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

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 437

This Paper With 18 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JRL-7-4_001

تاریخ نمایه سازی: 16 اردیبهشت 1400

Abstract:

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 شبکه 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 ۸ درصد، قابلیت برآورد بهتری را نسبت به سایر الگوریتمها دارد.

Authors

ارکیده حامدی

استادیار و عضو هیئت علمی گروه مدیریت، اقتصاد و حسابداری، دانشگاه پیام نور، تهران( صندوق پستی۴۶۹۷-۱۹۳۹۵ تهران)، ایران

محمدامین ترابی

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

محمد رفیعی نیا

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

نوید اسفندیاری

گروه مدیریت، اقتصاد و حسابداری، دانشگه پیام نور، تهران( صندوق پستی۴۶۹۷-۱۹۳۹۵ تهران)، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • اسدی، م. (۱۳۹۵). تشخیص پول‌شویی در سیستم بانکی با استفاده ...
  • اکبری‌خطیر، م؛ همایون‌زاده‌بائی، ر؛ و خنداخند م. (1395). دسته‌بندی مشتریان ...
  • اصغری، علی و توانگر، مولود. (1391). بررسی راهکارهای امنیتی در ...
  • بازگیر، ع. (۱۳۹۵). واکاوی روش‌های تجهیز و تخصیص منابع در ...
  • دومین کنفرانس ملی رویکردهای نوین در مهندسی کامپیوتر و برق، ...
  • بانک مرکزی. (1381). مقررات حاکم بر مرکز شتاب. بانک مرکزی ...
  • تقوی‌فرد، م؛ نادعلی، ا. (2012). طبقه‌بندی متقاضیان تسهیلات اعتباری بانکی ...
  • چهاردولی، م. (1394). بررسی کارایی روش رافست و نزدیک‌ترین همسایه ...
  • خطیر، م. ا؛ بائی، ر. و خنداخند، م. (۱۳۹۵). دسته‌بندی ...
  • صادقی، ت. (1391). شاخص‌های پذیرش و توسعه بانکداری الکترونیک در ...
  • صادق‌زاده، مهدی؛ خادم‌زاده، احمد. (1388). ارائه طرحی جهت افزایش ضریب ...
  • طاهائی، س. ل. و آرا، ف. ص. (۱۳۹۵). ارائه روشی ...
  • عالیشاهی، م؛ و پورعالی­زمینی، ف. ق. (۱۳۹۵). به‌کارگیری روش‌های هوش ...
  • عالیشاهی، م؛ قربان پورعالی­زمینی، ف. (1395). به‌کارگیری روش‌های هوش تجاری ...
  • مطالعه جامع اعتبار سنجی مشتریان بانک و ارائه یک روش اعتبار سنجی با تکنیک دادهکاوی و منطق فازی [مقاله کنفرانسی]
  • کریمی، س. (۱۳۹۵). تأثیر هوش تجاری بر صنعت بانکداری. اولین ...
  • کیهان. (1351). ورود ATM به ایران. روزنامه کیهان، ص ۱۹ ...
  • مطالعه جامع اعتبار سنجی مشتریان بانک و ارائه یک روش اعتبار سنجی با تکنیک دادهکاوی و منطق فازی [مقاله کنفرانسی]
  • ملائی، م؛ پارسا، س. (1395). پیش‌بینی رفتار مشتریان با استفاده ...
  • نجمی، پ؛ راد، ع؛ شعار، م. (2018). پیش‌بینی رویگردانی مشتریان ...
  • نوری‌بروجردی، پ؛ جلیلی، م؛ مردانی، ف. (1389). بررسی تأثیر تمرکز ...
  • نیل‌چی، م؛ مقدم، خ؛ ناصر، ع؛ فرهادیان، ع. (1397). پیش‌بینی ...
  • Bilir, C., & Döşeyen, A. (2018). Optimization of ATM and ...
  • Godinho, P., Dias, J., & Torres, P. (2019). An Application ...
  • Gutiérrez-Esparza, J. C., & Gómez-Hernández, J. J. (2017). Inverse Modeling ...
  • Kamusweke, K., Nyirenda, M., & onde Kabemba, M. (2019). A ...
  • Kaur, M., Bhaddal, P., & Singh, G. (2019). Calculation of ...
  • Madhavi, S., Abirami, S., Bharathi, C., Ekambaram, B., Sankar, T. ...
  • Mallik, S., Halder, S., Saha, P., & Mukherjee, S. (2021). ...
  • Mitik, M., Korkmaz, O., Karagoz, P., Toroslu, I. H., & ...
  • Designing a Model for Improving Banking Recommender Systems Based on Predicting Customers’ Interests: Application of Data Mining Techniques [مقاله ژورنالی]
  • Oyeniyi, A. O., Adeyemo, A. B., Oyeniyi, A. O., & ...
  • Rahman, M. M., & Saha, A. R. (2019). A comparative ...
  • Serrano, D., Golpour, I., & Sánchez-Delgado, S. (2020). Predicting the ...
  • Sudhakar, M., & Reddy, C. V. K. (2016). Two step ...
  • Suthaharan, S. (2016). Machine learning models and algorithms for big ...
  • Wirth, R., & Hipp, J. (2000, April). CRISP-DM: Towards a ...
  • Witten, I. H., & Frank, E. (2002). Data mining: practical ...
  • Zhou, X., Bargshady, G., Abdar, M., Tao, X., Gururajan, R., ...
  • نمایش کامل مراجع