Designing a Forecasting Model and Evaluating the Strategic Cooperation between the Banking System and Fintech Startups using the Adaptive Neural Fuzzy Inference System (ANFIS)

Document Type : Research Paper

Authors

1 Ph.D. Candidate, Department of Technology Management, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

2 Associate Professor, Department of Industrial Management, Karaj Branch, Islamic Azad University, Karaj, Iran

3 Associate Professor, Department of Economics, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran

4 Associate Professor, Department of Management and Accounting, Farabi Faculty, University of Tehran, Tehran, Iran

Abstract

This research aims to develop a robust predictive model for evaluating the strategic cooperation between Iran's banking system and fintech startups. Leveraging insights from 14 experts within the banking and fintech sectors, a hybrid methodology involving the foundation's interview tool and data analysis was employed. Thirty-one indicators, categorized into six key factors influencing strategic cooperation, were identified. Using a fuzzy approach and MATLAB software, a conceptual model was crafted to assess the strategic cooperation of the banking system with fintech startups. Input from 320 industry professionals and managers further enriched the analysis. The findings underscore the pivotal dimensions shaping this cooperation, including barriers to entry, external factors, explanatory elements, varying cooperation levels, consequences of collaboration, and the motivations driving banks and fintechs. The level of strategic cooperation was determined to be in the medium to high range. Notably, the Anfis-designed model exhibited acceptable validity and predictive power. This study contributes not only by unraveling critical cooperation dimensions but also by furnishing a reliable predictive tool. The comprehensive approach, amalgamating expert insights, diverse indicators, and advanced analytical tools offers valuable insights to fortify strategic cooperation in the banking-fintech nexus.
Keywords: Startup, Fintech, Strategic Cooperation, Banking System, Fuzzy Inference System.
 
Introduction
The rapid evolution of financial technology (fintech) has instigated a profound transformation in the global banking sector, challenging established norms and prompting the need for strategic collaboration (Li et al., 2023). In response, this study delves into the strategic cooperation between traditional banks and fintech startups, recognizing that these entities must leverage each other's strengths, share resources, and attain common objectives (Jia et al., 2023).
Collaboration between banks and fintech startups unlocks numerous benefits, enhancing growth and innovation within the financial ecosystem. Banks with regulatory knowledge and expansive customer bases provide fintech access to networks and financial resources. Concurrently, fintechs, with technical expertise and disruptive ideas, propel technological advancements and accelerate processes (Hu et al., 2019). Despite the extensive exploration of fintech's impact, a research gap persists in understanding the dimensions influencing strategic cooperation between banks and fintech startups (Yang & Wang, 2022).
In the context of Iran's burgeoning fintech sector, the dynamics of strategic cooperation with traditional banks remain largely unexplored. This study addresses this gap by crafting a comprehensive model through a literature review, in-depth interviews, and content analysis. The primary research question guiding this inquiry is: What dimensions and key components influence strategic cooperation between Iran's banking system and fintech startups?
This research is pivotal, uncovering untapped potential in Iranian collaboration and providing a framework for policymakers and industry stakeholders. It facilitates efficient collaboration, fosters innovation, improves financial services, and benefits customers and the Iranian banking industry.
 
Materials and Methods
Employing a grounded theory approach, this study formulates, rather than tests, theories through inductive reasoning. Initially, a semi-structured questionnaire was designed, informed by the literature, and administered to 14 experts with a minimum of a master's degree, and over a decade of experience in digital banking, startup management, and fintech. Utilizing snowball sampling, interviews achieved theoretical saturation by the twelfth, with two additional interviews for verification. ATLAS.ti software facilitated data analysis, extracting dimensions used to formulate and test a model via a questionnaire. Face and content validities, along with Cronbach's alpha, ensured questionnaire reliability.
Calculating a sample size of 291 with Sample Power v3.0.1, 321 questionnaires were distributed, receiving 320 responses from experienced banking and fintech professionals. Respondents, purposively selected, rated strategic cooperation on a scale of 0 to 10. Neuro-adaptive fuzzy inference system (ANFIS) was employed for inference rule design using MATLAB.
ANFIS, a blend of fuzzy inference and neural networks, was chosen for its capacity for nonlinear problem-solving. The model's accuracy surpasses regression, aligning with reality for precise forecasting (Azar & Faraji, 2017). ANFIS building involves clustering the output variable and fuzzy expansion in input spaces, forming a rule base. This approach ensures flexibility in adjusting weights, presenting a superior alternative to multivariate regressions.
The study adheres to a systematic process, from data collection to ANFIS modeling, to scrutinize the adaptive neural fuzzy system intricacies (Azar & Faraji, 2017).
 
Findings
The study unfolds an innovative framework, leveraging an Adaptive Neural Fuzzy Inference System (ANFIS), to scrutinize strategic collaboration dynamics between Iran's banking realm and burgeoning fintech enterprises. In this endeavor, six pivotal dimensions, embracing collaboration incentives, influential factors, diverse cooperation levels, external organizational elements, hurdles, and resultant outcomes, constitute the ANFIS inputs. The resulting mathematical model incorporates a principal ANFIS and six sub-ANFIS modules, each scrutinizing the ramifications of a specific dimension, illustrated in Table 1.
 
Table 1: Research Dimensions and Components




Components


Symbol


Dimensions


Main component




Market development needs (MD), Financial aspects (FA),
Innovation motivations (IM), Emerging business ecosystem (BE)


SCM


Strategic Cooperation Motivations


 Strategic cooperation between the banking system and fin-tech startups (SCOBF)




Digital transformation (DT), Technology infrastructures (TI), Structural factors (SF), Organizational factors (OF), Cultural factors (CF), Manager tact (MT),
Trust making (TM), Legal features (LF)


EFOC


Effective Factors on Cooperation




Conventional cooperation (CC), Strategic cooperation (SC),
Dynamic cooperation (DC)


LCBF


Levels of Cooperation Between Banks and Fintech




Peripheral factors (PF). International factors (IF), Law making (LM),
Policy making (PM), Government and parliament (GP), Banking syndication (BS)


EOF


External Organizational Factors




Technology limitations (TL), Economic barriers (EB), Procedure barriers (PB), Security challenges (SC), Legal barriers (LB)


SCB


Strategic Cooperation Barriers




Business development (BD), Value making (VM), Efficiency improvement (EI), Transparency improvement (TM), Risk indicators (RI)


SCO


Strategic Cooperation Outcomes




 
Moreover, the ANFIS design integrates Gaussian functions, ensuring differentiability and adaptability to diverse data patterns. The initial membership functions, depicted in Figure 1, set the stage for subsequent modeling by illustrating the shape and characteristics of linguistic variables in the ANFIS system. These initial functions provide the groundwork for the ANFIS to effectively capture the intricacies and relationships inherent in the strategic cooperation between the banking system and fintech startups.
 
 
Figure 1: Initial membership function for evaluating the strategic cooperation of the banking system and fintech startups
 
The study proceeds to the ANFIS training and error analysis phase, employing both backpropagation and hybrid methods. The average error of 7.7 * 10-8 showcases the high validity and accuracy of the model. The subsequent implementation of the mathematical model, as detailed in Table 2, illustrates the input and output values for the main model, offering a comprehensive overview of the strategic cooperation evaluation.
 
Table 2: ANFIS Input and Output Values for Strategic Cooperation




SCOBF


SCO


SCB


EOF


LCBF


EFOC


SCM


Input variables




7.60


6.17


6.9


6.68


6.17


6.6


6


Output values




 
Furthermore, the model undergoes meticulous validation through dataset testing and limit condition testing, ensuring its applicability, accuracy, and reliability. Additionally, sensitivity analysis and impact rate ranking of research dimensions underscore the pivotal role of overcoming barriers, as encapsulated by the dimension "SCB", in shaping and fostering effective strategic cooperation.
 
Discussion and Conclusions
The research concludes with a comprehensive exploration of strategic cooperation between Iran's banking sector and fintech startups, illuminating key dimensions that significantly influence collaboration. The study introduces a robust model comprising 31 indicators across six factors, elucidating the intricacies of strategic cooperation. Emphasizing the transformative potential of collaboration, the analysis pinpoints crucial dimensions, including barriers, organizational factors, effective cooperation factors, and motivational aspects. The model, evaluating strategic cooperation at a commendable score of 7.06, underlines the prospect for innovation and positive transformation in financial services.
Recommendations for policymakers, industry stakeholders, and regulators are delineated, focusing on fostering a culture of cooperation, facilitating strategic partnerships, embracing digital transformation, ensuring regulatory support, prioritizing talent acquisition, and developing customer-centric solutions. These proposals aim to cultivate an environment conducive to effective collaboration, innovation, and sustainable growth in the Iranian banking industry.
The study identifies limitations, cautioning against generalizing findings to other regions and industries. Acknowledging biases associated with self-reported data, suggests future research adopt mixed-method approaches. Encouraging longitudinal studies and exploration of additional dimensions, such as technological advancements and cultural factors, is advised. The call for knowledge exchange between researchers, practitioners, and policymakers emerges as a key theme, underscoring the importance of collaboration to deepen industry insights.
In essence, while providing valuable insights, the research acknowledges its limitations and proposes a roadmap for future investigations. By addressing these limitations and embracing the outlined recommendations, the field can advance, expanding knowledge and adapting to the evolving dynamics of the banking and fintech sectors.

