پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,710 |
| تعداد مقالات | 14,017 |
| تعداد مشاهده مقاله | 33,917,091 |
| تعداد دریافت فایل اصل مقاله | 13,568,097 |
به‌کارگیری روش فراترکیب در روش‌شناسی مدیریت ریسک عملیاتی بانکی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مدیریت دارایی و تامین مالی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 7، دوره 10، شماره 4 - شماره پیاپی 39، دی 1401، صفحه 115-132 اصل مقاله (1.49 M) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/amf.2023.135765.1767 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| حامد نادری1؛ محمد علی رستگار* 2 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1دانشجوی دکتری، گروه مدیریت سیستم و بهره‌وری، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2استادیار، گروه مدیریت سیستم و بهره‌وری، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تربیت مدرس، تهران، ایران. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اهداف: در سال‌های اخیر بعد از بحران‌های اقتصادی به‌وجودآمده، ارزش ارزیابی ریسک عملیاتی در صنعت مالی مشاهده شد که بیشترین تأثیر ریسک عملیاتی بر صنعت بانکداری بود؛ درنتیجه بعد از بحران مالی توجه بیشتری به ارزیابی ریسک عملیاتی در صنعت بانکی شد. ریسک عملیاتی به‌عنوان ریسک زیان ناشی از نبودِ کفایت یا ناکارآمدی فرآیندهای داخلی، افراد و سیستم‌ها یا حوادث خارجی تعریف می‌شود. در این راستا مؤسسات و بانک‌ها با استفاده از رویکردهای مختلف ازجمله کمیتۀ بازل در پی ارزیابی ریسک عملیاتی بودند. هدف، مروری بر مدیریت ریسک عملیاتی در صنعت بانکی است. روش: پژوهش حاضر، کاربردی و از منظر گردآوری اطلاعات اسنادی فراترکیب است. با استفاده از روش فراترکیب، 643 سند پژوهش مرتبط بین سال‌های 2000 تا 2022 از پایگاههای علمی معتبر فراخوانی شده است که با به‌کارگیری این روش، 43 سند نهایی مبنای استخراج یافته‌ها قرار گرفت. نتایج: با این روش درنهایت، 5 مقولۀ اصلی که عبارت است از ریسک عملیاتی، ارزیابی ریسک، روش‌های کمی‌سازی، تحلیل و مدیریت ریسک، 10 مقولۀ فرعی، 43 مفهوم و 169 کد شناسایی شد. نتایج براساس نظر متخصصان با شاخص کاپای 756/0 تأیید شد. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| واژه‌های کلیدی: ریسک عملیاتی؛ رویکرد اندازه‌گیری پیشرفته؛ رویکرد شاخص پایه؛ رویکرد استاندارد؛ مدیریت ریسک | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
مقدمه زیان‌های زیادی که مؤسسات مالی و غیرمالی از ناحیۀ فرآیندها و عوامل مختلف غیراعتباری و غیربازاری متحمل شدهاند، سبب شده است توجه بسیاری از مدیران و تصمیم‌گیران این سازمان‌ها به حوزۀ «ریسک عملیاتی» معطوف شود. ریسک عملیاتی و شیوه‌های مدیریت آن، یکی از مباحث قابل‌توجه در صنعت بانکی محسوب می‌شود که تأثیرات بالقوه‌ای بر عملکرد بانک‌ها و مؤسسات مالی دارد. با توجه به بررسی پژوهش‌هایی صورت‌گرفته، پژوهشگران از منظر‌های متفاوتی به ریسک نگاه می‌کنند. گروه اول، بر تعریف ریسک، گروهی بر طبقه‌بندی رویدادهای ریسک عملیاتی، گروهی بر اندازه‌گیری و ویژگی‌های مدیریت ریسک عملیاتی و گروه آخر بر تحلیل مقایسه‌ای برآوردهای مختلف تمرکز دارند Barakat & Hussainey, 2013)). ریسک عملیاتی هنگامی بررسی می‌شود که یک سازمان عملیات خود را به‌خوبی انجام ندهد. در صورت ادامۀ این روند، وضعیت سازمان رو به افول می‌رود و نرخ بازدهی سرمایه‌گذاری سازمان کاهش می‌یابد (BCBS, 2006). ریسک عملیاتی به‌طور عمده ناشی از گسترۀ وسیعی از احتمالات بروز خطا و نقصان در عملیات خاص بنگاه تجاری یا مالی است. ریسک عملیاتی در مؤسسات مالی و بانکی، ریسکی است که مستقیم به ریسک‌های اعتباری و بازار مربوط نیست. این ریسک به‌طور کلی ناشی از خطای انسانی و رایانه‌ای، برنامه‌های رایانه‌ای و خطا در تصمیم‌گیری است که در بسیاری از فعالیت‌های اقتصادی به‌عنوان جزء جدایی‌ناپذیر آن فعالیت محسوب می‌شود؛ از این رو، در اغلب موارد در مواجهه با این پدیدۀ نامطلوب از روش‌های حذفی بهره برده می‌شود. کمیتۀ بال در گزارش سال 1998 خود پیرامون مدیریت ریسک عملیاتی عنوان کرد که بیشتر زیان‌های کلان در صنعت بانکی از ضعف‌های نظارت داخلی یا پیروی‌نکردن از رویه‌های موجود مربوط به نظارت داخلی ناشی شده است؛ از این رو، بهترین طریقۀ کاهش ریسک‌های عملیاتی ارتقای کیفیت مدیریت است. این اقدام نفع دیگری نیز به‌دنبال دارد و آن عبارت است از اینکه ذهن مدیران ریسک آزادتر شده است و بیشتر بر کنترل ریسک‌های اعتباری تمرکز می‌کنند. رویکرد عمومی نسبت‌به این مسئله در مؤسسات مالی به‌ویژه بانک‌ها و نهادهای نظارتی آنها بر سه محور شناسایی، ارزیابی و کنترل این نوع ریسک‌ها متمرکز شده است. در برخی از انواع فعالیت‌های مؤسسات مالی توجه به ریسک عملیاتی به‌مراتب مهم‌تر از ریسک اعتباری و بازار به نظر می‌رسد؛ بنابراین بسیاری از مؤسسات اهمیت زیادی برای مدیریت ریسک عملیاتی خود قائل میشوند. این مسئله با انتشار دستورالعمل جدید کمیتۀ بال که در آن به ریسک عملیاتی توجه شده است، بیشتر موردتوجه قرار می‌گیرد. گسترش کاربرد فناوری‌های پیشرفته، توسعۀ تجارت الکترونیک، رشد پدیدۀ ادغام با هدف ایجاد سیستم‌های یکپارچه و افزایش استفاده از شیوه‌های مدیریت مالی در تأمین منابع همه باعث افزایش ریسک‌های عملیاتی شده است. بر این اساس به مدیریت ریسک‌های عملیاتی در مؤسسات مالی توجه می‌شود و بحث ریسک عملیاتی عمومیت زیادی پیدا کرده است. به‌طور کلی گفته می‌شود، به دو دلیل در سال‌های اخیر، توجه زیادی به ریسک‌های عملیاتی در سازمان‌ها شده است: رشد نمایی استفاده از فناوری و افزایش ارتباط شرکت‌ها در بازار سرمایه. با وجود آنکه فناوری سبب سهولت انجام بسیاری از کارها شده و بهره‌وری سازمانی را افزایش داده است، رشد فناوری سازمان‌ها را نیز با مسائل و مشکلات جدیدی روبه‌رو می‌کند (Wang & Hsu, 2013).
