ارايه الگويي براي تعيين نرخ سود در عقود مبادله اي با استفاده از شبكه‌هاي عصبي مصنوعي

Modeling the Determination of Rate of Return in Transaction Contracts Using Artificial Neural Networks

در بانكداری اسلامی، دو دسته‌ عقود مشاركتی و غیرمشاركتی (عقود مبادله‌ای) وجود دارد. عقود مبادله‌ای، عقودی با نرخ سود ثابت است كه نرخ آنها معمولاً مبنای تخصیص منابع عقود مشاركتی است. در ایران نرخ سود عقود مبادله‌ای از سوی بانك مركزی و به صورت دستوری تعیین می‌شود. در پژوهش حاضر با الهام از روش ارایه شده از سوی دادگر و فیروزان (1391) و به ‌منظور مقایسه نتایج و ارتقای كارآیی برآوردها و نشان دادن قابلیت عملیاتی روش مذكور با استفاده از شبكه‌های عصبی مصنوعی پرسپترون چندلایه (MLP) و تابع پایه شعاعی (RBF) نرخ سود عقود مبادله‌ای محاسبه و برآورد شد. داده‌های مورد استفاده، اطلاعات حقیقی و واقعی عملكرد بخش تولید صنعتی یعنی بنگاه‌های با بیش از 10 نفر كاركن را شامل می‌شود. طبق نتایج به ‌دست آمده، دو شبكه از دقت نسبتاً خوبی برای تخمین ضرایب تابع هزینه‌ سایه‌ای برخوردارند و اكثر ضرایب، در صدم اعشار با هم تفاوت دارد. روش پیشنهادی علاوه بر سهولت انجام، در راستای روش اقتصادسنجی بوده ولی محدودیت های آن از جمله بررسی تعداد محدود صنایع به دلیل نمونه‌گیری را نداشته و تقریباً تمام 14 هزار داده‌ كارگاه‌های صنعتی در سال 1386 را لحاظ نموده و میزان خطای محاسبات بسیار كمتر است. طبق نتایج حاصل، نرخ سود عقود مبادله‌ای برای سال مورد بررسی 15درصد به دست آمد كه در مقایسه با نرخ سود 12 درصد برای سال مذكور، نشان‌دهنده 20 درصد انحراف در تعیین نرخ سود است كه هزینه‌های غیرقابل انكاری بر اقتصاد كشور و تخصیص منابع محدود دارد.

Islamic banking includes profit and loss sharing (PLS) and transaction contracts. Transaction contracts have fixed rates of return, which in turn form a base for allocating the financial resources to PLS contracts. In Iran, the rates of return in transaction contracts are determined by Central Bank. In this research, we compute and estimate the rates of return in transaction contracts using the Multi-Layer Perceptron (MLP) Artificial Neural Networks and Radial Basis Function (RBF). This research is an extension and improvement of Dadgar and Firoozan (2012) work. Data used for algorithms is the real data gathered from manufacturing workplaces having more than 10 employees. Our results show that two networks are of good accuracy to estimate the coefficients of shadow cost function, and most of them are approximately equal in two networks. Compared to econometric method, the proposed model has no sampling limitation. This method accounts for all of 14000 manufacturing units in 2007, and consequently the computational errors are much less than those of econometric calculations. According to the results, the estimated rate of return for transaction contracts is 15%. This rate in comparison with the prevailing rate, i.e. 12%, reflects a 20% deviation in determining rate of return, which causes undeniable costs on the economy and allocation of limited resources.