تحلیل اقتصادی رضایت دوسویه در روابط اعتباری بانک و مشتری: نقش کیفیت خدمات، ریسک اعتباری، بازپرداخت و نرخ سود
کلمات کلیدی:
رضایتمندی بانک از مشتریان اعتباری, رضایتمندی مشتریان اعتباری از بانک, بانک صادرات, تکنیک معادلات ساختاریچکیده
هدف این پژوهش تحلیل اقتصادی رضایت دوسویه در روابط اعتباری بانک و مشتری با تمرکز بر نقش کیفیت خدمات، ریسک اعتباری، بازپرداخت به‌موقع و نرخ سود در تبیین رضایت مشتریان اعتباری از بانک و رضایت بانک از مشتریان بود. این پژوهش از نظر هدف کاربردی و از نظر روش، توصیفی–پیمایشی و میدانی بود. جامعه آماری شامل مشتریان اعتباری 21 شعبه بانک صادرات استان البرز و کارکنان مرتبط با امور اعتباری بانک بود. از میان حدود 1800 مشتری اعتباری، 345 نفر بر اساس جدول کرجسی و مورگان انتخاب شدند و همه 80 نفر کارکنان واجد شرایط به روش سرشماری وارد پژوهش شدند. داده‌ها با دو پرسشنامه محقق‌ساخته شامل 37 گویه برای سنجش رضایت مشتریان و 24 گویه برای سنجش رضایت بانک گردآوری شد. پایایی ابعاد ابزارها با آلفای کرونباخ بین 0.73 تا 0.84 تأیید شد. تحلیل داده‌ها با SPSS و LISREL و با استفاده از آزمون t تک‌نمونه‌ای، تحلیل عاملی تأییدی و مدل‌یابی معادلات ساختاری انجام شد. رضایت مشتریان اعتباری از بانک به‌طور معناداری بالاتر از مقدار معیار بود (M=37.80, t=51.832, p<0.001) و رضایت بانک از مشتریان نیز بالاتر از مقدار معیار قرار داشت (M=28.30, t=179.669, p<0.001). کیفیت خدمات اثر مثبت و معناداری بر رضایت مشتریان داشت (β=0.88, t=2.01)، در حالی که اثر توقعات مشتریان معنادار نبود (β=-0.04, t=-0.11). رضایت مشتریان با وفاداری (β=1.04, t=3.32) و سازه مربوط به شکایت (β=0.75, t=2.95) رابطه معنادار داشت. در مدل بانک، ریسک اعتباری (β=0.69, t=2.58)، بازپرداخت به‌موقع (β=0.58, t=2.86) و نرخ سود مصوب (β=0.62, t=3.14) همگی با رضایت بانک رابطه مثبت و معنادار داشتند. شاخص‌های برازش نیز برای مدل مشتریان (χ²/df=1.70, RMSEA=0.079) و مدل بانک (χ²/df=1.74, RMSEA=0.081) مطلوب بود. رضایت دوسویه در روابط اعتباری زمانی تقویت می‌شود که بانک کیفیت خدمات مطلوبی ارائه دهد و مشتری نیز از نظر ریسک اعتباری و بازپرداخت عملکرد قابل اتکایی داشته باشد. بنابراین، مدیریت روابط اعتباری باید به‌صورت هم‌زمان بر تجربه مشتری، کنترل ریسک و توازن اقتصادی نرخ سود تمرکز کند.
دانلودها
مراجع
Abolghasemi, S., Nabavi Chashmi, A., Memarian, E., & Taghipour, M. (2024). Explaining the Operational and Credit Risk Model in Banks with Emphasis on Ethical Validation of Customers. Ethics in Science and Technology, 19(2), 185-190.