مبانی نظری تعاریف اولیۀ ریسک عملیاتی در ادبیات منتشرشدۀ بانک‌های بزرگ بین‌المللی و سایر نهادها در دهۀ 1990 قبل از اینکه کمیتۀ بال تعریف رسمی خود را اتخاذ کند، ظاهر شد. گروه سی[1] (G30) در سال 1993 ریسک عملیاتی را به‌عنوان «نبودِ اطمینان مربوط به زیان‌های ناشی از سیستم‌ها یا کنترل‌های ناکافی، خطای انسانی یا مدیریت» تعریف کرد. بانک مشترک المنافع استرالیا در سال 1999 به این نتیجه رسید که تعریف ریسک عملیاتی «کلیۀ ریسک‌هایی غیر از ریسک اعتباری و بازار است که باعث نوسان درآمدها، هزینه‌ها و ارزش کسب‌وکار بانک می‌شود». ریسک عملیاتی، ریسکی است که از رویدادهای خارجی یا نقص در کنترل‌های داخلی یا سیستم‌های اطلاعاتی به وجود می‌آید و به زیان منجر می‌شود، خواه این زیان تا حدی پیش‌بینی شود یا به‌طور کامل غیرمنتظره باشد (Crouchy et al. 1998). تریپ[2] (2000) ریسک عملیاتی را خطر از دست دادن عملیات تعریف کرد. لوپز[3] (2002) پیشنهاد کرد، ریسک عملیاتی هر نوع ریسک غیرقابل‌سنجشی است که یک بانک با آن مواجهه می‌شود. ریسک عملیاتی به زیان‌های ناشی از فرآیندها، افراد و سیستم‌های داخلی ناکافی یا ناموفق یا رویدادهای خارجی اشاره دارد (BCBS, 2006). اندازه‌گیری، نظارت و مدیریت این ریسک در مقایسه با سایر ریسک‌های کلیدی بانکی مانند ریسک‌های اعتباری و بازار بسیار دشوار است. ریسک عملیاتی ریسکی بزرگ برای سازمان‌های بانکی و در سال‌های اخیر موردتوجه پژوهشگران و مدیران قرار گرفته است؛ زیرا زیان‌های عملیاتی بزرگ مؤسسات ایالات متحده را منحل کرده است (Abdymomunov et al. 2020 & Afonso et al. 2019). طالبی و همکاران (2011) با استفاده از روش پژوهش توصیفی و سلسله‌مراتبی به این نتیجه رسیدند که ریسک‌های عملیاتی در بانک‌های اسلامی به دو دستۀ کلی ریسک‌های مشترک با بانکداری متعارف و ریسک‌های خاص بانکداری اسلامی طبقه‌بندی میشوند. عوامل متعددی ریسک‌های عملیاتی را ایجاد می‌کنند و به زیان‌های مالی احتمالی منجر میشوند. ظهور مقررات احتیاطی مختلف برای مدیریت ریسک عملیاتی مناسب در مدت‌زمان کوتاهی باعث شد، این ریسک به‌عنوان یکی از مهم‌ترین ریسک‌های بخش بانکی درج شود. در مطالعۀ موردی یک بانک رومانیایی، مقررات احتیاطی در زمینۀ ریسک‌های عملیاتی و روش‌های محاسبۀ حداقل سرمایۀ موردنیاز برای ریسک‌های عملیاتی ارائه و برجسته شده است. شبیه‌سازی بحران به‌عنوان بخشی از مدیریت ریسک عملیاتی در نظر گرفته می‌شود (Cristea, 2021). رویدادهای ریسک عملیاتی نشانۀ ضعف کنترل داخلی، حاکمیت شرکتی ضعیف و ناکارآمدی مدیریت ریسک است (Chernobai et al. 2011). در پژوهش دیگر مصطفائی و همکاران (2018) به شناسایی و تحلیل ریسک‌های عملیاتی با استفاده از نگاشت شناختی فازی توجه کردند. آنها در پژوهش خود، نگاشت ریسک را مبتنی بر فرآیندی به‌عنوان ابزار شناسایی ریسک انتخاب و امکان تهیة نگاشت ریسک با استفاده از یک تکنیک نگاشت شناختی فازی به‌عنوان تکنیک ساختاردهی تحلیل و بررسی کردند. نصرتی و پاکیزه (2014) با استفاده از رویکرد اندازه‌گیری پیشرفته به تخمین سرمایۀ ریسک عملیاتی توجه کردند. هدف اصلی پژوهش آنها، معرفی و پیاده‌سازی رویکرد توزیع زیان در محاسبۀ ذخیرۀ سرمایه در قالب مطالعۀ موردی برای یکی از بانک‌های ایران بود. آنها برای مدل‌سازی شدت زیان علاوه بر توزیع‌های کلاسیک، از نوع خاصی از توزیع‌های دنبالۀ پهن به نام توزیع آلفا پایدار استفاده کردند. نتیجۀ نهایی پژوهش، پیاده‌سازی رویکرد توزیع زیان و عملکرد بهتر توزیع‌های پایدار نسبت‌به توزیع‌های کلاسیک انتخاب‌شده در تخمین شدت زیان بود. استادی و همکاران (2018) در پژوهش خود ریسک عملیاتی را با استفاده از روش استنتاج بیزی ارزیابی کردند. فرضیۀ اصلی پژوهش آنها، ترکیب منابع داده‌ای و فرض وابستگی بین نظرات کارشناسان و داده‌های زیان داخلی بود. تمرکز پژوهش آنها بر روی تخمین پارامتر توزیع فراوانی با استفاده از روش استنتاج بود. با استفاده از آزمون‌های نیکویی برازش، به اعتبار سنجی مدل‌های برآوردشده توجه کردند. نتایج پژوهش آنها حاکی از آن بود که با در نظر گرفتن فرض وابستگی بین دو منبع داده‌ای نظرات