طراحی و تبیین مدلی جهت پیش‌بینی و مکان‌یابی خودپردازهای سودده بانک تجارت شهر همدان با رویکرد امنیت و پیشگیری از سرقت با استفاده از الگوریتم‌های داده‌کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار و عضو هیئت علمی گروه مدیریت، اقتصاد و حسابداری، دانشگاه پیام نور، تهران( صندوق پستی4697-19395 تهران)، ایران

2 گروه مدیریت، اقتصاد و حسابداری، دانشگاه پیام نور، تهران، ایران

3 کارشناسی ارشد مهندسی کامپیوتر، گرایش هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی ، همدان، ایران

4 گروه مدیریت، اقتصاد و حسابداری، دانشگه پیام نور، تهران( صندوق پستی4697-19395 تهران)، ایران

چکیده

مروزه، دستگاه‌های خودپرداز عملیات بانکی را متحول کرده‌اند. با وجود این دستگاه‌ها، دیگر لازم نیست کسی برای دریافت پول در صف‌های طولانی بانک معطل شود. نصب این دستگاه در یک مکان برای بانک‌ها می‌تواند ازنظر امنیتی خطرساز باشد. ازاین‌رو، مکان‌یابی صحیح امنیتی و مناسب خودپرداز در یک شهر می‌تواند باعث افزایش امنیت بانک و جلوگیری از سرقت شود. در این مقاله با استفاده از روش‌های مختلف داده‌کاوی مانند الگوریتم نزدیک‌ترین همسایه، رافست، الگوریتم درخت طبقه‌بندی، رگرسیون و شبکة عصبی به پیش‌بینی تعداد دستگاه‌های خودپرداز موردنیاز یک بانک و جانمایی صحیح آن می‌پردازیم. با توجه به نتایج به‌دست‌آمده از تحقیق، دریافتیم که استفاده از ابزارهای داده‌کاوی می‌تواند به مسئولین در پیش‌بینی و جانمایی تعداد خودپرداز موردنیاز در شهر همدان کمک کند و باعث جلوگیری از سرقت، افزایش ضریب امنیتی و بهبود فعالیت‌های امنیتی پلیس گردد. در این پژوهش، علاوه بر درنظرگرفتن سوددهی خودپردازها، ضریب امنیتی مکان‌یابی هر شعبه را نیز در الگوریتم‌های داده‌کاوی مدنظر قرار دادیم. نتایج نشان داد که توجه به شاخص‌های: مدت قرارداد، کل کارمزد، کل تراکنش‌ها و تعداد خودپردازها در هر منطقه، میزان سرقت در منطقه، مسافت نزدیک‌ترین کلانتری، تعداد دوربین‌های مداربسته منطقه، تراکم جمعیت و تعداد نگهبان‌ها، در تصمیم‌گیری، پیش‌بینی تعداد و جانمایی خودپرداز‌ها بسیار حائز اهمیت است. این شاخص‌ها مبنایی برای پیش‌بینی تعداد خودپرداز‌های سودده نیز خواهند بود. همچنین، الگوریتم ماشین بردار پشتیبان با جذر میانگین مربعات خطای 8 درصد، قابلیت برآورد بهتری را نسبت به سایر الگوریتم‌ها دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Designing and Explaining a Model for Profitable Automated Teller Machines (ATMs) Predicting and Locating of Tejarat-Bank in Hamadan Based on Security and Theft Prevention Approach using Data Mining Algorithms

نویسندگان [English]

  • Orkideh Hamedi 1
  • Mohammad Amin Torabi 2
  • Mohammad Rafieenia 3
  • Navid Esfandiari 4
1 Assistant Professor and Faculty Member, Department of Management, Economics and Accounting, Payame Noor University, Tehran (PO Box 4697-19395 Tehran), Iran
2 Department of Management, Economics and Accounting, Payame Noor University, Tehran, Iran
3 Master of Computer Engineering, Artificial Intelligence, Faculty of Computer Engineering, Islamic Azad University, Hamadan, Iran
4 Department of Management, Economics and Accounting, Payame Noor University, Tehran (PO Box 4697-19395 Tehran), Iran
چکیده [English]