Keywords

Main Subjects

Full Text

مقدمه

پیشرفت‌های سریع در فناوری مالی[1]صنعت بانکداری جهان را متحول کرده است و نوآوری‌های تحول‌آفرین[2]، الگوی‌‌های بانکداری سنتی را به چالش می‌کشد (Li et al., 2023). این محیط پویا و متحول‌کننده به همکاری راهبردی بین نظام بانکی و استارتاپ‌های فینتک برای مهار نقاط قوت مکمل آن‌ها، اشتراک منابع و دستیابی به اهداف مشترک نیاز دارد (Jia et al., 2023).

همکاری بین بانک‌ها و استارتاپ‌های فینتک بهره‌های فراوانی دارد که به رشد و نوآوری در اکوسیستم مالی کمک می‌کند. نخست، این همکاری امکان بهره‌برداری از نقاط قوت متمم یکدیگر را فراهم می‌کند و قدرت رقابتی طرفین را افزایش می‌دهد. بانک‌ها با زیرساخت‌ها و پایگاه مشتری خود می‌توانند به استارتاپ‌های فینتک دسترسی به شبکۀ گسترده، تخصص نظارتی و منابع مالی را ارائه کنند (Drasch et al., 2018). به‌علاوه، استارتاپ‌های فینتک با عرضۀ آگاهی فنی، نوآوری‌های فناورانه، ایده‌های تحول‌آفرین و ساختارشکن می‌توانند تجهیزات بانکی را بهبود ببخشند، فرایندها را تسریع کنند و دسترسی آنها به نیازها و ترجیحات جدیدی از مشتری را گسترش دهند (Hu et al., 2019). با توسعۀ همکاری راهبردی، بانک‌ها و استارتاپ‌های فینتک می‌توانند به‌صورتِ مشترک به نیازها و ترجیحات در‌حال‌تغییر مشتریان پاسخ دهند و امکان توسعۀ محصولات و خدمات مالی نوآورانه و سفارشی را فراهم کنند. در‌حالی‌که پژوهش‌های گسترده‌ای دربارۀ فینتک و تأثیر آن بر بخش مالی انجام شده است، شکاف پژوهشی چشمگیری در درک و بررسی ابعاد و مؤلفه‌هایی وجود دارد که بر همکاری راهبردی بین بانک‌ها و استارتاپ‌های فینتک تأثیر می‌گذارد (Yang & Wang, 2022).

ایران در جایگاه یک اقتصاد در‌حال‌توسعه شاهد ظهور فینتک به‌عنوانِ یک بخش جدید و امیدوارکننده بوده است. بااین‌حال، همکاری راهبردی بین نظام بانکی و استارتاپ‌های فینتک در ایران هنوز به‌صورتِ نسبتاً ناشناخته باقی مانده است. در شرایط ایران درک پیچیدگی‌ها و آثار همکاری راهبردی بین بانک‌ها و استارتاپ‌های فینتک اهمیت بالایی دارد. باوجودِ حضور روزافزون استارتاپ‌های فینتک و ظرفیت آنها برای ایجاد نوآوری و تغییر در چشم‌انداز مالی، فقدان یک الگوی خوب طراحی‌شده که عوامل مؤثر بر همکاری راهبردی بین نظام بانکی و استارتاپ‌های فینتک در ایران را به‌­طوردقیق شناسایی کند، مشهود است.

برای پاسخ‌گویی به این شکاف پژوهشی و برطرف‌کردن نیازهای اساسی درراستای درک جامع و یکپارچه از پویایی‌های همکاری راهبردی، این پژوهش با هدف تدوین الگویی جامع انجام شده است. الگویی که شامل ابعاد و مؤلفه‌های کلیدی شکل‌دهندۀ همکاری بین بانک‌ها و استارتاپ‌های فینتک در ایران باشد. نگارنده در این پژوهش با بررسی ادبیات موجود، مصاحبه‌های عمیق و تحلیل مضمونِ اطلاعات ارائه‌شده توسط کارشناسان مربوط تلاش کرده است که چالش‌ها و فرصت‌های همکاری راهبردی بین بانک‌ها و استارتاپ‌های فینتک در ایران بررسی کند. براین‌اساس، سؤال اصلی پژوهش این است که ابعاد و مؤلفه‌های کلیدی‌ای که بر همکاری راهبردی بین نظام بانکی و استارتاپ‌های فینتک در ایران اثر می‌گذارد، چیست؟

انجام این پژوهش، به چند دلیل ضروری است. نخست، پتانسیل استفاده‌نشده و پویایی ناشناختۀ همکاری بین بانک‌ها و استارتاپ‌های فینتک در ایران را روشن می‌کند و هر دو طرف را قادر می‌کند که از نقاط قوت یکدیگر استفاده کنند و رقابت‌پذیری خود را افزایش دهند. با توسعۀ یک الگوی جامع، این پژوهش چارچوب ارزشمندی را برای سیاست‌گذاران، قانون‌گذاران و ذی‌نفعان صنعت در مسیر تسهیل و هدایت طرح‌های همکاری راهبردی فراهم می‌کند. علاوه‌براین، یافته‌های این پژوهش به گفتمان گسترده‌تر دربارۀ نوآوری فینتک و پیامدهای آن برای اکوسیستم مالی ایران کمک می‌کند.

نگارنده در این پژوهش با بررسی پیچیدگی‌های همکاری راهبردی و شناسایی ابعاد و مؤلفه‌های حیاتی، زمینۀ همکاری‌های کارآمدتر و مؤثرتر بین بانک‌ها و استارتاپ‌های فینتک را فراهم می‌کند. درنهایت، اجرای موفقیت‌آمیز الگو‌های همکاری راهبردی می‌تواند به نوآوری، بهبود خدمات مالی و ایجاد اکوسیستم پایداری منجر شود که هم به‌نفع مشتریان و هم صنعت بانکداری در ایران باشد.

 

مبانی نظری

فینتک یا فناوری مالی به‌عنوانِ یک حوزۀ نوآورانه در صنعت مالی، توانسته است با استفاده از فناوری‌های پیشرفته خدمات و محصولات مالی جدیدی ارائه دهد. این حوزه شامل برنامه‌های کاربردی متنوعی است که با استفاده از فناوری، اقداماتی مانند بانکداری تلفن همراه، پرداخت‌های دیجیتال، پلتفرم‌های وام‌دهی، فناوری بلاکچین و مشاورۀ هوشمند[3] را فراهم می‌کند. فینتک همانند یک نیروی تحول‌آفرین و ساختارشکن در صنعت مالی ظهور کرده است. این حوزۀ قدرتمند الگوهای بانکداری سنتی را به چالش می‌کشد و راه‌حل‌های جدیدی برای انجام تراکنش‌ها و مدیریت فعالیت‌های مالی معرفی می‌کند (Hu et al., 2019). نجفی و همکاران عوامل مؤثر بر تعامل بین بانک‌ها و فناوری‌های مالی مدرن را شناسایی و آنها را به ویژگی‌های ذی‌نفع، عوامل محیطی، عوامل سازمانی و عوامل مالی دسته‌بندی کردند (Najafi et al., 2020).

استارتاپ‌های فینتک نقشی اساسی در نوآوریِ بخش مالی دارند. استارتاپ‌های این حوزه برای رفع نقص‌ها و ناتوانی‌های موجود در نظام بانکی، از فناوری‌های نوین استفاده می‌کنند. هدف اصلی استارتاپ‌های فینتک ترکیب تخصص مالی با پیشرفت‌های فناورانه است تا تجارب بهبودیافته‌ای را به مشتریان ارائه دهند، دسترسی مالی را بهبود بخشند و فرایندهای مالی را ساده‌سازی کنند. این فرایندها با استفاده از فناوری بهبود یافته و به مشتریان ارائه می‌شود (Franklin et al., 2022).