کارشناسان و داده‌های زیان داخلی و افزایش تعداد دوره‌های پیش‌بینی پارامتر فراوانی، مقادیر پارامتر توزیع کاهش می‌یابد که این امر نشان‌دهندۀ این است که با گذشت زمان نمایۀ ریسک کاهش می‌یابد. نتایج پژوهش آنها حاکی از آن است که در الگوی ارائه‌شده، پارامتر برآوردشده توزیع فراوانی زیان در حول یک مقدار مشخص نوسان دارد؛ اما با در نظر گرفتن فرض وابستگی بین زیان با افزایش تعداد دوره‌ها مقادیر پارامتر فروانی کاهش می‌یابد که یک امر طبیعی در سیستم بانکداری است. دوتا و پری[4] (2006) با استفاده از داده‌های جمع‌آوری‌شده در دم توزیع زیان به مدل‌سازی ریسک عملیاتی محاسبۀ سرمایۀ پوششی آن توجه کردند. آنها در این پژوهش دریافتند، استفاده از چند مدل برآوردگر، در یک بانک تخمین‌های به‌نسبت بزرگی از سرمایۀ پوششی را نتیجه می‌دهد. از طرفی، برازش مدل خاص از پیش تعیین‌شده مانند یک توزیع عمومی پارتو در مدل‌سازی دم داده‌ها در بانک‌های مورد بررسی یافت شد که نتایج آن غیرمنطقی و ناسازگار است؛ حتی در صورتی که آزمون نیکویی برازش آنها را تأیید کرده باشد. آنها تأکید کردند، داده‌های زیان عملیاتی در چارچوب روش توزیع زیان بدون اعمال حذف داده‌ها هنگام گزارش‌گیری در پایگاه داده‌ها به‌راحتی مدل‌سازی می‌شود؛ زیرا توزیع‌های مختلف برازش‌شده در سطح خطوط کسب‌وکار-رویدادهای زیان‌بار یا کل سطح بانک در آزمون‌های نیکویی برازش رد نشدند. با وجود این، آنها بر مدل‌سازی داده‌های فرین واقع در دم توزیع‌های شدت زیان عملیاتی تأکید وآنها را بررسی کردند؛ زیرا بر این باور بودند که مسئلۀ اصلی در مدل‌سازی شدت زیان، مدل‌سازی دم داده‌های زیان است. از طریق مدل‌سازی رده‌ای از توزیع‌های با دم پهن مانند ردۀ خانوادۀ توزیع نمایی، توزیع پارتو تعمیم‌یافته نشان دادند، برخلاف پژوهش‌های گذشته، که اغلب از تئوری مقدار فرین برای مدل‌سازی دم داده‌ها استفاده کردند، فقط استفاده از توزیع عمومی پارتو برای دم به‌خوبی عمل نمی‌کند و نبودِ پایداری سرمایۀ پوششی را در بردارد. فراچوت و همکاران[5] (2001) روش توزیع زیان کل را برای اندازه‌گیری ریسک عملیاتی و محاسبۀ سـرمایۀ کفایـت‌کننده به کار برده‌اند و آن را با روش اندازه‌گیری پیشرفته که توسط کمیتۀ بال پیشنهاد شده است، مقایسه کرده‌اند. آنهـا در مقالۀ خود تحلیل حساسیت بسیار خوبی بر روی روش‌های محاسبۀ تـوزیع زیـان کـل ارائـه داده و بحث مفصلی دربارۀ همگرایی روش‌های عددی ارائه کرده‌اند. ییفی و همکاران[6] (2017) یک روش‌شناسی را که در سیستم‌های پیچیده استفاده شده است، برای تحلیل رویدادهای ریسک عملیاتی در بانک‌ها پیشنهاد می‌کنند. با این هدف که فهمی از ویژگی‌های کلیدی و روابط در ایجاد زیان‌های ریسک عملیاتی حاصل شود. در این پژوهش با استفاده از روش‌شناسی مورداشاره، زیان‌های ریسک عملیاتی در بانک‌های استرالیایی طی دورۀ زمانی 2010 تا 2014 بررسی شدند. این تحلیل نشان‌دهندۀ آن بود که خصوصیات و ویژگی‌های کمی وجود دارد که برای بسیاری از رویدادهای ریسک عملیاتی یکسان است و این خصوصیات سطح یک در طول زمان ثابت هستند که حاکی از آن است که زیان‌های ریسک عملیاتی با مدیریت این خصوصیات تحت کنترل قرار می‌گیرند. هان و همکاران[7] (2015) در پژوهش خود از مدل فراتر از آستانه[8] (POT) برای تعیین کمیت ریسک عملیاتی استفاده کرده‌اند. طبقه‌بندی داده‌های آماری از بین 533 رویداد شناخته‌شده در بازة زمانی 1995 تا 2012 بین بانک‌های تجاری چین نشان‌دهندۀ آن است که کلا‌ه‌برداری داخلی که از زیرمجموعه‌های عامـل انسانی شمرده می‌شود، به‌عنوان رویداد اصلی در بروز ریسک عملیاتی بین بانک‌های تجاری چین شناخته شده است. زو و همکاران[9] (2019) با تکیه بر اظهارات و توافق‌نامۀ بال، مبنی بر تعیین نیاز سرمایه‌ای بانک‌های تجاری در مقابله با ریسک عملیاتی، برای ارزیابی این ریسک در بانک‌های تجاری مدل همبستگی مضاعف را براساس رویکرد توزیع زیان ارائه کردند. گالتا و همکاران[10] (2023) در پژوهش خود به‌دنبال بررسی رابطۀ بین امتیازهای ترکیبی محیطی، اجتماعی و حاکمیتی[11] (ESG) و ریسک عملیاتی هستند. آنها با استفاده از یک نمونۀ جهانی از بانک‌های فعال در 35 کشور از سال 2011 تا 2020 متوجه رابطۀ بین امتیازهای ترکیبی محیطی، اجتماعی و حاکمیتی با ریسک عملیاتی شدهاند؛ بنابراین با بیشترشدن این امتیازها، ریسک عملیاتی بانک کاهش پیدا می‌کند. در این پژوهش از روش فراترکیب برای ترکیب مطالعات پیشین ریسک عملیاتی در صنعت بانکداری به‌منظور بررسی یافته‌های کیفی و طبقه‌بندی آنها استفاده می‌شود. در پژوهش‌های گذشته این جنبۀ پژوهش در حوزۀ ریسک عملیاتی بررسی نشده است؛ بنابراین در اینجا هدف دسته‌بندی مقالات، ارتباط بین مقالات و ترکیب نتایج مقالات است.