Nowadays, use of automated teller machines (ATMs) have revolutionized the whole banking processes. There is no need for anyone to linger in long queues at the bank to receive money due to ATMs existence. ATM Installation at one site isn't risk-free and could be dangerous for banks in terms of security; therefore, bank security can be increased and theft can be prevented by the right and appropriate security locating of the ATM in a city. In this study, we investigate the prediction of the ATMs number required for a bank and their right locating using various data mining methods such as k-nearest neighbor’s algorithm (k-NN), Rough Sets, classification tree algorithm, regression and neural network. The results of this study illustrate that the use of data mining tools can help officials in predicting and locating the required number of ATMs in Hamadan and prevent theft, increase security, and improve police security activities. In addition to considering the profitability of ATMs, the security coefficient of locating each branch is also considered in the data mining models considered in this study. According to the results, it is very important to pay attention to the following indicators in decision making, predicting number and ATMs locating: contract duration, total commission, total transactions and number of ATMs in each district, theft rate in the district, distance to the nearest police station, number of CCTV cameras in the district, population density and number of guards. Also, these indicators will be the basis for predicting the number of profitable ATMs. The support vector machines (SVMs) algorithm with root mean square error (RMSE) of 8% has better estimation capability than other algorithms.

کلیدواژه‌ها [English]

  • Data Mining
  • ATM security
  • Theft Prevention
  1. اسدی، م. (۱۳۹۵). تشخیص پول‌شویی در سیستم بانکی با استفاده از الگوریتم ژنتیک و شبکة عصبی. کنفرانس بین‌المللی پژوهش‌های نوین در علوم مهندسی، تهران.
  2. اکبری‌خطیر، م؛ همایون‌زاده‌بائی، ر؛ و خنداخند م. (1395). دسته‌بندی مشتریان برای به‌کارگیری بازاریابی مستقیم از طریق داده‌کاوی (مطالعه موردی: بانک کشاورزی). کنفرانس جهانی مدیریت، اقتصاد حسابداری و علوم انسانی در آغاز هزاره سوم.
  3. اصغری، علی و توانگر، مولود. (1391). بررسی راهکارهای امنیتی در ماشین‌های ATM، کارت‌خوان و آسیب‌شناسی آن‌ها. اولین همایش منطقه‌ای پژوهش‌ها و راه‌کارهای نوین در حسابداری و مدیریت، تنکابن.
  4. بازگیر، ع. (۱۳۹۵). واکاوی روش‌های تجهیز و تخصیص منابع در نظام بانکی ایران با طبقه‌بندی مشتریان به‌وسیلة الگوریتم‌های داده‌کاوی و شبکه‌های عصبی مصنوعی.
  5. دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق، رودسر.
  6. بانک مرکزی. (1381). مقررات حاکم بر مرکز شتاب. بانک مرکزی جمهوری اسلامی ایران.

 

 

 

 

 