استارتاپ‌ها همانند شرکت‌های تجاری نوپا و تازه‌تأسیس شناخته می‌شوند که در محیطی پویا و در‌حال‌تغییر عمل می‌کنند و بیشتر تحت‌تأثیر نوآوری و رشد قرار می‌گیرند. یکی از ویژگی‌های مشخص استارتاپ‌ها محدودیت منابع، نبودِ قطعیت بالا و تمرکز بر مقیاس‌پذیری است. استارتاپ‌ها معمولاً ایده‌ها و فناوری‌های تحول‌آفرین و ساختارشکن را به بازار عرضه می‌کنند، هنجارهای صنعت را به چالش می‌کشند و راه‌حل‌های جدیدی برای نیازهای مشتریان ارائه می‌دهند (Jinsong et al., 2022) استارتاپ‌ها در حوزۀ فینتک نقش مهمی در تقویت نوآوری و تغییر چشم‌انداز مالی دارند. آنها از فناوری‌های نوظهوری مانند هوش مصنوعی، یادگیری ماشین و تجزیه‌و‌تحلیل داده‌های بزرگ بهره می‌برند تا محصولات و خدمات مالی پیشرفته‌ای را توسعه دهند. استارتاپ‌ها با استفاده از چابکی و زمینه‌سازی مناسب، قدرت بهبود سریع در پاسخ به تغییرات بازار و ترجیحات مشتریان را دارند و فرصت‌های منحصر‌به‌فردی برای همکاری با مؤسسات بانکی فراهم می‌کنند (Barz et al., 2023). اسدالله و همکاران نشان دادند که ظهور فینتک‌ها و استارتاپ‌های مالی به تغییراتی در الگوی کسب‌وکار بانکداری الکترونیک منجر شده است (Asadollah et al., 2019). عوامل مهم مؤثر بر این الگو شامل ساختار مؤسسات مالی، تقسیم‌بندی مشتریان، توسعه‌دهندگان فناوری‌های مالی و محیط کسب‌و‌کار است. ابعاد گوناگونی مانند خدمات ارائه‌شده، ساختار ارتباط با مشتری، مدیریت زیرساخت و جنبه‌های مالی در طراحی این الگو بسیار مهم هستند. بررسی پیامدهای این الگو نشان داد که بهبود در محیط کسب‌و‌کار، عملکرد سازمانی و رواج بانکداری مجازی بیشترین تأثیر را بر نتایج دارد. این پژوهش بر نیاز به یک دیدگاه چندبُعدی برای درک پدیدۀ پیچیده تأکید می‌کند و عوامل متعددی را در الگوی همکاری بین بانک‌ها و فینتک‌ها درنظر می‌گیرد. غلامی و همکاران با بررسی عوامل مؤثر بر پیاده‌سازی فینتک در صنعت بانکداری، راهکارهای جامعی برای رفع موانع و توسعۀ صنعت بانکداری ارائه کردند. یافته‌ها بر لزوم قانونی‌سازی و هماهنگ‌سازی با قوانین بالادستی، توسعۀ زیرساخت‌ها و ابزارهای لازم برای اجرای راهبردی‌های فینتک در بانکداری تأکید کرد (Gholami et al., 2023).

همکاری راهبردی درزمینۀ نظام بانکی و استارتاپ‌های فینتک به همکاری متقابل و سودمند بین این دو نهاد اشاره دارد. هدف از این همکاری دستیابی به اهداف مشترک، بهره‌برداری از نقاط قوت مکمل هر دو طرف، به‌اشتراک‌گذاری منابع و ادغام نیروها است. در این همکاری، بانک‌های سنتی و استارتاپ‌های فینتک سعی می‌کنند با ترکیب زیرساخت و تخصص بانکداری سنتی با قابلیت‌ها و نوآوری‌های استارتاپ‌های فینتک، بهبود و توسعۀ خدمات خود را محقق کنند. برای بانک‌ها، همکاری با استارتاپ‌های فینتک به‌عنوانِ منابع جدید فناوری و دیدگاه‌های نو، امکان ارتقای خدمات، بهبود عملکرد عملیاتی و جذب مشتریان جدید را فراهم می‌کند (Jinsong et al., 2022). همکاری بین بانک‌ها و فینتک‌ها به‌طرز چشمگیری بر ابعاد سازمانی بانک‌ها اثر می‌گذارد. عواملی مانند جایگاه طرفین در روابط همکاری، تعامل در امور قراردادی، ظرفیت زیرساختی و فنی، عدالت درک‌شده در توزیع منافع، رویکرد به مسائل مالکیت معنوی و پیش‌بینی آیندۀ همکاری نقش تعیین‌کننده‌ای در انتخاب الگوی همکاری دارند (Chen et al., 2020).

ازطرفِ دیگر، استارتاپ‌های فینتک می‌توانند به پایگاه مشتریان و منابع مالی بانک‌ها دسترسی پیدا و از این طریق به رشد و گسترش سریع آنها در بازار کمک کنند (Harasim, 2021). پژوهشگران و صنعت بانکی توجه زیادی به همکاری بین نظام بانکی و استارتاپ‌های فینتک به‌عنوانِ یک جنبۀ مهم برای ادغام فناوری در صنعت مالی و توسعۀ خدمات مالی نوین، داشته‌اند. مطالعات اخیر نشان می‌دهد که نوآوری مبتنی بر فناوری الگو‌های کسب‌وکار سنتی را به چالش می‌کشد و از مؤسسات مستقر مانند بانک‌ها می‌خواهد که به‌سرعت با عصر دیجیتال سازگار شوند. بانک‌ها به‌ویژه علاقه‌مند به بهره‌مندی از نوآوری سریع هستند، بدون اینکه لزوماً در توسعۀ آن مشارکت داشته باشند؛ در‌حالی‌که فینتک‌ها به منابع و دانش نیاز دارند تا در بخش مالی بسیار تنظیم‌شده مقیاس شوند. علاوه‌براین، در مواجهه با چالش‌های نظارتی و نیاز به جلب اعتماد مشتریان بالقوه، شرکت‌های جوان فینتک به‌طور فزاینده‌ای با بانک‌ها ادغام می‌شوند تا از هم‌افزایی استفاده کنند (Klus et al., 2019). طهماسبی آقبلاغی و همکاران (Tahmasebi Aghbelaghi et al., 2021) چارچوبی برای همکاری راهبردی بین نظام بانکداری خصوصی و فینتک‌ها معرفی و تأکید کردند که موانع و ابهامات محیطی می‌تواند مبنای چنین همکاری‌هایی باشد. شرایط مؤثر برای همکاری شامل فرصت‌طلبی فینتک، رفتار دیجیتال، نیازسنجی مشتری، شناخت مشتری از فینتک، حفظ فضای رقابتی، پایبندی به اصول و قوانین مالی اسلامی و ارزش‌گذاری دقیق کسب‌وکار مشخص شد. عوامل درونی در نظام بانکداری خصوصی مؤثرترین عوامل مداخله‌گر درنظر گرفته شدند.

مطالعات نشان می‌دهد که همکاری بین بانک‌ها و فینتک‌ها براساسِ قابلیت‌ها و مزایای هر یک از طرفین شکل می‌گیرد و به روش‌های گوناگونی رخ می‌دهد (Shah Hosseini et al., 2022). درک پویایی فینتک و همکاری راهبردی در این حوزه، برای درک بهتر زمینه و اهمیت این موضوع ضروری است. با مهار هم‌افزایی و تعامل بین بانک‌ها و استارتاپ‌های فینتک، می‌توان روابط مشترکی ایجاد کرد که به نوآوری، تقویت رشد و شکل‌دهی به آیندۀ خدمات مالی منجر می‌شود (Jia et al., 2023). بومر و ماکسین (Bomer & Maxin, 2018) با بررسی الگوی کسب‌وکار فینتک‌ها نشان دادند که فینتک‌ها ازطریقِ همکاری با بانک‌ها در شبکه‌های صنعتی ادغام می‌شوند و از زیرساخت قوی بانک‌ها برای نوآوری در محصولات و خدمات استفاده می‌کنند. در روابط تعاونی، فینتک‌ها برای دسترسی به بازارهای عمدۀ مشتریان به حمایت بانک‌ها وابسته هستند که به افزایش سود به‌عنوانِ یک هدف ثانویه منجر می‌شود. با تحلیل انگیزه‌های فینتک‌ها برای همکاری با مؤسسات مالی سنتی، این نتیجه به دست می‌آید که فینتک‌ها می‌توانند تحت انواع همکاری با بانک، محصولات را با اعتبار بیشتری بازاریابی کنند و به فروش برسانند. بنابراین، تعهد بانک به ایجاد رابطه‌ای که به فینتک‌ها امکان تولید محصولات جدید و عرضۀ آنها به بازارهای جدید را می‌دهد، به‌طور چشمگیری بر تمایل فینتک‌ها برای همکاری اثر می‌گذارد. در این زمینه، رفتار فرصت‌طلبانۀ بانک، احترام نگذاشتن به اهداف فینتک یا ارزیابی نادرست دانش فینتک توسط بانک بر همکاری تأثیر منفی می‌گذارد.