روش پژوهش با رشد روزافزون پژوهش‌ها در حوزه‌های مختلف علوم و دانش، برای ترکیب مطالعات پیشین و به‌منظور بررسی یافته‌های کیفی و طبقه‌بندی آنها روش‌های متعددی در دسترس پژوهشگران قرار داده شده است. فراترکیب یکی از انواع روش‌های فرامطالعه[12] محسوب می‌شود. فرامطالعه چهار دستۀ اصلی دارد که عبارت است از: فراتحلیل[13] (تحلیل کمی محتوای موردمطالعه)، فراترکیب[14] (تحلیل کیفی محتوای اولیه)، فرانظریه[15] (تحلیل نظریه‌های مطالعات اولیه) و فراروش[16] (تحلیل روش‌شناسی مطالعات اولیه) (Bench & Day, 2010).
شکل (1) الگوی هفت مرحله‌ای سندلوسکی و بارسو Figure (1) Sandelowski and Barso's seven-steps model
روش فراترکیب ایده‌ها، رویکرد‌ها، یافته‌ها و نتایج حاصل از مطالعات گذشته را بررسی می‌کند (Paterson et al. 2001). رویکرد فراترکیب رویکردی منسجم برای تجزیهوتحلیل داده‌هاست. این رویکرد در پژوهش‌های فرامطالعه بیشترین استفاده را دارد. هدف رویکرد فراترکیب، ایجاد دسترسی بیشتر به یافته‌های کیفی است. در این پژوهش از الگوی هفت مرحله‌ای (Sandelowski & Barroso, 2003) استفاده شده است. خلاصۀ این مراحل در شکل (1) مشاهده می‌شود: نخستین گام روش فراترکیب، تنظیم سؤال پژوهش است. یانگ وگیکیس[17] (2012) این مرحله را «تدوین مسئله» نام‌گذاری کرده‌اند و معتقد هستند که باید به این سؤال پاسخ داده شود که «مفهوم موردمطالعه چیست؟» در پاسخ به این سؤال، تعیین می‌کنید، کدام شواهد پژوهش، مربوط به مسئلۀ موردعلاقه است. سؤالات این پژوهش به شرح ذیل طراحی شده است:
در گام دوم یعنی مرور نظام‌مند ادبیات ابتدا، واژه‌های کلیدی مرتبط با حوزۀ مدنظر مشخص شده است و سپس متون مرتبط در پایگاه دادۀ علمی معتبر که در گام اول ذکر شد، جستجو و جمع‌آوری شده است. واژه‌های کلیدی در جدول (1) مشاهده می‌شود. پس از جستجو و جمع‌آوری واژه‌های کلیدی در پایگاه داده‌های ذکرشده، 643 مقاله مرتبط یافته شد.
جدول (1) واژگان کلیدی جستجوشده در پایگاههای علمی Table (1) Keywords searched in scientific databases
در گام سوم، جستجو و غربال مقالات انجام شده و نتایج به دست آمده است. مقالات مناسب انتخاب و مقالات نامرتبط حذف شده و درنهایت، پژوهش‌های معتبر دسته‌بندی شده است. برای این منظور از روش مهارت‌های ارزیابی حیاتی[18] (CASP) استفاده شد که به دلیل سهولت استفاده در بیشتر مقالات است.
شکل (2) فرایند غربال مقالات Figure (2) The process of screeining the studies
گام چهارم روش فراترکیب، استخراج اطلاعات مقالات است. برای انتخاب مقاله‌های مرتبط، پارامترهای مانند عنوان، چکیده، محتوا، دسترسی به محتوا و کیفیت روش پژوهش ارزیابی شد. در این پژوهش از نرم‌افزار MAXQDA 2020 استفاده شده است. در این گام 643 مقالۀ مرتبط شناسایی شده که به‌دقت بررسی شده است و مقالاتی که با سؤال پژوهش ارتباط نداشتند، حذف شدند و درنهایت، 43 مقاله منتخب انتخاب شد که درمجموع، 169 کد متمایز شناسایی شد و فرایند انتخاب مقالات مناسب در شکل (2) دیده می‌شود. گام پنجم روش فراترکیب، تجزیهوتحلیل و ترکیب یافته‌هاست. در پژوهش حاضر، ابتدا، همۀ عوامل استخراج‌شده از مطالعات پیشین به‌صورت کد در نظر گرفته شده و با استفاده از مفهوم هر یک از کدها، در مفهومی مشترک دسته‌بندی شده است که براساس درک و شهود پژوهشگر نسبت‌به موضوع موردمطالعه صورت گرفته و روابط نظری بین مفاهیم برقرار شده است. طی مراحل رویکرد فراترکیب، 5 مقولۀ اصلی، 10 مقولۀ فرعی و43 مفهوم شناسایی شد. این نتایج در جدول (2) دیده می‌شود.
