降原因的分析表明,银行的份额减少了由于小银行的份额的增加。另一方面,模型的估计表明,有一个积极的关系使用电子银行和银行的份额。也发现小银行有更多强烈使用电子银行,从而增加他们的份额,从而减少集中程度。因此,可以得出结论,电子银行减少了集中程度。考试伊朗银行业的集中程度也按照这个结论。

数据可用性

数值数据用于支持本研究的结果中包括这篇文章。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

引用

1. f . Khodadad喀什和p .贾法里”,评估结构在伊朗银行业的影响,“《经济研究》杂志卷,47号1,第91 - 71页,2012。视图:出版商的网站|谷歌学术搜索
2. m·加藤和y Honjo”,市场份额不稳定和动态的竞争:日本制造业的面板数据分析,“对产业组织,28卷,不。2、165 - 182年,2006页。视图:出版商的网站|谷歌学术搜索
3. 答:对牛群,计量经济学,Farhang Shenasi出版物,德黑兰,伊朗,第七版,2009年版。
4. 伊斯法罕的m . Khashei”,预测和分析钢铁公司产品价格在德黑兰金属exchangeusing arti脸部用的神经网络,“伊斯法罕科技大学,伊斯法罕,伊朗,2005年,理科硕士论文。视图:谷歌学术搜索
5. 美国康”,调查使用前馈神经网络进行预报,“肯特StateUniversity肯特哦,美国1991年博士论文。视图:谷歌学术搜索
6. h .田中“模糊可能性线性模型分析的数据,”模糊集和系统,24卷,不。3、363 - 375年,1987页。视图:出版商的网站|谷歌学术搜索
7. h .田中和h . Ishibuchi可能性回归分析基于线性规划,”模糊回归分析Physica-Verlag,页47 - 70年,德国海德堡1992。视图:谷歌学术搜索
8. 问:歌曲和b s Chissom“预测与模糊时间series-part我入学,”模糊集和系统,54卷,不。1、1 - 9,1993页。视图:出版商的网站|谷歌学术搜索
9. S.-M。陈,“基于模糊时间序列预测入学。”模糊集和系统,卷81,不。3、311 - 319年,1996页。视图:出版商的网站|谷歌学术搜索
10. j·m·贝茨和c·w·j·格兰杰的组合预测,“运筹学的社会,20卷,不。4、451 - 468年,1969页。视图:出版商的网站|谷歌学术搜索
11. r·t·这本“结合预测:评论和注释的书目,“国际期刊的预测,5卷,不。4、559 - 583年,1989页。视图:出版商的网站|谷歌学术搜索
12. d·j·里德,”相结合三个国内生产总值(gdp)的估计,”受到经济,35卷,不。140年,第444 - 431页,1968年。视图:出版商的网站|谷歌学术搜索
13. 大肠cadena和w·里维拉风速预测在三个不同的区域,使用混合ARIMA-ANN模型,”可再生能源,35卷,不。12日,第2738 - 2732页,2010年。视图:出版商的网站|谷歌学术搜索
14. M.-Y。程,H.-C。蔡,e . Sudjono“进化模糊混合神经网络对项目现金流控制,”人工智能技术的工程应用,23卷,不。4、604 - 613年,2010页。视图:出版商的网站|谷歌学术搜索
15. p.h. Basturk“土耳其保险行业的特点和竞争结构。”Procedia-Social和行为科学卷,62年,第1088 - 1084页,2012年。视图:出版商的网站|谷歌学术搜索
16. m . Khashei m . Bijari, g . a . Raissi Ardali,“改善自回归移动平均模型集成使用模糊逻辑与人工神经网络(ann),“Neurocomputing,卷72,不。4 - 6,956 - 967年,2009页。视图:出版商的网站|谷歌学术搜索
17. 赖和k . k . s . l . Yu Wang,“一种新颖的非线性集成预测模型结合沉淀泥和安外汇利率,”电脑与行动研究,32卷,不。10日,2523 - 2541年,2005页。视图:出版商的网站|谷歌学术搜索
18. r·菲尔德斯和s . Makridakis”的影响实证研究时间序列分析和预测准确性,”在统计学第一节国际统计审查/ Revue国际歌,卷63,不。3、289 - 308年,1995页。视图:出版商的网站|谷歌学术搜索
19. a·f·夏皮罗,“模糊回归和利率的期限结构,”第十四届国际AFIR学报》讨论会美国,页29-45,波士顿,MA, 2004年4月。视图:谷歌学术搜索
20. h·f·王,r . c . Tsaur“模糊回归模型,”模糊集和系统,卷112,不。3、355 - 369年,2000页。视图:谷歌学术搜索
21. h . s . Shamsedin和n . Dargazani”电子银行存款的影响吸引和银行业市场集中度在伊朗,伊朗,”经济评论,24卷,不。2、545 - 565年,2020页。视图:谷歌学术搜索

版权

版权©2021 Zohreh Ghasemi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。