  1. تقوی‌فرد، م؛ نادعلی، ا. (2012). طبقه‌بندی متقاضیان تسهیلات اعتباری بانکی با استفاده از داده‌کاوی و منطق فازی. مطالعات مدیریت صنعتی، 9(25)، 85-107.
  2. چهاردولی، م. (1394). بررسی کارایی روش رافست و نزدیک‌ترین همسایه در تخمین قیمت سهام پذیرفته‌شده در بورس اوراق بهادار تهران (پایان­نامه کارشناسی ارشد). دانشگاه آزاد اسلامی، همدان.
  3. خطیر، م. ا؛ بائی، ر. و خنداخند، م. (۱۳۹۵). دسته‌بندی مشتریان برای به‌کارگیری بازاریابی مستقیم از طریق داده‌کاوی (مطالعه موردی: بانک کشاورزی). کنفرانس جهانی مدیریت، اقتصاد حسابداری و علوم انسانی در آغاز هزاره سوم، شیراز.
  4. صادقی، ت. (1391). شاخص‌های پذیرش و توسعه بانکداری الکترونیک در ایران (با نگاهی به تجارب سایر شهرها). نشریه پژوهش‌های پولی و بانکی، 3(8)، 243-277.
  5. صادق‌زاده، مهدی؛ خادم‌زاده، احمد. (1388). ارائه طرحی جهت افزایش ضریب امنیت در دسترسی کاربران به اطلاعات نظام سلامت. کنفرانس شهر الکترونیک، پژوهشکده فناوری اطلاعات و ارتباطات جهاد دانشگاهی، دوره2.
  6. طاهائی، س. ل. و آرا، ف. ص. (۱۳۹۵). ارائه روشی برای پیش‌بینی موفق در بازاریابی تلفنی بانک با استفاده از الگوریتم‌های داده‌کاوی. اولین کنفرانس بین‌المللی دستاوردهای نوین پژوهشی در مهندسی برق و کامپیوتر.
  7. عالیشاهی، م؛ و پورعالی­زمینی، ف. ق. (۱۳۹۵). به‌کارگیری روش‌های هوش تجاری و داده‌کاوی در سیستم‌های اطلاعات مدیریت مطالعه موردی: پیاده‌سازی مفاهیم و کاربردهای هوش تجاری در بانک مسکن. نخستین کنفرانس بین‌المللی پارادیم­های نوین مدیریت هوشمندی تجاری و سازمانی، تهران.
  8. عالیشاهی، م؛ قربان پورعالی­زمینی، ف. (1395). به‌کارگیری روش‌های هوش تجاری و داده‌کاوی در سیستم‌های اطلاعات مدیریت مطالعه موردی: پیاده‌سازی مفاهیم و کاربردهای هوش تجاری در بانک مسکن. نخستین کنفرانس بین‌المللی پارادیم­های نوین مدیریت هوشمندی تجاری و سازمانی.

 

 

 

 

 

 

  1. فردین ابدالی، م؛ مصطفی، ع. (1395). مطالعه جامع اعتبار سنجی مشتریان بانک و ارائه یک روش اعتبار سنجی با تکنیک داده‌کاوی و منطق فازی. اولین کنفرانس ملی رویکردهای نو در مهندسی برق و کامپیوتر.
  2. کریمی، س. (۱۳۹۵). تأثیر هوش تجاری بر صنعت بانکداری. اولین کنفرانس بین‌المللی هوش تجاری ایران، تهران.
  3. کیهان. (1351). ورود ATM به ایران. روزنامه کیهان، ص ۱۹.
  4. محمدی، ف. ا؛ علیوند، م. (۱۳۹۵). مطالعه جامع اعتبارسنجی مشتریان بانک و ارائه یک روش اعتبار سنجی با تکنیک داده‌کاوی و منطق فازی. اولین کنفرانس ملی رویکردهای نو در مهندسی برق و کامپیوتر، لرستان، خرم‌آباد.
  5. ملائی، م؛ پارسا، س. (1395). پیش‌بینی رفتار مشتریان با استفاده از تکنیک شبکه‌های عصبی مصنوعی. شباک، 2(3).
  6. نجمی، پ؛ راد، ع؛ شعار، م. (2018). پیش‌بینی رویگردانی مشتریان بانک با استفاده از روش داده‌کاوی. فصلنامه مدیریت صنعتی، 13(44)، 99-111.
  7. نوری‌بروجردی، پ؛ جلیلی، م؛ مردانی، ف. (1389). بررسی تأثیر تمرکز و سایر عوامل در صنعت بانکداری بر سودآوری بانک‌های دولتی. پژوهش‌های پولی-بانکی، 5(1)، 175-202.
  8. نیل‌چی، م؛ مقدم، خ؛ ناصر، ع؛ فرهادیان، ع. (1397). پیش‌بینی ریسک تسهیلات پرداختی با استفاده از ابزارهای داده‌کاوی. فصلنامه پژوهش‌های پولی-بانکی، 11(38)، 625-654.
    1. Bilir, C., & Döşeyen, A. (2018). Optimization of ATM and branch cash operations using an integrated cash requirement forecasting and cash optimization model. Business &Management Studies: An International Journal6(1), 237-255.
    2. Godinho, P., Dias, J., & Torres, P. (2019). An Application of Data Mining Methods to the Analysis of Bank Customer Profitability and Buying Behavior. Data Analysis and Applications 1: Clustering and Regression, Modeling‐estimating, Forecasting and Data Mining2, 225-240.