جدول (2) تعداد مقوله‌های اصلی، مقولۀ فرعی، مفاهیم و کدهای استخراج‌شده Table (2) The number of main categories, subcategories, concepts and extracted codes
در ادامه، در جدول (3) بعضی از مقالات مرتبط با مقوله‌های اصلی طبقه‌بندی شده است.
جدول (3) مقالات مرتبط با مقوله‌های اصلی Table (3) Studies related to the main categories
گام ششم، روش فراترکیب کنترل کیفیت است. در این گام پژوهشگر برای کنترل مؤلفه‌های استخراج‌شده، نظرات خود را با خبره مقایسه می‌کند. به‌منظور اطمینان از روایی و پایایی نتایج در پژوهش‌های کیفی، از شاخص کاپای کوهن استفاده می‌شود. این شاخص میزان توافق درونی بین دو ارزیاب در نحوۀ طبقه‌بندی متغیرهای کیفی را بیان می‌کند. ضریب کاپا اندازه‌ای عددی میان 1- تا 1+ است که هرچقدر به عدد 1- نزدیک‌تر باشد، نشان‌دهندۀ وجود توافق وارون، و هرچه نزدیک به 1+ باشد، نشان‌دهندۀ توافق متناسب و مستقیم است و نزدیک به صفر نبودِ توافق را نشان می‌دهد. به‌منظور محاسبۀ این شاخص مقالات منتخب توسط یک ارزیاب که در این حوزه خبره است، مطالعه شده و مجدد کدگذاری شده است. نتایج در جدول (4) دیده می‌شود.
جدول(4) جدول توافقی کدگذاری مقالات منتخب توسط پژوهشگر و ارزیاب Table (4) Consensus table of coding of selected studies by researcher and evaluator
از نرم‌افزار SPSS برای تحلیل آماری این پژوهش استفاده شده است. نتایج تجزیهوتحلیل آماری به‌دست‌آمده در جدول (5) دیده می‌شود. عدد معناداری به‌دست‌آمده برای شاخص کاپا کمتر از 05/0 است؛ بنابراین فرض استقلال کدهای استخراج‌شده رد می‌شود و در سطح اطمینان 95 درصد بین نتایج کدگذاری پژوهشگر و ارزیاب، ارتباط معناداری برقرار و پایایی کدگذاری مقبول است.
جدول (5) نتایج تجزیهوتحلیل آماری Table (5) Statistical analysis results
گام آخر روش فراترکیب، یافته‌های پژوهش است. پژوهشگر با دیدی جامع و کل‌نگر به بررسی، جمع‌آوری، ترکیب و تفسیر ابعاد ریسک عملیاتی در صنعت بانکداری توجه کرده است. درنهایت، در قالب 5 مقولۀ اصلی ریسک عملیاتی، مدیریت ریسک، تحلیل ریسک، روش‌های کمی‌سازی ریسک و ارزیابی ریسک شکل گرفته است. مدل درختی ریسک عملیاتی در صنعت بانکداری تا دو سطح در شکل (3) دیده می‌شود. مدل درختی طراحی‌شده نشان‌دهندۀ چارچوبی کامل از ریسک عملیاتی در صنعت بانکداری است. مدیران ریسک برای مدل‌سازی و دسته‌بندی ریسک عملیاتی از این مدل استفاده و در مدل درختی به‌طور کامل به همۀ ابعاد و اجزای ریسک عملیاتی توجه می‌کنند؛ به‌عنوان مثال، به روش‌های اندازه‌گیری ریسک عملیاتی، دستورالعمل‌های کمیتۀ بال، انواع ریسک‌ها، انواع خطوط کسب‌وکار، مدل‌های جدید و پیشرفتۀ ریسک عملیاتی، انواع تحلیل ریسک و مدیریت ریسک عملیاتی، روش‌های کمی ارزیابی ریسک عملیاتی که بر پایۀ مدل‌سازی ریاضی است و قسمت‌های دیگر ریسک عملیاتی اشاره می‌شود.