Adhikari, G. M., Sapkota, N., Parajuli, D., & Bhattarai, G. (2025). Impact of Green Banking Practices in Enhancing Customer Loyalty: Insights From Banking Sector Customers. Financial Markets Institutions and Risks, 9(1), 195-215. https://doi.org/10.61093/fmir.9(1).195-215.2025
Aghaei, A., & Mohammadi, F. (2022). Providing a credit risk prediction model for Bank Sepah customers using metaheuristic algorithms. Banking Management Quarterly, 12(46), 67-84.
Alqudah, T. H. A., Yazid, A. S., AlQatawneh, D. K. A., & AlZoughool, S. A. A. (2020). The Effectiveness of Corporate Governance and Customer Relationship Management on Moderating the Relationship Between Credit Risk Management and Commercial Banks Performance in Jordan. Scholars Journal of Economics Business and Management, 07(01), 48-51. https://doi.org/10.36347/sjebm.2020.v07i01.009
Arab Mazaar, A., & Royin Tan, P. (2006). Factors Affecting the Credit Risk of Banking Customers: A Case Study of Agricultural Bank. Journal of Economic Studies with an Islamic Approach, 3(6), 1-37. https://iee.rihu.ac.ir/article_302.html
Arab Mazar, A., & Rouyinkan, P. (2009). Credit Risk of Bank Customers: A Case Study of Bank Keshavarzi. Economic Essays.
Bastan, M., Akbarpour, S., & Ahmadvand, A. (2019). Profitability Paradox in Iranian Commercial Banks Business Model: A Study Based on System Dynamics Methodology. Monetary & Financial Economics, 26(18), 197-242. https://doi.org/10.22067/pm.v26i17.65314
Chen, T. H. (2020). Do you know your customer? Bank risk assessment based on machine learning. Applied Soft Computing, 86, 105779. https://doi.org/10.1016/j.asoc.2019.105779
Dadashi, I., Kordmanjiri, S., Khoshnood, Z., & Gholamnia Roshan, H. (2020). Examining variables affecting the credit risk of corporate bank customers using support vector machine and decision tree. Financial Management and Accounting Perspectives, 10(31).
Jafari Eskandari, M., & Rouhi, M. (2017). Credit Risk Management for Bank Customers Using an Improved Decision Support Vector Machine with Genetic Algorithm. Quarterly Journal of Asset Management and Financing, 5(4), 17-32.
Pourshahabi, V., Khodadadi Didani, H., & Taadolkhah, A. (2022). Designing a Strategic Alliace Implementation Model in Customer-Based Organizations by Exploratory Mixed Method (Case study: Saman Bank). Strategic Management Researches, 27(83), 41-66. https://smr.journals.iau.ir/article_690906_2ec2f7d0a4fb6ed590b6cc50e26ec6c7.pdf
Sadegh Khani, S., & Ramazani, F. (2021). Credit risk and ranking of Bank Saderat Ilam customers using econometric methods and logistic regression model. Eighth National Conference on Economics, Management, and Accounting, Shirvan. https://en.civilica.com/doc/1234991/
Sadeghi Amroabadi, B., & Yazdani, M. (2020). Identification and Assessment of Operational Risk in the Process of Information Management, Communications, and Customer Service Activities of Ansar Bank. Journal of Islamic Economics and Banking, 9(31), 221-246.
Sivaram, A., & Satheesh, E. K. (2021). Customers’ Perceived Risk and Attitude Towards Adoption of the Digital Banking Services. South Asian Journal of Social Studies and Economics. https://doi.org/10.9734/sajsse/2021/v12i430312
Tian, X. (2024). The Role of Artificial Intelligence in the Digital Transformation of Commercial Banks: Enhancing Efficiency, Customer Experience, and Risk Management. SHS Web of Conferences, 208, 01029. https://doi.org/10.1051/shsconf/202420801029
دانلود
گاه‌شمار انتشار
- ارسال
- بازنگری
- پذیرش
شماره
نوع مقاله
مجوز
حق نشر 2025 Mohsen Khalili Dermani (Corresponding author)
این پروژه تحت مجوز بین المللی Creative Commons Attribution-NonCommercial 4.0 می باشد.