در جست‌وجوی چشم‌انداز گستردۀ پژوهش‌ها دربارۀ همکاری راهبردی بین نظام بانکی و استارتاپ‌های فینتک، شکاف پژوهشی بزرگی پدیدار می‌شود که نشان‌دهندۀ حوزۀ مهمی است که ادبیات موجود در آن کم است. باوجودِ مطالعات فراوانی که جنبه‌های گوناگون فینتک را بررسی می‌کند، نبودِ یک الگوی یکپارچه محسوس است. منظور از الگوی یکپارچه الگویی است که به‌خوبی ابعاد و مؤلفه‌های چندوجهی مؤثر بر همکاری راهبردی بین بانک‌های سنتی و استارتاپ‌های فینتک را شناسایی کند. پژوهش‌های پیشین بینش‌های ارزشمندی را دربارۀ جنبه‌های خاص این همکاری، مانند الگوهای گوناگون همکاری، عوامل اثرگذار و پیامدهای اتحادهای راهبردی ارائه کرده است. بااین‌حال، آنچه آشکار می‌شود، فقدان یک چارچوب متحدکننده است که این یافته‌های متنوع را در یک کل منسجم ترکیب کند. نگارنده در این پژوهش تلاش می‌کند که با اتخاذ رویکردی جامع، پیچیدگی‌ها و چالش‌های ذاتی در همکاری بین بانک‌ها و استارتاپ‌های فینتک را به‌طور سیستماتیک بررسی و این خلأ حیاتی را پر کند. فقدان یک الگوی جامع چالش‌هایی را برای تدوین مؤثر راهبرد‌ها هم برای مؤسسات مالی و هم برای استارتاپ‌های فینتک با هدف مشارکت در همکاری‌های موفق ایجاد می‌کند. بدون چارچوب راهنما، این نهادها ممکن است پیمایش در تفاوت‌های ظریف همکاری را چالش برانگیز بدانند، که به‌طور بالقوه به نتایج نامناسب و فرصت‌های ازدست‌رفته برای نوآوری و رشد منجر می‌شود. بررسی این شکاف نه‌تنها برای پیشرفت دانش دانشگاهی در این زمینه ضروری است، بلکه برای دست‌اندرکاران صنعت، سیاست‌گذاران و سایر ذی‌نفعانی که در پویایی و موفقیت بخش‌های بانکداری و فینتک هستند نیز اهمیت عملی دارد.

 

روش پژوهش

ازآن‌جاکه نظریۀ زمینه‌یابی براساسِ روشی کاملاً استقرایی است، پژوهشگر به‌جای آزمودن نظریه‌های موجود، خود به تدوین یک نظریه می‌پردازد؛ بنابراین، متغیرهای بررسی‌شده براساسِ چارچوب نظری و بر مبنای مقوله‌ها شناسایی و اکتشاف می‌شوند. برای این منظور، در مرحلۀ اول با مرور ادبیات یک پرسشنامۀ نیمه‌ساختاریافته برای مصاحبه با ۱۴ تن از خبرگان در حوزۀ نظام بانکی و شرکت‌های فینتک تهیه شد. معیار انتخاب افراد‌داشتن حداقل مدرک تحصیلی کارشناسی ارشد، برخورداری از دانش و تجربۀ مرتبط با موضوع و حداقل 10 سال سابقۀ فعالیت در حوزۀ بانکداری دیجیتال، مدیریت استارتاپ‌ها و شرکت‌های فینتکی بوده است؛ بنابراین، نمونه برای انجام مصاحبه 14 تن از مدیران و کارشناسان نظام بانکی در حوزۀ بانکداری دیجیتال و شرکت‌های حوزۀ فینتک انتخاب شد. این افراد تحصیلات کارشناسی ارشد و دکترا دارند، اکثراً در پست‌های مدیریتی مشغول به خدمت هستند و سابقه‌های بیش از 10 سال در صنعت بانکداری داشتند. در این مرحله، از روش نمونه‌برداری گلولۀ برفی برای رسیدن به اشباع نظری استفاده شد.

براساسِ اصل اشباع در حجم نمونه، تعداد نمونه‌های مصاحبه‌شونده مشخص شده است. مطابق با این اصل، پژوهشگر وقتی به نتیجه می‌رسد که ادامۀ مصاحبه‌ها اطلاعات جدیدی را ارائه نمی‌دهد و تکرار اطلاعات قبلی است. در این حالت، جمع‌آوری اطلاعات متوقف می‌شود. از مصاحبۀ دوازدهم به بعد، تحلیل داده‌ها به کشف مفاهیم و مقوله‌های تازه‌ای منجر نشد. بااین‌حال، برای تضمین حصول اشباع نظری، دو مصاحبۀ اضافی نیز انجام و داده‌های مربوط به آ‌ن­ها تحلیل شد. بعد از استخراج ابعاد و مؤلفه‌ها از مرور ادبیات و دانش خبرگان، با استفاده از نرم‌افزار ATLAS.ti یک پرسشنامه برای تدوین، اجرا و آزمون الگو طراحی شد. برای اعتبار علمی آن از روش روایی صوری و محتوایی استفاده و با محاسبۀ ضریب آلفای کرونباخ پایایی پرسشنامه‌ها تأیید شد. با استفاده از نرم‌افزار Sample Power v3.0.1 و با مقدار آلفا برابر با 01/0 و توان آزمون 85/0 حجم نمونه به تعداد 291 نفر محاسبه شده است.

پرسشنامۀ ساخته‌شده ازطریقِ پرسشنامۀ آنلاین و مکتوب بین 321 نفر (10 درصد بیشتر از میزان تخمین‌زده‌شده) توزیع و درنهایت 320 پرسشنامۀ تکمیل‌شده جمع‌آوری شد. پرسش‌شوندگان 320 تن از کارشناسان، مدیران و سیاست‌گذاران فعال در صنعت بانکداری و کسب‌وکارها و استارتاپ‌های حوزۀ فینتک با سابقۀ کار بیش از 10 سال در پست‌های مدیریتی و دارای مدارک تحصیلی کارشناسی ارشد و دکتری بودند. این افراد به‌صورتِ هدفمند و در دسترس انتخاب شدند و از آنها درخواست شد که باتوجه‌به دانش تجربی و تخصصی خود و با د نظر گرفتن تأثیرات ابعاد مذکور، میزان متغیر خروجی یا همان همکاری راهبردی نظام بانکی با استارتاپ‌های حوزۀ فینتک را تخمین بزنند و با علامت‌گذاری از بین مقادیر 0 تا 10 مشخص کنند. در این پژوهش برای طراحی قوانین استنتاجی از سیستم استنتاج فازی عصب ـ تطبیقی[4] یا انفیس استفاده شده است که براساسِ ترکیب قابلیت یادگیری شبکه‌های عصبی و عملکرد سیستم‌های فازی عمل می‌کند (Abraham, 2005). بعد از جمع‌آوری پرسشنامه‌ها، از سیستم استنتاج عصبی فازی با استفاده از نرم‌افزار MATLAB استفاده شد. اطلاعات جمع‌آوری‌شده از پرسشنامه‌ها به سه دسته تقسیم شد: داده‌های آموزش، امتحان و بررسی. داده‌های آموزش برای الگو‌سازی سیستم هدف استفاده شد. داده‌های امتحان و بررسی برای اعتبارسنجی الگوی طراحی‌شده به کار گرفته شد.

سیستم استنتاج فازی ـ عصبی تطبیقی (انفیس) روشی مناسب برای حل مسائل غیرخطی است. این سیستم ترکیبی از روش استنتاج فازی و شبکۀ عصبی مصنوعی است که از مزایای هر دو روش بهره می‌برد. انفیس یک الگوی جعبه‌سیاه است که بدون آگاهی یا با آگاهی کم از فرایند درونی سیستم، ورودی‌ها را به خروجی تبدیل می‌کند. این ویژگی آن را مشابه روابط رگرسیونی می‌سازد، با این تفاوت که قابلیت انعطاف آن در تنظیم وزن‌ها بیشتر است؛ بنابراین، انفیس همانند جایگزینی برای رگرسیون‌های چندمتغیره نیز استفاده می‌شود.

الگوی انفیس نسبت‌به الگوی رگرسیونی دقت بالاتری دارد و در پیش‌بینی با دقت بالا با واقعیت هماهنگ است و به‌عنوانِ ابزاری برتر برای پیش‌بینی معرفی می‌شود (Azar & Faraji, 2017). به‌طورکلی، در فرایند استخراج یک سیستم فازی مبتنی بر داده، مجموعه‌ای از داده‌ها از یک سامانه جمع‌آوری می‌شود که قصد الگو‌سازی آن وجود دارد. این مجموعۀ داده شامل یک متغیر خروجی و چندین متغیر ورودی است. فرایند با خوشه‌بندی متغیر خروجی آغاز می‌شود و سپس هر خوشه در فضای خروجی با استفاده از اصل گسترش فازی روی فضای متغیرهای ورودی گسترش می‌یابد.

با استخراج تصویر هر یک از خوشه‌های توسعه‌یافته می‌توان توابع عضویت را برای هر یک از متغیرهای ورودی نیز محاسبه کرد و ارتباط بین فضای متغیرهای ورودی و فضای متغیر خروجی را با استفاده از خوشه‌های متناظر نمایش داد. در مرحلۀ بعد، قواعد سیستم براساسِ روابط بین خوشه‌های متناظر به دست می‌آید و با ترکیب این قواعد پایگاه قواعد فازی شکل می‌گیرد؛ بنابراین، تعداد قواعد در این سیستم برابر با تعداد خوشه‌های متغیر خروجی است که در مرحلۀ اول با استفاده از تکنیک خوشه‌بندی به دست آمده بود. در ادامه، طراحی، پیاده‌سازی و اجرای سیستم فازی عصبی تطبیقی بررسی خواهد شد که موضوع این پژوهش است.