شکل (3) مدل درختی ریسک عملیاتی در صنعت بانکداری تا دو سطح Figure (3) Tree model of operational risk in the banking industry up to two levels
نتایج و پیشنهادها در فضای حاکم بر دنیای کسب‌وکار امروز، صنعت بانکداری نقش مهمی در اقتصاد هر کشوری ایفا می‌کند. با پیشرفت صنعت بانکداری، ایجاد طرح‌ها و خدمات متنوع و جدید و استفاده از امکانات جدید و بروز برای خدمت‌رسانی به مشتریان، بانک‌ها هم‌زمان با مشکلات سیستمی، تقلب‌ها، خرابی‌ها و مشکلات دیگر مواجه میشوند. بانک‌ها از خطوط کسب‌وکار مختلفی تشکیل شدهاند. بنابر دستورالعمل کمیتۀ بال خطوط کسب‌وکار بانک‌ها شامل 8 خط کسب‌وکار و نوع رویدادهای زیان‌بار به 7 نوع رویداد دسته‌بندی شده است. در هرکدام از این خطوط کسب‌وکار ممکن است هر یک از این نوع رویداد‌ها به وجود بیاید؛ بنابراین باید این رویداد‌ها مدیریت، تحلیل و ارزیابی شود. با استفاده از مدیریت ریسک عملیاتی در صنعت بانکداری سود بانک و عملکرد خدمت‌رسانی به مشتریان بهبود داده می‌شود؛ بنابراین یکی از موضوعات مهم و کاربردی در صنعت بانکداری مدیریت ریسک عملیاتی است. با توجه به بحران مالی سال 1998، در دستورالعمل کمیتۀ بال 2 ریسک عملیاتی بیشتر موردتوجه قرار گرفت و کمیتۀ بال دستورالعمل‌های برای مدیریت ریسک عملیاتی ارائه کرد. طبق این دستورالعمل‌ها داده‌های مربوط به ریسک عملیاتی از 4 پایگاه داده داخلی، خارجی، تجزیهوتحلیل سناریو و عوامل کنترل‌کنندۀ محیط کسب‌وکار و کنترل‌های داخلی به دست می‌آید. برای محاسبه و ارزیابی سرمایۀ اقتصادی و میزان ریسک عملیاتی، در این دستورالعمل رویکردهای شاخص پایه، استاندارد و اندازه‌گیری پیشرفته ارائه شده است. در این پژوهش با استفاده از روش فراترکیب پژوهش‌های انجام‌گرفته در حوزۀ ریسک عملیاتی طبقه‌بندی شده است. روش فراترکیب شامل 7 مرحله است. ابتدا، سؤالات مربوط به پژوهش طراحی شده است. در مرحلۀ دوم، مرور نظامند ادبیات انجام‌شده، 643 مقالۀ مرتبط در حوزۀ ریسک عملیاتی از سال 2000 تا 2022 جمع‌آوری شده است. در مرحلۀ بعد مقالات مرتبط براساس عنوان، چکیده و متن انتخاب شده است که 43 مقالۀ مرتبط شناسایی و 169 کد استخراج شد. در ادامه، تجزیهوتحلیل و ترکیب داده‌ها انجام شده است که تعداد مقوله‌های اصلی، فرعی و مفاهیم شناسایی می‌شود. در مرحلۀ ششم کنترل کیفیت انجام و ازنظر خبره برای تعیین مقدار آلفای کرونباخ استفاده می‌شود. در مرحلۀ آخر روابط بین یافته‌های پژوهش، با استفاده از نمودار درختی نشان داده شده است. در حوزۀ ریسک عملیاتی از روش فراترکیب برای مرور نظامند، طبقه‌بندی و دسته‌بندی نتایج مقالات استفاده نشده است. در این پژوهش برخلاف پژوهش‌های قبلی با استفاده از روش فراترکیب مقالات مرتبط طبقه‌بندی، مقوله‌ها و مفاهیم استخراج و ارتباط بین آنها نیز به‌صورت نمودار درختی نشان داده شده است. پژوهشگران و مدیران ریسک برای مدل‌سازی و مدیریت ریسک عملیاتی در صنعت بانکداری از خروجی این پژوهش استفاده می‌کنند. نمودار درختی خروجی این پژوهش نشان‌دهندۀ چارچوبی کامل برای مدل‌سازی ریسک عملیاتی و روش‌های موردنیاز مدیریت ریسک عملیاتی باشد. نتایج این پژوهش، مسیر روشنی را در توجه به مهم‌ترین مقوله‌ها در حوزۀ ریسک عملیاتی در صنعت بانکداری روشن می‌کند. مدیران ریسک عملیاتی و پژوهشگران برای مدل‌سازی ریسک عملیاتی از این چارچوب استفاده می‌کنند و مهم‌ترین مقوله‌ها و مفاهیم را در مدل‌سازی ریسک عملیاتی مدنظر قرار می‌دهند. نتایج این پژوهش نشان‌دهندۀ آن است که روش‌هایی که کمیتۀ بال معرفی کرده و روش‌های بیزی در مقالات فراوان کار شده است؛ اما روش‌های مربوط به هوش مصنوعی، داده‌کاوی و تکنیک‌های مربوط به یادگیری ماشین و یادگیری عمیق در این حوزه خیلی کم کار شده است. برای پژوهش‌های آتی پیشنهاد می‌شود، نتیجۀ این پژوهش با استفاده از روش‌های کمی یا ابزارهایی نظیر پرسشنامه بررسی و با استفاده از نتایج و مؤلفه‌های موجود در مدل، در صنعت‌های مشابه این پژوهش بازنگری شود.
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
نصرتی، هاشم. و پاکیزه، کامران. (1393). تخمین ذخیرۀ سرمایۀ ریسک عملیاتی در صنعت بانکداری. مهندسی مالی و مدیریت اوراق بهادار، 5(20)، 26-1.
استادی، بختیار، خزایی.، سجاد. و حسین‌زاده کاشان، علی. (1397). ارزیابی ریسک عملیاتی با استفاده از روش استنتاج بیزی و در نظر گرفتن ترکیب منابع داده‌ای و فرض وابستگی بین نظرات کارشناسان و داده‌های زیان داخلی. راهبرد مدیریت مالی، 6(1)، 72-53.
مصطفائی دولت آباد، خدیجه.، آذر، عادل. و مقبل باعرض، عباس. (1397). شناسایی و تحلیل ریسک‌های عملیاتی با استفاده از نگاشت شناختی فازی. نشریۀ مدیریت دارایی و تأمین مالی، 6(4)، 18-1.
طالبی، محمد، کاوند، مجتبی و حسین‌پور، محمد. (1390). تحلیل و رتبه‌بندی ریسک‌های عملیاتی در بانکداری اسلامی؛ مطالعۀ موردی: بانکداری بدون ربا در ایران. اقتصاد اسلامی، 11(44)، 184-157.