 

 

 

 

 

 

  1. Gutiérrez-Esparza, J. C., & Gómez-Hernández, J. J. (2017). Inverse Modeling Aided by the Classification and Regression Tree (CART) Algorithm. In Geostatistics Valencia 2016 (pp. 805-819). Springer, Cham.
  2. Kamusweke, K., Nyirenda, M., & onde Kabemba, M. (2019). A Data Mining Model for Predicting and Forecasting Fraud in Banks.".
  3. Kaur, M., Bhaddal, P., & Singh, G. (2019). Calculation of client credit risk prediction in banking sector using data mining.
  4. Madhavi, S., Abirami, S., Bharathi, C., Ekambaram, B., Sankar, T. K., Nattudurai, A., & Vijayarangan, N. (2014). ATM Service Analysis Using Predictive Data Mining. International Journal of Computer, Electrical, Automation, Control and Information Engineering8(2).
  5. Mallik, S., Halder, S., Saha, P., & Mukherjee, S. (2021). Multi-factor Authentication-Based E-Exam Management System (EEMS). In Proceedings of International Conference on Frontiers in Computing and Systems (pp. 711-720). Springer, Singapore.
  6. Mitik, M., Korkmaz, O., Karagoz, P., Toroslu, I. H., & Yucel, F. (2017). Data mining approach for direct marketing of banking products with profit/cost analysis. The Review of Socionetwork Strategies11(1), 17-31.
  7. Motaharinejad, M. S., Zolfagharzadeh, M. M., Khadangi, E., & Sadabadi, A. A. (2016). Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques. Journal of Information Technology Management8(2), 393-314.
  8.   Oyeniyi, A. O., Adeyemo, A. B., Oyeniyi, A. O., & Adeyemo, A. B. (2015). Customer churn analysis in banking sector using data mining techniques. Afr J Comput ICT8(3), 165-174.
  9. Rahman, M. M., & Saha, A. R. (2019). A comparative study and performance analysis of ATM card fraud detection techniques. Journal of Information Security10(03), 188.

 

 

 

 

 

 

  1. Serrano, D., Golpour, I., & Sánchez-Delgado, S. (2020). Predicting the effect of bed materials in bubbling fluidized bed gasification using artificial neural networks (ANNs) modeling approach. Fuel266, 117021.
  2. Sudhakar, M., & Reddy, C. V. K. (2016). Two step credit risk assessment model for retail bank loan applications using Decision Tree data mining technique. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET)5(3), 705-718.
  3. Suthaharan, S. (2016). Machine learning models and algorithms for big data classification. Integr. Ser. Inf. Syst36, 1-12.
  4. Wirth, R., & Hipp, J. (2000, April). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (Vol. 1). London, UK: Springer-Verlag.
  5. Witten, I. H., & Frank, E. (2002). Data mining: practical machine learning tools and techniques with Java implementations. Acm Sigmod Record31(1), 76-77.
  6. Zhou, X., Bargshady, G., Abdar, M., Tao, X., Gururajan, R., & Chan, K. C. (2019, October). A case study of predicting banking customer’s behaviour by using data mining. In 2019 6th International Conference on Behavioral, Economic and Socio-Cultural Computing (BESC) (pp. 1-6). IEEE.