 

یافته‌ها

در این پژوهش با استفاده از کدگذاری نظریۀ داده‌بنیاد، تلاش می‌شود با تحلیل دقیق داده‌ها، ابعاد و مؤلفه‌های مؤثر بر همکاری‌های راهبردی بین نظام بانکی ایران و استارت‌آپ‌های حوزۀ فینتک شناسایی و دسته‌بندی شود. هر مصاحبه مثل یک گروه مقایسه درنظر گرفته شده است. مصاحبه‌شوندگان از بین خبرگانی انتخاب شده‌اند که سابقه و تحصیلات کافی و تخصص و آگاهی لازم را دربارۀ موضوع پژوهش دارند.

پس از انجام و مطالعۀ دوازده مصاحبۀ نخست در مرحلۀ کدگذاری باز، در چرخۀ اول تعداد 272 کد به دست آمد. مطالعۀ مصاحبه‌ها نشان داد که برخی اطلاعات تکراری و مؤید مفاهیم و مقوله‌ها وجود دارند؛ بنابراین، پژوهشگر به این نتیجه رسید که مرحلۀ اشباع نظری نزدیک است، اما برای جلوگیری از نادیده گرفتن برخی کدها و شاید روابط جدید و بهبود روایی پژوهش، دو مصاحبۀ اضافه نیز انجام شد. در مرحلۀ کدگذاری محوری مقولات حاصل از کدگذاری باز در یک نظم منطقی ترتیب داده شدند و ارتباط آنها با یکدیگر مشخص شد. به‌عبارت دیگر، داده‌های تحلیل‌شده در کدگذاری محوری به شیوه‌ای جدید با یکدیگر مرتبط شدند. در این مرحله، 272 موضوع استخراج و در مرحلۀ کدگذاری باز تلفیق و ترکیب شد. درنهایت، پنج عامل اصلی به دست آمد.

با انجام کدگذاری محوری 31 مقولۀ فرعی شناسایی و در قالب 6 مقولۀ اصلی گروه‌بندی شدند. در مرحلۀ بعد، با استفاده از کدگذاری انتخابی و براساسِ نتایج دو مرحلۀ قبلی، مقولۀ محوری براساسِ رویکرد خودظهور و به‌شکلی سازمان‌دهی‌شده به سایر مقوله‌ها مرتبط شد. این روابط در چارچوب یک روایت ارائه شد. مقوله‌هایی که بهبود و توسعۀ بیشتری نیاز داشتند، اصلاح شدند. در این مرحله، پژوهشگر به تحلیل عمیق داده‌ها پرداخت. پس از انجام دو مرحلۀ کدگذاری باز و محوری، شاخص‌های پژوهش استخراج شدند و برای نهایی‌کردن عناوین و صحت آن‌ها نظر خبرگان دوباره مدنظر قرار گرفت. درنهایت، 31 شاخص استخراج شد. شاخص‌های مؤثر بر همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک در قالب شکل (1 ارائه شده است.

انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری

جنبه‌های مالی

انگیزه‌های نوآورانه

اکوسیستم نوین کسب‌و‌کار

نیاز به توسعۀ بازار

عوامل تبیین‌کنندۀ همکاری بانک‌ها و فینتک‌ها

تحول دیجیتال

زیرساخت‌های علم و فناوری

عوامل ساختاری

عوامل سازمانی

عوامل فرهنگی

جایگاه مدیران

اعتمادسازی و انتخاب بهینه

جنبه‌های حقوقی و قانونی

انواع سطوح همکاری بانک‌ها و فینتک‌ها

سطوح همکاری رایج

سطوح همکاری راهبردی

همکاری راهبردی انعطاف‌پذیر و پویا

ابعاد و مؤلفه‌های برون سازمانی

عوامل محیطی و ملی

عوامل بین‌المللی و تحریم‌های حوزۀ فناوری

قانون‌گذاری و نهاد ناظر

سیاست‌گذاری

دولت و مجلس

اتحادیه و سندیکای بانکی

موانع و مشکلات ورود به همکاری‌های راهبردی

موانع فرایندی

چالش‌های امنیتی

موانع قانونی

موانع اقتصادی و تجاری

محدودیت‌های فناورانه و زیرساختی

پیامدهای ورود به همکاری‌های راهبردی

 

توسعۀ کسب‌و‌کار

ارزش‌آفرینی

ارتقاء کارایی

ارتقای شفافیت و سلامت مالی

شاخص ریسک

همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک

شکل (1) الگوی مفهومی استخراج‌شده از مرور ادبیات و مصاحبه با خبرگان

Figure (1) Conceptual model extracted from literature review and interviews with experts

انفیس اصلی شش ورودی (ابعاد) دارد: انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری، عوامل تبیین‌کنندۀ همکاری بانک‌ها و فینتک‌ها، انواع سطوح همکاری بانک‌ها و فینتک‌ها، ابعاد و مؤلفه‌های برون‌سازمانی، موانع و مشکلات ورود به همکاری‌های راهبردی، پیامدهای ورود به همکاری‌های راهبردی و یک خروجی شامل همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک است. جدول (1) مؤلفۀ اصلی پژوهش (خروجی نهایی)، ابعاد و مؤلفه‌های مربوط به آنها (ورودی اولیه و میانی) را نشان می‌دهد. براین‌اساس، الگوی ریاضی مربوط در این پژوهش شامل یک انفیس اصلی برای همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک و شش انفیس فرعی متعلق به تجمیع اثرات هر یک از مؤلفه‌ها بر ابعاد مربوط است. الگوی طراحی‌شده 15 قاعدۀ استنتاجی دارد که دارای شش ورودی (ابعاد شش‌گانه) و خروجی همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک است.

جدول (1) مؤلفۀ اصلی، ابعاد و مؤلفه‌ها

Table (1) Main component, dimensions and components

مؤلفۀ اصلی

ابعاد

نماد

مؤلفه‌ها

نماد

همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک (SCOBF)

انگیزه بانک‌ها و فینتک‌ها در ورود به همکاری

SCM

نیاز به توسعۀ بازار

MD

جنبه‌های مالی

FA

انگیزه‌های نوآورانه

IM

اکوسیستم نوین کسب‌و‌کار

BE

عوامل تبیین‌کنندۀ همکاری بانک‌ها و فینتک‌ها

EFOC

تحول دیجیتال

DT

زیرساخت‌های علم و فناوری

TI

عوامل ساختاری

SF

عوامل سازمانی

OF

عوامل فرهنگی

CF

جایگاه مدیران

MT

اعتمادسازی و انتخاب بهینه

TM

جنبه‌های حقوقی و قانونی

LF

انواع سطوح همکاری بانک‌ها و فینتک‌ها

LCBF

سطوح همکاری رایج

CC

سطوح همکاری راهبردی

SC

همکاری راهبردی انعطاف‌پذیر و پویا

DC

ابعاد و مؤلفه‌های برون‌سازمانی

EOF

عوامل محیطی و ملی

PF

عوامل بین‌المللی و تحریم‌های حوزۀ فناوری

IF

قانون‌گذاری و نهاد ناظر

LM

سیاست‌گذاری

P

دولت و مجلس

GP

اتحادیه و سندیکای بانکی

BS

موانع و مشکلات ورود به همکاری‌های راهبردی

SCB

محدودیت‌های فناورانه و زیرساختی

TL

موانع اقتصادی و تجاری

EB

موانع فرایندی

PB

چالش‌های امنیتی

SC

موانع قانونی

LB

پیامدهای ورود به همکاری‌های راهبردی

SCO

توسعۀ کسب‌و‌کار

BD

ارزش‌آفرینی

VM

ارتقای کارایی

EI

ارتقای شفافیت و سلامت مالی

TI

شاخص ریسک

RI

سیستم‌های انفیس باید تابعی مشتق‌پذیر باشند. در بیشتر پژوهش‌های مشابه مانند ذوالفقاری و همکاران (Zolfaghari et al., 2022) از توابع گوسی[5] (به‌عنوانِ توابع عضویت در سیستم‌های استنتاج فازی انطباق‌پذیر مبتنی بر شبکه) استفاده شده است. در این پژوهش نیز از همین دسته توابع گوسی بهره گرفته شده است. این دسته از توابع به‌دلیلِ قابلیت باز و بسته‌شدن و با تغییر پارامتر σ (انحراف معیار) قادرند مقادیر بیشتری را پوشش دهند.