References Azar, A., & Dolatabad, K. M. (2019). A method for modeling operational risk with fuzzy cognitive maps and Bayesian belief networks. Expert Systems with Applications, 115, 607-617. https://doi.org/10.1016/j.eswa.2018.08.043 Afonso, G., Curti, F., & Mihov, A. (2019). Coming to terms with operational risk. Liberty Street Economics 20190107, Federal Reserve Bank of New York. Abdymomunov, A., Curti, F., & Mihov, A. (2020). U.S. banking sector operational losses and the macroeconomic environment. Journal of Money, Credit and Banking, 52(1), 115 - 144. https://doi.org/10.1111/jmcb.12661 Abdymomunov, A., & Mihov, A. (2019). Operational risk and risk management quality: Evidence from US bank holding companies. Journal of Financial Services Research, 56(1), 73-93. https://doi.org/10.1007/s10693-017-0284-3 Basel Committee on Banking Supervision (2006). International convergence of capital measurement and capital standards: A revised framework - comprehensive Version. Bank of International Settlenebt. Barakat, A., & Hussainey, K. (2013). Bank governance, regulation, supervision, and risk reporting: Evidence from operational risk disclosures in European banks. International Review of Financial Analysis, 30, 254-273. https://doi.org/10.1016/j.irfa.2013.07.002 Bench, S., & Day, T. (2010). The user experience of critical care discharge: A meta-synthesis of qualitative research. International Journal of Nursing Studies, 47 (4), 487-499. https://doi.org/10.1016/j.ijnurstu.2009.11.013 Bonet, I., Peña, A., Lochmuller, C., Patiño, H. A., Chiclana, F., & Gongora, M. (2021). Applying fuzzy scenarios for the measurement of operational risk. Applied Soft Computing, 112, 107785. https://doi.org/10.1016/j.asoc.2021.107785 Chavez-Demoulin, V., & Embrechts, P. (2004). Advanced extremal models for operational risk. Preprint, Department of Mathematics ETH-Zentrum, Retrieved from: http://www.Math.Ethz.Ch/~baltes/ftp/opriskevt.Pdf Cowell, R. G., Verrall, R. J., & Yoon, Y. K. (2007). Modeling operational risk with Bayesian networks. Journal of Risk and Insurance, 74(4), 795-827. https://doi.org/10.1111/j.1539-6975.2007.00235.x Curti, F., Ergen, I., Le, M., Migueis, M., & Stewart, R. T. (2016). Benchmarking operational risk models. Board of Governors of the Federal Reserve System (US), No. 2016-070, 1-26. http://dx.doi.org/10.17016/FEDS.2016.070 Chernobai, A., Ozdagli, A., & Wang, J. (2021). Business complexity and risk management: Evidence from operational risk events in US bank holding companies. Journal of Monetary Economics, 117, 418-440. https://doi.org/10.1016/j.jmoneco.2020.02.004 Cristea, M. A. (2021). Operational risk management in banking activity. Journal of Eastern Europe Research in Business and Economics, 7., 1-16. https://doi.org/10.5171/2021.969612 Crouhy, M., Galai, D., & Mark, R. (1998). Key steps in building consistent operational risk measurement and management. Operational Risk and Financial Institutions, London: Risk Books.17(3), 45-62. Dutta, K. & Perry, J. (2006). A tale of tails: An empirical analysis of loss distribution models for estimating operational risk capital. A. Working Paper, Federal Reserve Bank of Boston, 6. 13, 1082. De Mendonca, H. F., Galvao, D. J. C., & Loures, R. F. V. (2011). Estimation of economic capital for operational risk in the banking industry: A Brazilian case. Applied Economics Letters, 18(5), 485-491. https://doi.org/10.1080/13504851003724234 Fung, T. C., Badescu, A. L., & Lin, X. S. (2019). Multivariate Cox hidden Markov models with an application to operational risk. Scandinavian Actuarial Journal, 2019(8), 686-710. https://doi.org/10.1080/03461238.2019.1598482 Frachot, A., Georges, P., & Roncalli, T. (2001). Loss distribution approach for operational risk. Available at SSRN 1032523. http://dx.doi.org/10.2139/ssrn.1032523 Feng, J., Li, J., Gao, L., & Hua, Z. (2012). A combination model for operational risk estimation in a Chinese banking industry case. Journal of Operational Risk, 7(2), 17-39. http://doi.org/10.21314/JOP.2012.106 Galletta, S., Goodell, J. W., Mazzù, S., &Paltrinieri, A. (2023). Bank reputation and operational risk: The impact of ESG. Finance Research Letters, 51, 103494. https://doi.org/10.1016/j.frl.2022.103494 Gya, H., Barakat, A., Amess, K., &Chernobai, A. (2021). How do banking analysts behave around unanticipated news? Evidence from operational risk event announcements. The European Journal of Finance, 27(14), 1351-1391. https://doi.org/10.1080/1351847X.2020.1870518 Habachi, M., &Benbachir, S. (2020). The Bayesian approach to capital allocation at operational risk: A combination of statistical data and expert opinion. International Journal of Financial Studies, 8(1), 1-24. https://doi.org/10.3390/ijfs8010009 Han, J., Wang, W., & Wang, J. (2015). POT model for operational risk: Experience with the analysis of the data collected from Chinese commercial banks. China Economic Review, 36, 325-340. https://doi.org/10.1016/j.chieco.2015.07.003 Jiang, X. (2018). Operational risk and its impact on North American and British banks. Applied Economics, 50(8), 920-933. https://doi.org/10.1080/00036846.2017.1346363 Khosh S. R. & Shahiki T. M. (2013). The impact of credit, operational, and liquidity risks on the efficiency of Iran's banking system. Planning and Budgeting, 17(4), 69-95. (In Persian) Koyuncugil, A. S., & Ozgulbas, N. (2008). Financial profiling for detecting operational risk by data mining. World Academy of Science, Engineering and Technology, 46, 6238-6253. Leo, M., Sharma, S., & Maddulety, K. (2020). Managing operational risk using Bayesian Networks: A practical approach for the risk manager. The International Journal of Business Management and Technology, 4(6), 54-69. Li, Y., Allan, N., & Evans, J. (2017). An analysis