Gussian (x, , c) =e × p (-(x-c/)2)

در این رابطه c نماد مرکز تقارن و پارامتر σ مشخص‌کنندۀ درجۀ بازشدگی تابع است. تابع گوسی منحنی پیوسته دارد و پارامترهای آن را می‌توان با ویژگی‌های متغیرهای زبانی تنظیم کرد. بازۀ تغییرات برای متغیرهای ورودی و خروجی نیز در بازۀ 0 تا 10 تعریف شده است. شکل (2) تابع عضویت اولیه برای متغیرهای زبانی ورودی‌ها و خروجی سیستم استنتاج عصبی فازی تطبیقی همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک و زیرسیستم‌های آن را نشان می‌دهد.

 

شکل (2) تابع عضویت اولیه برای ارزیابی همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک

Figure (2) Initial membership function for evaluating the strategic cooperation of the banking system and fintech startups

 

برای به‌دست‌آوردن پارامترهای تابع عضویت در فرایند آموزش، از دو روش پس‌انتشار[6] و ترکیبی[7] استفاده شد. در روش پس‌انتشار پس از محاسبۀ خطا[8] و انجام بازگشت به عقب، خطا به‌سمتِ ورودی‌ها (روی پارامترها) منتشر می‌شود و سپس با استفاده از الگوریتم کاهش گرادیان خطا، پارامترها تصحیح می‌شوند (همانند روش پس‌انتشار خطا در شبکه‌های عصبی). به‌این‌ترتیب، با ترکیب این دو روش می‌توان به یک روش آموزشی ترکیبی و بهینه دست پیدا کرد که در این پژوهش از آن استفاده شده است. محدودۀ تغییرات خطا[9] با اندازۀ خطا رابطۀ مستقیم دارد و برای تعیین یک معیار برای توقف آموزش استفاده می‌شود. انفیس‌های طراحی‌شده با 30 دوره[10] آموزش به میزان پذیرفتنی‌ای از خطا دست یافتند. جدول (2) میزان این خطا را در انفیس اصلی و انفیس‌های فرعی پس از 30 دوره آموزش نشان می‌دهد.

 

 

جدول (2) میزان خطا در انفیس طراحی‌شده

Table (2) The amount of error in the designed ANFIS

خطا

ANFIS

10-8× 2/2

انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری

SCM

10-8× 1/2

عوامل تبیین‌کنندۀ همکاری بانک‌ها و فینتک‌ها

EFOC

10-10× 5/5

انواع سطوح همکاری بانک‌ها و فینتک‌ها

LCBF

10-9× 4/8

ابعاد و مؤلفه‌های برون‌سازمانی

EOF

10-8× 4/1

موانع و مشکلات ورود به همکاری‌های راهبردی

SCB

10-8× 9/1

پیامدهای ورود به همکاری‌های راهبردی

SCO

10-8× 7/7

همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک

SCOBF

 

همان‌طورکه مشاهده می‌شود، میانگین خطای محاسبه‌شده در مرحلۀ آموزش الگو برابر با 10-8× 7/7 است؛ بنابراین، این الگو اعتبار بالا و پذیرفتنی‌ای دارد. بعد از اجرای انفیس‌های فرعی، خروجی آنها به‌عنوانِ ورودی انفیس اصلی برای ارزیابی ابعاد مؤثر بر همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک استفاده شده است. جدول (3)، مقادیر این ورودی‌ها و خروجی را در الگوی اصلی نشان می‌دهد و شکل (3)، پایگاه قواعد انفیس اصلی را نمایش می‌دهد.

جدول (3) مقادیر ورودی و خروجی انفیس همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک

Table (3) ANFIS input and output values of the strategic cooperation of the banking system and fintech startups

SCOBF

SCO

SCB

EOF

LCBF

EFOC

SCM

06/7

17/6

9/6

68/6

17/6

6/6

6

 

 

شکل (3) پایگاه قواعد همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک

Figure (3) Database of strategic cooperation rules of the banking system and fintech startups

 

 

همان‌طورکه مشاهده می‌شود، سطح همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک مقدار 06/7 ارزیابی شده است که در وضعیت خوبی قرار دارد. در اینجا نکتۀ مهم این است که بُعد «موانع و مشکلات ورود به همکاری‌های راهبردی» طبق جدول (3) عدد 9/6 را به خود اختصاص داده و وضعیت خوبی هم در میان ورودی‌ها داشته است. ازطرفِ دیگر، بُعد «انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری» عدد 6 را به خود اختصاص داده که کم‌ترین مقدار را در میان ورودی‌ها داشته است.

قبل از پیاده‌سازی و اجرای سیستم در پژوهش مدنظر، ابتدا صحت الگوی ریاضی سنجیده شد. اعتبارسنجی الگو، قابلیت اعتماد و کاربردی‌بودن آن را افزایش می‌دهد. به این منظور، از دو روش برای اعتبارسنجی استفاده شد: امتحان و بررسی مجموعۀ داده‌ها و آزمون شرایط حدی.

برای اعتبارسنجی از داده‌های امتحانی استفاده می‌شود تا توانایی تعمیم‌دادن سیستم استنتاج فازی طراحی‌شده را بسنجد. برای کنترل مسئلۀ فراانطباقی[11]، از آخرین دستۀ داده‌ها (داده‌های بررسی) استفاده شده است. در این پژوهش عملکرد انفیس طراحی‌شده بررسی شده است. شکل (4) و شکل (5) هماهنگی بین داده‌های آموزش و بررسی را به‌وضوح نشان می‌دهند.

 

شکل (4) نمودار مقایسۀ بین خروجی انفیس و داده‌های آموزش

Figure (4) Comparison chart between ANFIS output and training data

 

 

شکل (5) نمودار مقایسۀ بین خروجی انفیس و داده‌های بررسی

Figure (5) Comparison chart between ANFIS output and checking data

 

 

در شکل (4)، علامت «•» نشان‌دهندۀ خروجی انفیس و علامت «*» نشان‌دهندۀ داده‌های امتحانی با میانگین خطای محاسبۀ 10-8× 7/7 است. در شکل (5)، علامت «•» نشان‌دهندۀ خروجی سیستم و علامت «*» نشان‌دهندۀ داده‌های بررسی است که تقریباً باهم مطابقت دارند. این اتفاق نشان‌دهندۀ نبودِ پدیدۀ فراانطباق در انفیس طراحی‌شده است؛ به‌عبارت دیگر، الگوی به‌دست‌آمده برای موضوع پژوهش قدرت زیادی در پیش‌بینی دارد و می‌توان برای الگو‌سازی و تعمیم‌دادن از آن استفاده کرد.

در این آزمون، مقادیر متغیرهای ورودی انفیس اصلی در حالت‌های حدی گوناگون، یعنی با مقادیر بسیار زیاد و بسیار کم، تغییر داده و عملکرد الگو درمقابلِ این تغییرات بررسی شده است. هدف این آزمون، اثبات صحت و تأیید رفتار مناسب و مطمئن (پایایی) الگوی ریاضی حاصل‌شده درمقابلِ تغییرات مقادیر داده‌های ورودی است.

همان‌طورکه در جدول (4) نشان داده شده است، الگو درمقابلِ تغییرات متغیرهای ورودی از مقدار بسیار کم (۰) تا بسیار زیاد (۱۰) رفتاری کاملاً منطقی ارائه می‌دهد. این آزمون برای هر شش انفیس فرعی نیز اجرا شده است و تمامی آنها رفتاری منطقی نسبت‌به مقادیر حدی ورودی‌ها را نشان می‌دهند. چنین رفتاری نشان‌دهندۀ اعتبار الگوی طراحی‌شده است.

جدول (4) تأثیر تغییرات همزمان ورودی‌ها بر خروجی

Table (4) The effect of simultaneous changes in inputs on output

خروجی

ورودی‌های الگو

SCOBF

SCO

SCB

EOF

LCBF

EFOC

SCM

04/0

0

0

0

0

0

0

57/4

5

5

5

5

5

5

75/9

10

10

10

10

10

10

 

برای بررسی میزان تغییرات خروجی درمقابلِ تغییرات ورودی، می‌توان دو ورودی را با حداکثر تأثیر و حداقل تأثیر بر خروجی انتخاب و تأثیر تغییرات آنها را بر خروجی بررسی کرد. برای این منظور، ورودی مربوط به «موانع و مشکلات ورود به همکاری‌های راهبردی» به‌عنوانِ بُعدی انتخاب شده است که بیشترین تأثیر را بر خروجی دارد. مقدار آن یک واحد افزایش داده می‌شود. نتیجۀ این تغییر در جدول (5) نشان داده شده است.

جدول (5) میزان تغییر خروجی در ازای تغییر بُعد موانع و مشکلات ورود به همکاری‌های راهبردی (SCB)

Table (5) The amount of change in output in exchange for the change of SCB

SCM

EFOC

LCBF

EOF

SCB

SCO

SCOBF

6

6/6

17/6

67/6

9/7

17/6

25/7

 

با ثابت نگه‌داشتن تمامی ابعاد، ورودی مربوط به «انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری» یک واحد کاهش داده شده است. در این حالت، تغییرات خروجی بررسی می‌شود. نتایج این تغییر در جدول (6) ارائه شده است.