of operational risk events in US and European Banks 2008–2014. Annals of Actuarial Science, 11(2), 315-342. https://doi.org/10.1017/S1748499517000021 Lopez, J. A. (2002). What is the operational risk?, Federal Reserve Bank of San Francisco Economic Letter January. Li, Y., A., N. & Evans, J. R. (2017), A nonlinear analysis of operational risk events in Australian Banks, Journal of Operational Risk, 12)1(, 1-22. http://dx.doi.org/10.21314/JOP.2017.185 Lu, Z. (2013). Measuring the capital charge for operational risk of a bank with the large deviation approach. Mathematical and Computer Modelling, 58(9-10), 1634-1647. https://doi.org/10.1016/j.mcm.2013.07.001 Martínez-Sánchez, J. F., Martínez-Palacios, M. T. V., & Venegas-Martínez, F. (2016). An analysis on operational risk in international banking: A Bayesian approach (2007–2011). Estudios Gerenciales, 32(140), 208-220. https://doi.org/10.1016/j.estger.2016.06.004 Migueis, M. (2019). Evaluating the AMA and the new standardized approach for operational risk capital. Journal of Banking Regulation, 20(4), 302-311. https://doi.org/10.1057/s41261-019-00095-z Mostafaee, K., Azar, A., & Moghbel, A. (2018). Identification and analysis of operational risks: A fuzzy cognitive map approach. Journal of Asset Management and Financing, 6(4), 1-18. doi: https://www.doi.org/10.22108/amf.2018.103404.1087. (In Persian) Nosrati, H, & Pakizeh, K. (2014). Estimation of operating capital reserves in the banking industry. Financial Engineering and Portfolio Management, 5(20), 1-26. (In Persian) Nsaibi, M., Abidi, I., & Rajhi, M. T. (2020). Corporate governance and operational risk: Empirical evidence. International Journal of Economics and Financial Issues, 10(4), 107. https://doi.org/10.32479/ijefi.9861 Ostadi, B., Khazayi, S., & Husseinzadeh K. A. (2018). Operational risk Assessment using Bayesian inference with regard to the composition of data sources and the assumption of dependence between experts and internal loss data. Financial Management Strategy, 6(1), 53-72.(In Persian) https://doi.org/10.22051/jfm.2018.17227.1486 Paterson, B. L., Thorne, S. E., Canam, C., & Jillings, C. (2001). Meta-study of qualitative health research: A practical guide to meta-analysis and meta-synthesis, 3. Thousand Oaks, CA: Sage. Pena, A., Patino, A., Chiclana, F., Caraffini, F., Gongora, M., Gonzalez-Ruiz, J. D., & Duque-Grisales, E. (2021). Fuzzy convolutional deep-learning model to estimate the operational risk capital using multi-source risk events. Applied Soft Computing, 107, 107381. https://doi.org/10.1016/j.asoc.2021.107381 Peña, A., Bonet, I., Lochmuller, C., Chiclana, F., &Góngora, M. (2018). An integrated inverse adaptive neural fuzzy system with Monte-Carlo sampling method for operational risk management. Expert Systems with Applications, 98, 11-26. https://doi.org/10.1016/j.eswa.2018.01.001 Rahman, K. N., Black, D. A., & McDonald, G. C. (2014). An Application of Bayesian Inference on the modeling and estimation of operational risk using banking loss data. Applied Mathematics, 5(6), 862-876. http://dx.doi.org/10.4236/am.2014.56082 Sandelowski, M., & Barroso, J. (2003). Toward a meta-synthesis of qualitative findings on motherhood in HIV -positive women. Research in Nursing & Health, 26(2), 153 -170. https://doi.org/10.1002/nur.10072 Sturm, P. (2013). Operational and reputational risk in the European banking industry: The market reaction to operational risk events; Journal of Economic Behavior & Organization, 85, 191-206. https://doi.org/10.1016/j.jebo.2012.04.005 Scandizzo, S. (2005). Risk mapping and key risk indicators in operational risk management. Economic Notes, 34(2), 231-256. http://dx.doi.org/10.1111/j.0391-5026.2005.00150.x Talebi, M., Kavand, M. & Hosseinpour, M. (2011). Analysis and ranking of operational risks in Islamic banking; Case study: interest-free banking in Iran. Islamic Economics, 11(44), 157-184. (In Persian) Tripe, D. (2000). Pricing operational risk. In 13th Australasian Finance and Banking Conference, Sydney, December. Vukovic, O. (2015). Operational risk modeling in insurance and banking. Journal of Financial Risk Management, 4(03), 111. http://dx.doi.org/10.4236/jfrm.2015.43010 Wang, Z., Wang, W., Chen, X., Jin, Y., & Zhou, Y. (2012). Using the BS-PSD-LDA approach to measure the operational risk of Chinese commercial banks. Economic Modelling, 29(6), 2095-2103. https://doi.org/10.1016/j.econmod.2012.06.031 Xu, C., Zheng, C., Wang, D., Ji, J., & Wang, N. (2019). Double correlation model for operational risk: Evidence from Chinese commercial banks. Physica A: Statistical Mechanics and Its Applications, 516, 327–339. https://doi.org/10.1016/j.physa.2018.10.031 Yang, J., & Gyekis, J. P. (2012). Research synthesis and meta-analysis: A step-by-step approach. Sage Publications. Yu, D., &Brazauskas, V. (2017). Model uncertainty in operational risk modeling due to data truncation: A single risk case. Risks, 5(3), 49. https://doi.org/10.3390/risks5030049 Zhou, F., Qi, X., Xiao, C., & Wang, J. (2021). MetaRisk: Semi-supervised few-shot operational risk classification in the banking industry. Information Sciences, 552, 1-16. http://dx.doi.org/10.1016/j.ins.2020.11.027 Zhou, F., Zhang, S., & Yang, Y. (2020, July). Interpretable operational risk classification with a semi-supervised variational autoencoder. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 846-852. Zhou, X., Durfee, A. V., & Fabozzi, F. J. (2016). On the stability of operational risk estimates by LDA: From causes to approaches. Journal of Banking & Finance, 68, 266-278. https://doi.org/10.1016/j.jbankfin.2016.01.014
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 1,270 تعداد دریافت فایل اصل مقاله: 617 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||