جدول (6) میزان تغییر خروجی در ازای تغییر بُعد انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری (SCM)

Table (6) The amount of change in output in exchange for the change of SCM

SCM

EFOC

LCBF

EOF

SCB

SCO

SCOBF

5

6/6

17/6

67/6

9/6

17/6

88/6

 

باتوجه‌به تغییرات به‌دست‌آمده، مشاهده می‌شود که خروجی درمقابلِ تغییر بُعد «موانع و مشکلات ورود به همکاری‌های راهبردی» به میزان 19/0 و درمقابلِ همین میزان تغییر در بُعد «انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری» 18/0 تغییر می‌کند. همچنین، باتوجه‌به تغییرات به‌دست‌آمده، اثربخشی بیشتر متغیر موانع و مشکلات ورود به همکاری‌های راهبردی (SCB) همچنان تأییدشدنی است و می‌توان گفت که این الگو نسبت‌به تغییرات حاصل حساس نیست. جدول (7)، رتبه‌بندی ابعاد شش‌گانۀ پژوهش را از حیث مقدار تأثیر بر خروجی نشان می‌دهد.

جدول (7) میزان تأثیر ورودی‌ها بر خروجی

Table (7) The impact of inputs on output

درجۀ اهمیت

ورودی

میزان تأثیر بر خروجی

1

SCB

39/0

2

EOF

3/0

3

EFOC

28/0

4

LCBF

25/0

5

SCO

21/0

6

SCM

16/0

 

همان‌طورکه نتایج نشان می‌دهد، باتوجه‌به گزارش جدول (7)، بُعد «موانع و مشکلات ورود به همکاری‌های راهبردی» با اخذ رتبۀ اول و میزان تغییر 39/0 در مقدار خروجی بااهمیت‌ترین متغیر در میان ابعاد مؤثر بر همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک است. پس از آن، به‌ترتیب بُعد «ابعاد و مؤلفه‌های برون‌سازمانی» و «عوامل تبیین‌کنندۀ همکاری بانک‌ها و فینتک‌ها» بیشترین تأثیر را بر خروجی دارند. در این میان، رتبۀ آخر را بُعد «انگیزۀ بانک‌ها و فینتک‌ها در ورود به همکاری» با میزان تغییر 16/0 در مقدار خروجی به خود اختصاص داده است.

 

نتیجه‌گیری و پیشنهادها

با پیشرفت سریع فناوری و نیاز به نوآوری در بخش مالی، درک عوامل و ابعادی اهمیت زیادی دارد که به همکاری‌های موفق میان نظام بانکی ایران و استارتاپ‌های فینتک کمک می‌کنند. این پژوهش با هدف ارائۀ الگوی پیش‌بینی و ارزیابی همکاری راهبردی بین نظام بانکی ایران و استارتاپ‌های فینتک انجام شد. الگوی مفهومی پژوهش بر اساسِ رویکرد داده‌بنیاد طراحی شده است. بر این مبنا 31 شاخص یا مؤلفه در قالب 6 مقولۀ کلان طبقه‌بندی شده‌اند که ابعاد گوناگون مرتبط با همکاری راهبردی را نشان می‌دهد. نتایج تحلیل حاکی از آن است که ابعادی که بیشترین تأثیر را بر همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک دارند، به‌ترتیبِ اهمیت عبارت‌اند از: موانع و مشکلات ورود به همکاری راهبردی، ابعاد و مؤلفه‌های برون‌سازمانی، عوامل تبیین‌کنندۀ همکاری بین بانک‌ها و فینتک‌ها، انواع سطوح همکاری بین بانک‌ها و فینتک‌ها، پیامدهای ورود به همکاری راهبردی و انگیزۀ بانک‌ها و فینتک‌ها برای همکاری. این موضوع نشان می‌دهد که اولویت‌دادن به موانع و مشکلات شناسایی‌شده در ورود به همکاری‌های راهبردی بسیار مهم است. ازطرفِ دیگر، این موضوع شامل مقابله با محدودیت‌های فناورانه و زیرساختی، غلبه بر موانع اقتصادی و تجاری، ساده‌سازی فرایندها، رسیدگی به چالش‌های امنیتی و عبور از موانع قانونی است. پرداختن به این مسائل می‌تواند به طور چشمگیری شانس همکاری‌های موفق را افزایش دهد. شناخت اهمیت ابعاد و مؤلفه‌های برون‌سازمانی ضروری است. باید به عوامل محیطی و ملی، تأثیرات بین‌المللی، قوانین مربوط، نهادهای نظارتی، سیاست‌های دولتی و نقش اتحادیه‌ها و سندیکاهای بانکی توجه شود. گنجاندن این پویایی‌های خارجی در تصمیم‌گیری راهبردی و تلاش‌های همکاری می‌تواند رویکرد جامع‌تر و مؤثرتری ارائه دهد. علاوه‌براین، تأکید بر عوامل تبیین کننده همکاری بین بانک‌ها و فینتک‌ها بسیار مهم است. تحول دیجیتال، زیرساخت‌های علم و فناوری، عوامل سازمانی و ساختاری، جنبه‌های فرهنگی، سمت‌های مدیریتی، مکانیسم‌های اعتمادسازی و ملاحظات قانونی باید به دقت تحلیل و در راهبرد‌های همکاری ادغام شوند. پرورش محیطی که انگیزه همکاری را با در نظر گرفتن توسعه بازار، جنبه‌های مالی و انگیزه‌های نوآورانه تشویق می‌کند، ضروری است. شناسایی و همسو‌کردن سطوح همکاری، از جمله سطوح همکاری رایج، همکاری راهبردی، و همکاری‌های راهبردی انعطاف‌پذیر و پویا، می‌تواند به ایجاد انتظارات روشن و بهینه‌سازی نتایج کمک کند.

ارزیابی سطح همکاری راهبردی نظام بانکی و استارتاپ‌های فینتک امتیاز 06/7 را به دست آورد که بیانگر سطح متوسط به بالای عملکرد است. این موضوع نشان می‌دهد که نظام بانکی و استارتاپ‌های فینتک در اجرای شیوه‌های نوآورانه سرمایه‌گذاری برای همکاری‌های راهبردی نسبتاً موفق بوده‌اند. ابعاد شناسایی شده در این پژوهش، چارچوبی را برای سازمان‌ها فراهم می‌کند تا راهبرد‌های مؤثری در زمینه نوآوری مالی ایجاد کنند و محیطی مساعد برای همکاری پایدار بین نظام بانکی و استارتاپ‌های فینتک ایجاد کنند. براساسِ یافته‌ها، در ادامه پیشنهادهایی برای سیاست‌گذاران، نهادهای نظارتی، مدیران اجرایی در نظام بانکی و رهبران استارتاپ‌های فینتک ارائه شده است تا با اجرای این پیشنهادها، همکاری‌های راهبردی بین نظام بانکی و استارتاپ‌های فینتک را تقویت کنند و نوآوری را پیش ببرند و اکوسیستم مالی کلی را بهینه کنند.

پیشنهاد می‌شود سیاست‌گذاران، مدیران بانکی و رهبران فینتک ذهنیت مشارکتی را ترویج دهند، ارتباطات باز و اشتراک دانش بین دو بخش را تقویت کنند و بسترهایی برای تعامل و همکاری منظم برای تسهیل تبادل نظر و تخصص ایجاد کنند. سیاست‌گذاران و مدیران بانکی باید فعالانه به دنبال فرصت‌هایی برای مشارکت راهبردی بین بانک ها و استارتاپ‌های فینتک باشند. چارچوب‌ها و توافق‌نامه‌های شفافی را ایجاد کنند که اهداف مشترک را مشخص می‌کند و همکاری مؤثر در پروژه‌های مشترک و سرمایه‌گذاری‌های نوآورانه را تسهیل می‌کند. سیاست‌گذاران و رهبران بانکی باید بر اهمیت تحول دیجیتال در نظام بانکی تأکید کنند و استارتاپ‌های فینتک را تشویق کنند تا راه‌حل‌های فناورانه نوآورانه ارائه دهند. لازم است در فناوری‌های پیشرفته مانند هوش مصنوعی، بلاکچین و تجزیه و تحلیل داده‌ها برای افزایش کارایی عملیاتی، تجربه مشتری و ارائه محصول/خدمت نوآورانه سرمایه‌گذاری صورت گیرد و منابع لازم تخصیص داده شود. سیاست‌گذاران و نهادهای نظارتی نقش مهمی در ایجاد یک محیط حمایتی برای همکاری دارند. پیشنهاد می‌شود چارچوب‌های انعطاف‌پذیری برای نظارت توسعه داده شود که هم‌زمان مشوق فناوری‌های نوظهور باشد و در عین حال، حمایت مصرف‌کننده را نیز تضمین کند. مدیران بانکی و رهبران فینتک باید استعدادیابی و توسعه را در اولویت قرار دهند. پیشنهاد می‌شود تبادل دانش و همکاری بین نظام بانکی و استارتاپ‌های فینتک مورد تشویق قرار گیرد و در برنامه‌های آموزشی برای تقویت مهارت‌های مرتبط با امور مالی دیجیتال، فناوری و کارآفرینی سرمایه‌گذاری لازم انجام شود. سیاست‌گذاران، مدیران بانکی و رهبران فینتک باید در توسعه محصولات و خدمات مشتری محور همکاری کنند. نقاط قوت استارتاپ‌های فینتک در چابکی و نوآوری برای افزایش توانایی نظام بانکی در ارائه راه‌حل‌های شخصی، راحت و کاربرپسند مورد استفاده قرار گیرد. سیاست‌گذاران، نهادهای نظارتی و مدیران اجرایی بانکی باید مکانیسم‌هایی را برای نظارت و ارزیابی پیشرفت و تأثیر طرح‌های همکاری راهبردی ایجاد کنند. به طور منظم اثربخشی مشارکت‌ها ارزیابی شود و راهبرد‌ها براساسِ یافته‌ها تطبیق داده شود تا در مورد موفقیت بلندمدت اطمینان حاصل شود. به سیاست‌گذاران پیشنهاد می‌شود تا رهبران بانکی، مدیران فینتک و ذی‌نفعان مربوط را تشویق کنند تا در اشتراک دانش و همکاری صنعت شرکت داشته باشند. لازم است از ابتکارات، کنسرسیوم‌ها و انجمن‌هایی حمایت شود که تبادل بهترین شیوه‌ها و بینش‌ها را برای رشد و پیشرفت جمعی تسهیل می‌کنند. با بررسی این پیشنهادها سیاست‌گذاران، نهادهای نظارتی، مدیران بانکی و رهبران فینتک می‌توانند محیطی مناسب برای همکاری راهبردی مؤثر، تقویت نوآوری و ایجاد نتایج مثبت برای نظام بانکی و استارتاپ‌های فینتک ایجاد کنند که درنهایت به‌نفع مشتریان و کل صنعت مالی خواهد بود.

درحالی‌که این پژوهش بینش‌های ارزشمندی را ارائه می‌دهد، مهم است که محدودیت‌های آن نیز پذیرفته شود. این پژوهش بر زمینۀ خاص نظام بانکی و استارتاپ‌های فینتک در ایران متمرکز بوده است و تعمیم‌پذیری یافته‌ها را به سایر مناطق و صنایع محدود می‌کند. در پژوهش‌های آتی لازم است زمینه‌های متنوعی برای افزایش درک پویایی همکاری راهبردی بررسی شود تا یافته‌های این پژوهش را تأیید کند و گسترش دهد. علاوه‌براین، پژوهش بر داده‌های جمع‌آوری‌شده ازطریقِ پرسشنامه و مصاحبه تکیه کرده است که ممکن است در معرض سوگیری‌های ذاتی باشد. به‌کارگیری روش‌های ترکیبی برای جمع‌آوری داده‌ها می‌تواند قابلیت اطمینان و اعتبار تلاش‌های پژوهشی آینده را افزایش دهد. درنهایت، باتوجه‌به ماهیت پویای بخش‌های بانکداری و فینتک، نظارت و پژوهش مستمر برای همگام‌شدن با روندها و چالش‌های نوظهور ضروری است. ادامۀ پژوهش در این زمینه برای گسترش دانش، کشف ابعاد جدید و انطباق با پویایی‌های صنعت درحال‌توسعه تشویق می‌شود.

 

 

[1] fintech

[2] disruptive

[3] robo-advisors

[4] Adaptive Neuro-Fuzzy Inference System (ANFIS)

[5] Gussian

[6] Back Propa

[7] Hybrid

[8] Error

[9] Error Tolerance

[10] EPOCH

[11] Over Fitting

References

Abraham, A. (2005). Adaptation of fuzzy inference system using neural learning, studies in fuzziness and soft computing. Journal of Fuzzy Systems Engineering, 181, 53–83. https://doi.org/10.1007/11339366_3
Asadollah, M., Sanavifard, R., & Hamidizadeh, A. (2019). Introducing a new E-banking model based on the rise of fintechs and startups (A case of a private bank in Iran). Journal of Technology Development Management, 7(2), 195-248. https://doi.org/10.22104/JTDM.2019.3508.2214 [In Persian].
Azar, A., & Faraji, H. (2017). Fuzzy Management Science. Mehraban Nashr. [In Persian].
Barz, L., Lindeque, S., & Hedman, J. (2023). Critical success factors in the fintech world: A stage model. Electronic Commerce Research and Applications, 60. https://doi.org/10.1016/j.elerap.2023.101280
Bomer, M., & Maxin, H. (2018). Why fintechs cooperate with banks—Evidence from Germany. Zeitschrift Für Die Gesamte Versicherungswissenschaft, 107, 359–386. https://doi.org/10.1007/s12297-018-0421-6
Chen, R., Huiwen, C., Chenglu, J., & Lean, Y. (2020). Linkages and spillovers between internet finance and traditional finance: Evidence from china. Emerging Markets Finance and Trade, 56, 1196–1210. https://doi/org/10.1080/1540496X.2019.1658069
Drasch, B. J., Schweizer, A., & Urbacht, N. (2018). Integrating the ‘Troublemakers’: A taxonomy for cooperation between banks and fintechs. Journal of Economics and Business, 100, 26-42. https://www.doi.org/0.1016/j.jeconbus.2018.04.002
Franklin, A., Xian, G., & Julapa, J. (2022). Fintech, cryptocurrencies, and CBDC: Financial structural transformation in China. Journal of International Money and Finance, 124(C). https://doi.org/10.1016/j.jimonfin.2022.102625
Gholami, M., Ghafari Ashtiani, P., Zanjirdar, M., & Haji, G. (2023). Investigating the effect of fintech implementation components in the banking industry of Iran. Advances in Mathematical Finance and Applications, 8(2), 625-643.
Harasim, J. (2021). Fintechs, bigtechs and banks—When cooperation and when competition? Journal of Risk and Financial Management, 14(12). https://doi.org/10.3390/jrfm14120614
Hu, Z., Ding, S., Li, S., Chen, L., & Yang, S. (2019). Adoption intention of fintech services for bank users: An empirical examination with an extended technology acceptance model. Symmetry, 11(3), 340. https://doi.org/10.3390/sym11030340
Jia, K., He, Y., & Mohsin, M. (2023). Digital financial and banking competition network: Evidence from China. Frontiers in Psychology, 13, 1-11. https://doi.org/10.3389/fpsyg.2022.1104120
Jinsong, Z., Xinghao, L., Chin-Hsien, Y., Shi, C., & Chi-Chuan, L. (2022). Riding the FinTech innovation wave: FinTech, patents and bank performance, Journal of International Money and Finance, 122(C). https://doi.org/10.1016/j.jimonfin.2021.102552
Klus, M. F., Lohwasser, T., Holotiuk, F., & Moormann, J. (2019). Strategic alliances between banks and fintechs for digital innovation: Motives to collaborate and types of interaction. The Journal of Entrepreneurial Finance, 21(1).
Li, E., Mao, M. Q., Zhang, H. F., & Zheng, H. (2023). Banks’ investments in fintech ventures, Journal of Banking & Finance, 149, 106754. https://doi.org/10.1016/j.jbankfin.2022.106754
Najafi, F., Irandoust, M., Soltanpaneh, H., & Sheikh Ahmadi, A. (2020). Identifying and ranking the factors affecting the interaction of banks and new financial technologies (fintechs) with a combined approach. Innovation Management Journal, 9(3), 171-196. [In Persian].
Shahhosseini, M. A., Keimasi, M., Shamizanjani, M., & Haghighikhah, M. (2022). A systematic literature review of bank-fintech collaboration. Journal of Business Management, 14(2), 199-227. https://doi.org/10.22059/jibm.2022.328496.4191 [In Persian].
Tahmasebiaghbelaghi, D., Soltani, M., Shahbazi, M., & Ozaei, A. (2021). Development of a framework for strategic collaboration between the private banking system and fintechs in Iran. Journal of Technology Development Management, 9(1), 41-66. https://doi.org/10.22104/jtdm.2021.4781.2761[In Persian].
Yang, L., & Wang, S. (2022). Do fintech applications promote regional innovation efficiency? Empirical evidence from China. Socio-Economic Planning Sciences, 83(C), 101258. https://doi.org/10.1016/j.seps.2022.101258
Zolfaghari, R., Tashakori, N., & Eram, A. (2022). Designing collaterals assessment model to finance technological projects and SMEs by Adaptive Neural Fuzzy Inference System (ANFIS). Financial Research Journal, 24(3), 453-479. https://doi.org/10.22059/frj.2022.313263.1007094 [In Persian].

Files

Share

How to cite

Statistics